La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

V.Caglioti - Autolocalizzazione

Presentazioni simili


Presentazione sul tema: "V.Caglioti - Autolocalizzazione"— Transcript della presentazione:

1 V.Caglioti - Autolocalizzazione
DI ROBOT MOBILI Vincenzo Caglioti V.Caglioti - Autolocalizzazione

2 V.Caglioti - Autolocalizzazione
- Richiami sugli stimatori - Autolocalizzazione telemetrica - Autolocalizzazione visiva V.Caglioti - Autolocalizzazione

3 V.Caglioti - Autolocalizzazione
Stima a massima verosimiglianza V.Caglioti - Autolocalizzazione

4 V.Caglioti - Autolocalizzazione
Weighted least squares V.Caglioti - Autolocalizzazione

5 V.Caglioti - Autolocalizzazione
Covarianza con V.Caglioti - Autolocalizzazione

6 V.Caglioti - Autolocalizzazione
Su agiscono errori di misura Sia un valore della misura X compatibile con il modello p V.Caglioti - Autolocalizzazione

7 V.Caglioti - Autolocalizzazione
Bayes a priori uniforme  costante con p indipendente da p V.Caglioti - Autolocalizzazione

8 V.Caglioti - Autolocalizzazione
con valore nominale  da Stima a massima verosimiglianza (ML) V.Caglioti - Autolocalizzazione

9 V.Caglioti - Autolocalizzazione
Minimi quadrati pesati Covarianza isoliamo nell’esponente i termini “quadratici” in p V.Caglioti - Autolocalizzazione

10 V.Caglioti - Autolocalizzazione
Se i singoli errori di misurazione (es. sui punti) sono indipendenti e V.Caglioti - Autolocalizzazione

11 V.Caglioti - Autolocalizzazione
Autolocalizzazione telemetrica scan matching stima incrementale V.Caglioti - Autolocalizzazione

12 V.Caglioti - Autolocalizzazione
Scan Matching Uso di telemetro orientabile senza informazioni a priori Matching: generazione di un’ipotesi di stima Raffinamento della stima generata V.Caglioti - Autolocalizzazione

13 V.Caglioti - Autolocalizzazione
Matching E’ richiesta robustezza nei confronti di: rumore nelle misure outliers dati mancanti Transformata di Hough Generalizzata (GHT) con “footprints” a) modellizzazione della mappa b) matching tra misure e modello della mappa ipotesi di stima di posizione e orientamento V.Caglioti - Autolocalizzazione

14 V.Caglioti - Autolocalizzazione
Modellizzazione: Footprint: features “locali” caratterizzate da - parametri intrinseci (es. angoli, distanze, curvature) - parametri estrinseci (es. posizione e orientamento) eventualmente raggruppate (ad es. se mancano parametri intrinseci) ordinate in base ai parametri intrinseci delle singole footprint o dei gruppi di footprint, per reperimento efficiente V.Caglioti - Autolocalizzazione

15 V.Caglioti - Autolocalizzazione
Matching tra misure e modello della mappa costruzione delle feature dalle misurazioni - per ciascuna feature (o ciascun gruppo) - selezionare footprint candidate esplorando la struttura dati sulla base dei parametri intrinseci - per ogni footprint candidata - utilizzare parametri estrinseci per vincolare [x,y,q] - per ogni valore di [x,y,q] compatibile con i vincoli - incrementare il contatore di voti di [x,y,q] - selezionare il valore di [x,y,q] più votato V.Caglioti - Autolocalizzazione

16 V.Caglioti - Autolocalizzazione
Es. footprint 2 par. estrinseci + 0 par. intrinseci 2 par. estrinseci + 0 par. intrinseci 2 par. estrinseci + 1 par. intrinseco 3 par. estrinseci + 1 par. intrinseco 3 par. estrinseci + 1 o 2 par. intrinseci V.Caglioti - Autolocalizzazione

17 V.Caglioti - Autolocalizzazione
Raffinamento della stima ove è il risultato della misura i-ma (distanza tra R e ambiente lungo retta di misura fi) e mentre z R x f a y q V.Caglioti - Autolocalizzazione

18 V.Caglioti - Autolocalizzazione
con Varianza V.Caglioti - Autolocalizzazione

19 V.Caglioti - Autolocalizzazione
Stima incrementale Ciclo movimento misurazione Partenza: e Movimento: o misura odometrica riferito alla posizione corrente V.Caglioti - Autolocalizzazione

20 V.Caglioti - Autolocalizzazione
dunque va trasformato per rappresentarlo nel riferimento base ove V.Caglioti - Autolocalizzazione

21 V.Caglioti - Autolocalizzazione
errori odometrici : (o di attuazione del movimento) - errori nella stima di partenza:  loro effetto sull’errore in V.Caglioti - Autolocalizzazione

22 V.Caglioti - Autolocalizzazione
ove con V.Caglioti - Autolocalizzazione

23 V.Caglioti - Autolocalizzazione
Stima dopo il movimento (ma prima di ulteriori misure) Varianza di tale stima ove V.Caglioti - Autolocalizzazione

24 V.Caglioti - Autolocalizzazione
ulteriore misura: stima ML equivale a stima di Kalman ove z è il risultato effettivo della misura mentre è il risultato che si otterrebbe: in assenza di errori se il modello vero fosse Varianza della nuova stima ottenuta V.Caglioti - Autolocalizzazione

25 V.Caglioti - Autolocalizzazione
Autolocalizzazione visiva “landmark” artificiali “landmark” naturali V.Caglioti - Autolocalizzazione

26 V.Caglioti - Autolocalizzazione

27 V.Caglioti - Autolocalizzazione
Trasformazione scena immagine X x y c f O principal axis principal point Y u X Z image reference - centered on upper left corner - nonsquare pixels (aspect ratio) scene reference not attached to the camera V.Caglioti - Autolocalizzazione

28 V.Caglioti - Autolocalizzazione
Centro ottico Spazio nullo destro della matrice di proiezione Per ogni A, tutti i punti in AO hanno la stessa immagine di A, pertanto O è centro ottico V.Caglioti - Autolocalizzazione

29 V.Caglioti - Autolocalizzazione
Direzione degli infiniti punti aventi immagine u prendiamo quello all’infinito: questo punto dà la direzione della retta di interpretazione del punto immagine u Telecamera: sensore di direzione u d V.Caglioti - Autolocalizzazione

30 V.Caglioti - Autolocalizzazione
Landmark artificiali Hp: landmark planari Cambio riferimento dal robot al piano contenente il landmark V.Caglioti - Autolocalizzazione

31 V.Caglioti - Autolocalizzazione
sul piano del landmark, i suoi punti hanno Z=0 H: omografia piano landmark  piano immagine V.Caglioti - Autolocalizzazione

32 V.Caglioti - Autolocalizzazione
1) determinare omografia H (da n punti) 2) determinare n, o, t a partire da H V.Caglioti - Autolocalizzazione

33 V.Caglioti - Autolocalizzazione
Determinazione dell’omografia H determinare un valore nominale da 4 degli n punti risolvendo un’equazione lineare raffinare la stima usando gli n punti V.Caglioti - Autolocalizzazione

34 V.Caglioti - Autolocalizzazione
Misure non rumorose { con V.Caglioti - Autolocalizzazione

35 V.Caglioti - Autolocalizzazione
Linearizzazione attorno al valore nominale jacobiano con V.Caglioti - Autolocalizzazione

36 V.Caglioti - Autolocalizzazione
Misure affette da rumore con e Stima ML (max likelihood)  V.Caglioti - Autolocalizzazione

37 V.Caglioti - Autolocalizzazione
stima varianza V.Caglioti - Autolocalizzazione

38 V.Caglioti - Autolocalizzazione
Determinazione di n, o, t da trovare s tale che |n|=1 aggiustare n e o affinché siano consistenti con moto piano - es. se il piano landmark è verticale o verticale n orizzontale V.Caglioti - Autolocalizzazione

39 V.Caglioti - Autolocalizzazione
Landmark naturali Es. spigoli verticali xi telecamera prospettica: piani di interpretazione verticali telecamera catadiottrica (simmetrica rispetto a un asse verticale) rette radiali concorrenti nell’immagine di un punto dell’asse ai V.Caglioti - Autolocalizzazione

40 V.Caglioti - Autolocalizzazione
Aspetti geometrici Luogo dei punti da cui due spigoli x1 e x2 si vedono sotto un angolo d: x1 x2 Angolo al centro: doppio dell’angolo circonferenza circonferenza d d Con 3 spigoli: intersezione tra le due circonferenze …1 soluzione valida (si scarta quella costituita da uno spigolo comune) V.Caglioti - Autolocalizzazione

41 V.Caglioti - Autolocalizzazione
con n>3 spigoli e misure angolari affette da rumore Problema delle corrispondenze spigoli misurati spigoli nella mappa Alternative: Ransac (random sample consensus) Trasformata di Hough Valore di partenza per successivo raffinamento della stima V.Caglioti - Autolocalizzazione

42 V.Caglioti - Autolocalizzazione
Ransac: scegli a caso un certo numero di terne di spigoli misurati per ciascuna terna scegli un certo numero di terne di spigoli modello per ogni corrispondenza (terna-misurata, terna-modello) scelta calcola p=[x,y]T intersecando due circonferenze valuta il consenso della corrispondenza come numero delle altre misure compatibili con la p calcolata scegli la coppia di terne corrispondenti con maggior consenso assegna la corrispondente p al valore di partenza per il raffinamento V.Caglioti - Autolocalizzazione

43 V.Caglioti - Autolocalizzazione
Trasformata di Hough: discretizza in celle la parte navigabile dell’ambiente per le coppie di spigoli rilevate misura l’angolo di per ciascuna coppie di spigoli rilevata per ciascuna coppia di spigoli della mappa costruisci la circonferenza da cui la coppia è vista sotto l’angolo misurato per ogni cella attraversata dalla circonferenza incrementa il contatore dei voti determina la cella col massimo numero di voti assegna il centro della cella al valore di partenza per il raffinamento V.Caglioti - Autolocalizzazione

44 V.Caglioti - Autolocalizzazione
Raffinamento della stima V.Caglioti - Autolocalizzazione

45 V.Caglioti - Autolocalizzazione
misure affette da errori indipendenti riduzione delle incognite  nuove variabili misurate H V.Caglioti - Autolocalizzazione

46 V.Caglioti - Autolocalizzazione
misure non rumorose con V.Caglioti - Autolocalizzazione

47 V.Caglioti - Autolocalizzazione
Linearizzazione tramite jacobiano Stima ML Varianza V.Caglioti - Autolocalizzazione

48 V.Caglioti - Autolocalizzazione
Recupero di q dalla posizione p=[x,y]T stimata utilizzare l’infomazione circa un angolo a rilevato y: orientamento del segmento tra p e lo spigolo considerato = y- a oppure utilizzare una media tra gli angoli rilevati V.Caglioti - Autolocalizzazione


Scaricare ppt "V.Caglioti - Autolocalizzazione"

Presentazioni simili


Annunci Google