langkah inovasi ekf lokalisasi?

Katakanlah kita memiliki banyak pengamatan dari sensor dan kita memiliki peta di mana kita bisa mendapatkan pengukuran yang diprediksi untuk landmark. Dalam lokalisasi EKF dalam langkah koreksi, haruskah kita membandingkan setiap pengamatan dengan seluruh pengukuran yang diprediksi ?, Jadi dalam hal ini kita memiliki dua loop? Atau kita hanya membandingkan setiap pengamatan dengan setiap pengukuran yang diprediksi?, Jadi dalam hal ini kita memiliki satu loop. Saya menganggap sensor dapat memberikan semua pengamatan untuk semua landmark setiap pemindaian. Gambar berikut ini menggambarkan skenario. Sekarang setiap kali saya menjalankan EKF-Lokalisasi, saya mendapatkan dan saya memiliki , jadi saya bisa mendapatkan$z^{i}$$\hat{z}^{i}$$z^{i}$$\hat{z}^{i}$$z^{i} = \{ z^{1}, z^{2}, z^{3}, z^{4}\}$$m$$\hat{z}^{i} = \{ \hat{z}^{1}, \hat{z}^{2}, \hat{z}^{3}, \hat{z}^{4}\}$ . Untuk mendapatkan langkah inovasi, inilah yang saya lakukan mana adalah inovasi. Untuk setiap iterasi saya mendapatkan empat inovasi. Apakah ini benar? Saya menggunakan EKF-Pelokalan dalam buku ini Probabilistic Robotics halaman 204.

$$Z^{1} = z^{1} - \hat{z}^{1} \\ Z^{2} = z^{2} - \hat{z}^{2} \\ Z^{3} = z^{3} - \hat{z}^{3} \\ Z^{4} = z^{4} - \hat{z}^{4} \\ $$ $Z$

Ya ini benar, mengingat dua asumsi:

1. Setiap pengukuran independen (yaitu, distribusi (Gaussian) pengamatan tidak berkorelasi dengan ). Biasanya ini adalah asumsi yang adil (misalnya, mengukur posisi landmark dengan pemindai laser).$z_i$$z_j$

2. Asosiasi data diketahui. Dengan kata lain, Anda "baru tahu" bahwa pengamatan pertama Anda sebenarnya adalah pengamatan tengara 1. Oleh karena itu Anda bisa menghitung inovasi dengan pengamatan yang diprediksi yang dihasilkan oleh tengara 1. Tidak tahu apa tengara pengamatan milik adalah di mana ganda loop masuk. Dalam hal ini, Anda perlu membandingkan pengamatan dengan observasi yang diprediksi dari semua * landmark lainnya, dan pilih salah satu yang paling mungkin **, menggunakan metrik seperti jarak Mahalanobis.

* Anda mungkin dapat mempercepat ini dengan hanya membandingkannya dengan landmark yang diperkirakan berada di bidang pandang sensor.

** Ini hanyalah salah satu metode asosiasi data. Lainnya (misalnya, kompatibilitas bersama) ada.