蒙特卡洛定位的移动机器人

Question

我执行的Monte-Carlo定位为我的机器人，它被赋予地图的环境和它的起始位置和方向。我的方法如下：

1. 一致在每一步产生围绕给定的位置500米的颗粒
2. 然后：
   • 运动更新所有与里程计的颗粒（我的当前方法是下一页末= oldX + odometryX（1 + standardGaussianRandom）等）
   • 使用声纳数据（公式为每个传感器概率* = gaussianPDF（realReading）其中高斯具有平均predictedReading）
   • 返回的粒子与最大概率作为升分配权重给每个粒子ocation在该步骤
   • 然后新粒子的9/10从旧的根据权重和1/10围绕预测位置

均匀采样的再采样现在，我写一个模拟器机器人的环境，这里是这个本地化如何表现：http://www.youtube.com/watch?v=q7q3cqktwZI

我非常害怕，在较长的时间内机器人可能会迷路。如果将粒子添加到更广的区域，机器人会更容易丢失。

我期待更好的表现。有什么建议？

Answer 1

最大的错误是，你认为权重最高的粒子是你的后路状态。这不符合粒子滤波器的主要思想。

设定你的里程计读数更新粒子的就是你的建议分布。通过考虑最高权重的粒子，你完全忽略了这种分布。如果你只是在整个状态空间中随机传播粒子，然后用解释声纳数据的一个粒子最好，那也是一样的。你只能依靠声纳阅读，因为声纳数据非常嘈杂，你的估计非常糟糕。更好的方法是给每个粒子分配一个权重，对权重进行归一化，将每个粒子状态乘以它的权重并将它们相加得到你的后验状态。

对于您的resample步骤，我建议删除围绕预测状态的随机样本，因为它们会破坏您的提案分布。生成随机样本以从失败中恢复是合法的，但这些样本应该分布在整个状态空间中，并且明确地不在当前的预测范围内。