La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Mapeo y localización

Mapeo con escaneo de LiDAR y localización por filtro de partículas

Cree mapas de entornos utilizando cuadrículas de ocupación y realice localización mediante un algoritmo de estimación bayesiano recursivo basado en muestreo utilizando los datos del sensor de LiDAR desde el robot.

Funciones

expandir todo

Aplicación

`binaryOccupancyMap`	Create occupancy grid with binary values
`getOccupancy`	Get occupancy value of locations
`inflate`	Agrandar cada ubicación ocupada
`move`	Move map in world frame
`occupancyMatrix`	Convierta una cuadrícula de ocupación en una matriz
`raycast`	Compute cell indices along a ray

Escaneo láser

`lidarScan`	Crear un objeto para almacenar el escaneo de LiDAR 2D
`plot`	Display laser or lidar scan readings
`removeInvalidData`	Remove invalid range and angle data
`transformScan`	Transform laser scan based on relative pose

Localización

`stateEstimatorPF`	Create particle filter state estimator
`initialize`	Initialize the state of the particle filter
`predict`	Predict state of robot in next time step
`correct`	Adjust state estimate based on sensor measurement
`getStateEstimate`	Extract best state estimate and covariance from particles

Temas

Aplicación

Cuadrículas de ocupación
Detalles de la funcionalidad de cuadrícula de ocupación y la estructura de mapa.

Estimación de estados

Particle Filter Parameters
To use the stateEstimatorPF particle filter, you must specify parameters such as the number of particles, the initial particle location, and the state estimation method.
Particle Filter Workflow
A particle filter is a recursive, Bayesian state estimator that uses discrete particles to approximate the posterior distribution of the estimated state.

Ejemplos destacados

Crear mapas con poses conocidas

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.

Abrir script en vivo

Realizar el seguimiento de un robot similar a un automóvil utilizando un filtro de partículas

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.

Abrir script en vivo

Evadir obstáculos con reinforcement learning para robots móviles

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) Agent (Reinforcement Learning Toolbox).

Abrir script en vivo