<
→ [追加演習の「パーティクルフィルタについて」](vextra_pf.html)
新しい観測を取得したたびに：
1. 時間変化モデルに基づくパーティクルの新しい状態の予測。
2. 観測に基づくパーティクルの更新
- 重み付け：観測とよく一致する粒子は、より高い重みを付ける
- サンプリング：重みの大きいパーティクルをより多く選択し、重みの小さいパーティクルを少なくし、新しいパーティクルのセットを作成する
### ローカリゼーションにパーティクルフィルタを使用
⇒ *モンテカルロローカリゼーションアルゴリズム*（MCL）
- 最もよく使われているローカリゼーションアルゴリズムの1つ
- パーティクルフィルタ：パーティクルはロボットの位置と向きを示しれます
MCLの更新
1. オドメトリモデルに基づいて各パーティクルの状態を更新します
2. それぞれのパーティクルがどれぐらいセンサの観測と一致するかを確認します（つまり、ロボットがパーティクルが定義している位置・向きにあったら、そのセンサ観測が本当に得られますか？）
- よく一致するパーティクルが残ります、一致しないパーティクルは削除します
---
### 距離センサを使ったMCLの例
初期粒子分布
- ロボットがどこにあるかはまったくわからないので、環境全体にパーティクルを散乱します
<img src="./v5_media/mcl_prox01.png" alt = "" style = "width：65％;" />
---
距離の測定
- レーザースキャナーを使用していますが、不正確な測定がかなりあります。
(図では、レーザー光線はロボットの（未知の）実際の位置を起点としている）
<img src="./v5_media/mcl_prox02.png" alt = "" style = "width：65％;" />
---
重み付け
- （この図で見ずらいですが）重みの高いパーティクルは濃い色で表しています
<img src="./v5_media/mcl_prox03.png" alt = "" style = "width：65％;" />
---
（次はサンプリングをやりますがその図がありません）
---
予測（オドメトリ）
- ロボットの速度の値を使って、パーティクルが次どこまで進むかを予測します
<img src="./v5_media/mcl_prox04.png" alt = "" style = "width：65％;" />
---
測定
<img src="./v5_media/mcl_prox05.png" alt = "" style = "width：65％;" />
---
重み付け
（濃い色のパーティクルで重みが高いです）
<img src="./v5_media/mcl_prox06.png" alt = "" style = "width：65％;" />
---
サンプリング
- 重みが大きいほうのパーティクルが残ります
<img src="./v5_media/mcl_prox07.png" alt = "" style = "width：65％;" />
---
予測
<img src="./v5_media/mcl_prox08.png" alt = "" style = "width：65％;" />
---
測定
<img src="./v5_media/mcl_prox09.png" alt = "" style = "width：65％;" />
---
重み付け
<img src="./v5_media/mcl_prox10.png" alt = "" style = "width：65％;" />
---
サンプリング
<img src="./v5_media/mcl_prox11.png" alt = "" style = "width：65％;" />
---
予測
<img src="./v5_media/mcl_prox12.png" alt = "" style = "width：65％;" />
---
測定
<img src="./v5_media/mcl_prox13.png" alt = "" style = "width：65％;" />
---
重み付け
（この時点ではロボットの位置が大体わかりました）
<img src="./v5_media/mcl_prox14.png" alt = "" style = "width：65％;" />
---
サンプリング
<img src="./v5_media/mcl_prox15.png" alt = "" style = "width：65％;" />
---
予測
<img src="./v5_media/mcl_prox16.png" alt = "" style = "width：65％;" />
このまま続きます...
---
---
# 環境地図について
環境地図の種類が様々ですが、ローカリゼーションによく使われているのは「占有グリッド地図」（英語：occupancy grid map）
---
## 占有グリッド地図
- スペースは正方形セグメント（セル）に分割されます
- セグメントは画像のピクセルみたいです
- 各セグメントについて、「何かがある」または「何もない」のいずれかであると想定します
---
占有率
- p = 1 ⇒ その場所に何かがある
- p = 0 ⇒ その場所に何もない
- p = 0.5 ⇒ わからない
<img src="./v5_media/map_occgrid_model.png" alt="" style="width: 65%;"/>
---
例 （建物の中）:
- 壁、家具などの所は「黒い」 p≈1
- 廊下、通れる部分は「白い」 p≈0
- 壁の後ろので、センサが測定できなかった場所は「灰色」 p≈0.5
<img src="./v5_media/map_occgrid.png" alt="" style="width: 85%;"/>
---
---
# 環境地図構築
ローカリゼーションを説明したときには、地図が既にあると想定していました。
- 多くの場合はそうではありません ⇒ 地図を作成する必要があります
---
## 問題点
- 地図構築とロボットの位置推定は相互に依存しています
- 地図を作成するには*ロボットがどこにあるかを知る必要があります*が、ロボットの位置をわかるにはには*地図が必要です*
- ⇒ これはいわゆる**SLAM**問題です（**自己位置推定及び環境地図構築の同時実行**、Simultaneous Localization And Mapping）
---
## パーティクルフィルタを使ったSLAM
パーティクルフィルタ（MCLアルゴリズム）を地図構築にどのように適用すればいいですか？
基本的なアプローチ：
1. これまで作成した地図をによって位置推定 ⇒ MCLアルゴリズムを使用します
2. 推定した位置を使って占有グリッド地図を更新します
- 実は、各パーティクルが自分の地図を持っていて、更新しています
- 一番重みの大きいパーティクルの地図が「一番正しい」とします
１、２を繰り返します
このアルゴリズムはRBPFまたはFastSLAMと呼ばれます。
（簡単に思えるかもしれませんが、SLAM問題の最初の定義からこのアルゴリズムが開発されるまでは約10〜15年かかりました。現在、これはSLAM（地図構築）の標準アルゴリズムの1つです。）
---
### センサ測定による地図の更新
- センサのビームがどこに当たらず通ったところ → 占有確立を下げる
- センサのビームがモノに当たったところ → 占有確立を上げる
緒音波センサの例：
<img src="./v5_media/inv_sensor_model_sonar.png" alt="" style="width: 60%"/>
---
### 地図構築：例
レーザースキャナーの測定
- ロボットのポーズはオドメトリによって得られたので、測定がずれています。
<img src="./v5_media/mapping_raw.png" alt="" style="width: 45%;"/>
マップ構築結果
<img src="./v5_media/mapping_result.png" alt="" style="width: 48%;"/>
---
### パーティクルフィルタのSLAM 動画
<iframe width = "560" height = "315" src = "https://www.youtube.com/embed/jBPZIU6AIS0" frameborder = "0" allowfullscreen> </iframe>
- 地図の構築が大体終わっているときに、MCLとほぼ同様に機能します（地図を少しだけ更新して、位置推定を行う）
---
→ [実習その1](v5_1.html)
↑ [ホームページ](index.html)
]]>