étape d'innovation localisation ekf?

Disons que nous avons un tas d'observations $z^{i}$ du capteur et nous avons une carte dans laquelle nous pouvons obtenir les mesures prévues $\hat{z}^{i}$pour les repères. En localisation EKF en étape de correction, faut-il comparer chaque observation$z^{i}$ avec toute la mesure prévue $\hat{z}^{i}$?, donc dans ce cas, nous avons deux boucles? Ou nous comparons simplement chaque observation avec chaque mesure prévue?, Donc dans ce cas, nous avons une boucle. Je suppose que le capteur peut donner toutes les observations pour tous les points de repère à chaque balayage. L'image suivante illustre le scénario. Maintenant, chaque fois que j'exécute la localisation EKF, je reçois$z^{i} = \{ z^{1}, z^{2}, z^{3}, z^{4}\}$ et j'ai $m$, donc je peux obtenir $\hat{z}^{i} = \{ \hat{z}^{1}, \hat{z}^{2}, \hat{z}^{3}, \hat{z}^{4}\}$. Pour passer à l'étape de l'innovation, c'est ce que j'ai fait

$$Z^{1} = z^{1} - \hat{z}^{1} \\ Z^{2} = z^{2} - \hat{z}^{2} \\ Z^{3} = z^{3} - \hat{z}^{3} \\ Z^{4} = z^{4} - \hat{z}^{4} \\ $$ où $Z$est l'innovation. Pour chaque itération, je reçois quatre innovations. Est-ce correct? J'utilise EKF-Localization dans ce livre Probabilistic Robotics page 204.

Oui, c'est correct, compte tenu de deux hypothèses:

1. Chaque mesure est indépendante (c'est-à-dire la distribution (gaussienne) d'observation $z_i$ est sans corrélation avec $z_j$). Habituellement, cette hypothèse est juste (par exemple, mesurer la position des points de repère avec un scanner laser).

2. L'association des données est connue. En d'autres termes, vous "saviez juste" que votre première observation était en fait une observation du point de repère 1. Par conséquent, vous pouvez simplement calculer l'innovation avec l'observation prédite générée par le point de repère 1. Ne pas savoir à quel point de repère appartient l'observation est l'endroit où le double Dans ce cas, vous devez comparer l'observation avec les observations prévues de tous * les autres points de repère, et choisir celle qui est la plus probable **, en utilisant une métrique telle que la distance de Mahalanobis.

* Vous pouvez probablement accélérer cela en le comparant uniquement à des points de repère estimés être dans le champ de vision du capteur.

** Ceci n'est qu'une méthode d'association de données. D'autres (par exemple, la compatibilité conjointe) existent.