Return to Video

06-16 Graph Slam

  • 0:00 - 0:04
    Позвольте мне рассказать вам о моем любимом методе, называется "График SLAM».
  • 0:04 - 0:09
    Это один из многих методов для SLAM, и это тот, который на сегодняшний день является самым простым для объяснения.
  • 0:09 - 0:11
    Давайте предположим, что у нас есть робот,
  • 0:11 - 0:17
    и давайте называть произвольно начальное расположение х равна нулю, и у равна нулю.
  • 0:17 - 0:20
    Для этого примера, мы просто предполагаем, дорога имеет совершенный компас,
  • 0:20 - 0:23
    и мы не заботимся о главном направлении только, чтобы держать все простым.
  • 0:23 - 0:29
    Давайте предположим, что робот перемещается вправо в направлении х на 10, так что теперь здесь.
  • 0:29 - 0:34
    В идеальном мире мы бы зналиx1, расположение после движения
  • 0:34 - 0:40
    так же, как x0 +10 и y1 так же, как y0.
  • 0:40 - 0:44
    Но мы узнали от наших различных уроки по теме Кальман фильтры и др.
  • 0:44 - 0:47
    что место на самом деле неопределено.
  • 0:47 - 0:52
    Вместо того, чтобы считать в нашем (х, у) системе координат робот перемещается вправо на 10 точно,
  • 0:52 - 0:58
    Мы считаем, что фактическое местоположение является гауссовским вокруг (10, 0),
  • 0:58 - 1:00
    но это возможно что робот где-то в другом месте.
  • 1:00 - 1:03
    Помните, мы разработали математику для этой гауссовский?
  • 1:03 - 1:06
    Вот как это выглядит для переменной х.
  • 1:06 - 1:11
    Вместо того чтобы устанавливать x1 к x0 плюс 10, мы пытаемся выразить гауссовский
  • 1:11 - 1:14
    как вершину, когда эти две вещи совпадают.
  • 1:14 - 1:18
    Если вычесть из x1 x0 и 10,
  • 1:18 - 1:22
    поставить это в квадрате формате и превратить это в гауссовой
  • 1:22 - 1:27
    мы получим распределение вероятностей, касающегося x1 и x0.
  • 1:27 - 1:29
    Мы можем сделать то же самое с у.
  • 1:29 - 1:32
    С тех пор нет никаких изменений в у, в соответствии с нашим движением,
  • 1:32 - 1:37
    Все мы спрашиваем, y1 и y0 близко друг к другу, насколько возможно.
  • 1:37 - 1:41
    Произведение этих двух гауссовых наше пресечение.
  • 1:41 - 1:50
    Мы хотим, чтобы максимизировать вероятность того, что позиция x1, учитывая положения х0 (0, 0).
  • 1:50 - 1:59
    Что График SLAM делает, так это определяет нашу вероятность, используя последовательность таких ограничений.
  • 1:59 - 2:03
    Скажем, у нас есть робот, который перемещается в некотором пространстве,
  • 2:03 - 2:07
    и каждая локация теперь характеризуется вектором x0
  • 2:07 - 2:13
    и x1 вектор, вектор x2, x3 вектора. Часто они являются 3-мерными векторами.
  • 2:13 - 2:18
    График SLAM собирает начальное положение, которое является (0, 0, 0), первоначально
  • 2:18 - 2:20
    хотя здесь это выглядит немного по-другому
  • 2:20 - 2:23
    Затем, на самом деле важно, много относительных пресечений
  • 2:23 - 2:28
    которые касаются каждого робота.
  • 2:28 - 2:30
    Мы называем их относительное пресечение движения.
  • 2:30 - 2:32
    Вы можете думать о них, как резиновые ленты.
  • 2:32 - 2:38
    В ожидании, эта резинка будет в точности движением робота,
  • 2:38 - 2:43
    но в действительности, это может сгибать ее немного, чтобы сделать карту более последовательной.
  • 2:43 - 2:47
    Говоря о картах, давайте использовать ориентира в качестве примера.
  • 2:47 - 2:50
    Предположим, что существует ориентир здесь, и ориентир в настоящее время рассматривается
  • 2:50 - 2:54
    от робота с некоторыми относительных измерений - z0, z1.
  • 2:54 - 2:58
    Может быть, я не видел его в течение времени 2, но это z3.
  • 2:58 - 3:01
    Все это также относительные пресечения
  • 3:01 - 3:03
    очень похожие на те раньше.
  • 3:03 - 3:07
    Опять же, они сделаны Гауссом, и мы получаем относительное пресечение измерения.
  • 3:07 - 3:11
    Одним из таких пресечения является когда робот видит ориентир.
  • 3:11 - 3:15
    График SLAM собирает эти пересечения, и, как мы увидим,
  • 3:15 - 3:19
    их безумно легко собирать
  • 3:19 - 3:25
    чтобы найти наиболее вероятный конфигурацию пути робота вместе с расположении ориентир.
  • 3:25 - 3:27
    Это процесс отображение.
  • 3:27 - 3:30
    Позвольте мне задать вам быстрый тест.
  • 3:30 - 3:35
    Предположим, у нас есть шесть поз роботов - то есть, одна начальная и пять движений.
  • 3:35 - 3:39
    У нас есть восемь измерений ориентир, которые мы видели.
  • 3:39 - 3:42
    Это могут быть несколько ориентиров. Иногда робот видит больше, чем один.
  • 3:42 - 3:46
    Вопрос теперь в том, как много ограничений у нас, если мы рассчитывать каждое
  • 3:46 -
    ограничение, как именно одно ограничение.
Title:
06-16 Graph Slam
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
ayten.abzal91 added a translation

Russian subtitles

Revisions