Mapeo y localización

En este ejemplo se muestra cómo crear un mapa de un entorno mediante lecturas del sensor de distancia y poses del robot para un robot de tracción diferencial. Puede crear un mapa a partir de las lecturas del sensor de distancia que están simuladas mediante el objeto rangeSensor. El modelo de movimiento differentialDriveKinematics simula cómo el robot se traslada por el recinto en función de los comandos de velocidad. El objeto rangeSensor proporciona las lecturas de distancia en función de la pose del robot a medida que avanza por la ruta.

El filtro de partículas es un algoritmo de estimación bayesiano recursivo basado en muestreo, implementado en el objeto stateEstimatorPF. En este ejemplo, se realiza el seguimiento de un robot similar a un automóvil por control remoto en el entorno al aire libre. La medición de la pose del robot se proporciona con datos de GPS integrado, con ruido. Se envían comandos de movimiento conocidos al robot, pero el robot no ejecutará el movimiento exacto indicado por comando, debido a holguras mecánicas o inexactitudes del modelo. Este ejemplo mostrará cómo utilizar stateEstimatorPF para reducir los efectos del ruido en los datos de medición y obtener una estimación más precisa de la pose del robot. El modelo cinemático del robot similar a un automóvil está descrito por el siguiente sistema no lineal. El filtro de partículas es ideal para estimar el estado de este tipo de sistemas, ya que es capaz de manejar las no linealidades inherentes.

Este ejemplo utiliza reinforcement learning basado en el gradiente de políticas determinísticas profundo (DDPG) para desarrollar una estrategia que permita a un robot móvil evadir obstáculos. Para ver un breve resumen del algoritmo DDPG, consulte Deep Deterministic Policy Gradient (DDPG) Agents (Reinforcement Learning Toolbox).