Return to Video

Unit 6 SLAM: Graph SLAM - CS373 - Udacity

  • 0:00 - 0:04
    Permítanme hablarles sobre mi método favorito, llamado "Graph SLAM".
  • 0:04 - 0:09
    Este es uno de los muchos métodos para SLAM, y es, con mucha diferencia, el más fácil de explicar.
  • 0:09 - 0:11
    Supongamos que tenemos un robot,
  • 0:11 - 0:17
    y diremos arbitrariamente que la posición inicial de x es igual a cero e y es igual a cero.
  • 0:17 - 0:20
    Para este ejemplo, vamos a suponer que la carretera tiene una extensión perfecta,
  • 0:20 - 0:23
    y no nos preocuparemos por los grados de la dirección sólo para mantener las cosas simples.
  • 0:23 - 0:29
    Supongamos que el robot se mueve hacia la derecha en dirección x 10 posiciones, por lo que ahora está por aquí.
  • 0:29 - 0:34
    En un mundo perfecto, sabríamos que x1, la ubicación después de movimiento,
  • 0:34 - 0:40
    es lo mismo que x0 +10 e y1 es igual que y0.
  • 0:40 - 0:44
    Pero aprendimos varias lecciones de nuestros robóticos filtros de Kalman y otros
  • 0:44 - 0:47
    que la ubicación es en realidad incierta.
  • 0:47 - 0:52
    En vez de asumir en nuestro sistemas de coordenadas (x,y) que el robot se ha movido exactamente 10 a la derecha,
  • 0:52 - 0:58
    sabemos que la ubicación real es una gaussiana centrada en torno a (10, 0),
  • 0:58 - 1:00
    pero es posible que el robot esté en otro lugar.
  • 1:00 - 1:03
    ¿Recuerda los calculos que elaboramos para la gaussiana?
  • 1:03 - 1:06
    Así es como se ve la variable x.
  • 1:06 - 1:11
    En lugar de establecer x1 a x0 más 10, tratamos de expresar los picos
  • 1:11 - 1:14
    de la gaussiana cuando estas dos cosas son lo mismo.
  • 1:14 - 1:18
    Si se resta de x1 x0 y 10,
  • 1:18 - 1:22
    ponemos esto al cuadrado y lo convertimos en una gaussiana,
  • 1:22 - 1:27
    obtenemos una distribución de probabilidad que relaciona x1 y x0.
  • 1:27 - 1:29
    Podemos hacer lo mismo para y.
  • 1:29 - 1:32
    Puesto que no hay cambio en y, de acuerdo al movimiento,
  • 1:32 - 1:37
    lo único que pedimos es que y1 e y0 estén tan cerca como sea posible.
  • 1:37 - 1:41
    El producto de estas dos gaussianas es ahora nuestra restricción.
  • 1:41 - 1:50
    Queremos maximizar la probabilidad de que la posición x1 dada, la posición x0 sea (0,0)
  • 1:50 - 1:59
    ¿Qué Graph SLAM define nuestras probabilidades utilizando una secuencia de tales limitaciones?
  • 1:59 - 2:03
    Digamos que tenemos un robot que se mueve en un espacio,
  • 2:03 - 2:07
    y cada posición se caracteriza ahora por un vector x0
  • 2:07 - 2:13
    un vector x1, vector x2, vector x3. A menudo son vectores de 3-dimensiones.
  • 2:13 - 2:18
    ¿Qué graph SLAM recoge la ubicación inicial, que en un principio es (0, 0, 0)? -
  • 2:18 - 2:20
    aunque aquí se ve un poco diferente -
  • 2:20 - 2:23
    entonces, realmente importante, un montón de restricciones relativas
  • 2:23 - 2:28
    que se relacionan con cada posición del robot con la anterior posición.
  • 2:28 - 2:30
    Las llamamos restricciones relativas de movimiento.
  • 2:30 - 2:32
    Puede pensar en ellas como bandas de goma.
  • 2:32 - 2:38
    En perspectiva, esta banda de goma será exactamente el movimiento del robot detectado o mandado,
  • 2:38 - 2:43
    pero, en realidad, podría tener que doblarla un poco para hacer el mapa más consistente.
  • 2:43 - 2:47
    Hablando acerca de los mapas, vamos a usar puntos de referencia como ejemplo.
  • 2:47 - 2:50
    Supongamos que hay un punto de referencia aquí, y el punto de referencia se considera desde
  • 2:50 - 2:54
    el robot con alguna medida relativa - z0, z1.
  • 2:54 - 2:58
    Tal vez yo no lo vi, pero esto es z3.
  • 2:58 - 3:01
    Todas estas son otras de las restricciones relativas
  • 3:01 - 3:03
    muy parecidas a las anteriores.
  • 3:03 - 3:07
    De nuevo, son tomadas como gaussianas, y obtenemos las restricciones relativas de medición.
  • 3:07 - 3:11
    Hay una restricción cada vez que el robot vea un punto de referencia.
  • 3:11 - 3:15
    Graph SLAM recoge estas restricciones, y como ya veremos,
  • 3:15 - 3:19
    son increíblemente fáciles de recoger, ya que sólo se relaja el conjunto de bandas de goma
  • 3:19 - 3:25
    para encontrar la configuración más probable de la trayectoria del robot junto con la ubicación de los puntos de referencia.
  • 3:25 - 3:27
    Ese es el proceso de mapeo.
  • 3:27 - 3:30
    Déjame hacerte una pregunta rápida que te hará pensar.
  • 3:30 - 3:35
    Supongamos que tenemos seis posiciones del robot - es decir, uno inicial y cinco movimientos.
  • 3:35 - 3:39
    Tenemos ocho mediciones de puntos de referencia que hemos visto.
  • 3:39 - 3:42
    Estas podrían ser múltiples puntos de referencia. A veces, el robot ve más de uno.
  • 3:42 - 3:46
    La pregunta ahora es ¿cuántas restricciones totales tenemos si contamos cada una
  • 3:46 -
    de estas restricciones como exactamente una restricción?.
Title:
Unit 6 SLAM: Graph SLAM - CS373 - Udacity
Description:

Other units in this course below:
Unit 1: http://www.youtube.com/playlist?list=PL1EF620FCB11312A6
Unit 2: http://www.youtube.com/playlist?list=PL107FD47786234011
Unit 3: http://www.youtube.com/playlist?list=PL5493E5D24A081719
Unit 4: http://www.youtube.com/playlist?list=PLAADAB4F235FE8D65
Unit 5: http://www.youtube.com/playlist?list=PL1B9983ACF22B1920
Unit 6: http://www.youtube.com/playlist?list=PLC9ED5AC39694C141
QA: http://www.youtube.com/playlist?list=PL3475310BFB1CBE34

To gain access to interactive quizzes, homework, programming assignments and a helpful community, join the class at http://www.udacity.com

more » « less
Video Language:
English
Team:
Udacity
Project:
CS373 - Artificial Intelligence
Duration:
03:51
almartinflorido added a translation

Spanish subtitles

Revisions