EKF-SLAM

크게 Prediction과 Correction

Prediction
1. delta T 동안 이동한 거리 –> 로봇 위치 업데이트

2. 공분산 행렬 구하기
F – 모션 모델에 대해 로봇 위치로 공분산 행렬 구함
– 모션 모델에 대해 로봇 양 바퀴로 공분산 행렬 구함
– 2×2인 모션에러

3. 공분산 행렬 업데이트
계산한 공분산들과 로봇 이동에 대한 에러로 업데이트
111

위의 식이 2번과 3번을 수행한 것이다.

Correction
1. 랜드마크가 관측될 경우
로봇의 위치 xP를 업데이트 한다.

2. Invovation을 구한다.
관측한 값과 이미 갖고 있는 값 사이

 

장소 인식 실험 결과

recall = TP / (TP+TN)
precison = TP / (TP+FP)

예를 들어,
3마리의 동물이 있다. 이 동물들을 고양이, 개로 분류하고 싶다.
첫번째 동물은 고양이인데 고양이라고 판별됬다. (TP ++)
두번째 동물은 사슴인데 고양이로 판별됬다. (NP ++)
세번째 동물은 사슴인데 고양이,개가 아니라고 판별됬다. (TN ++)
recall = 2/3
precision = 1/2

장소인식 성능 – precision과 recall로 표현
예상 결과 –  우리알고리즘의 recall이 더 높을 것, 왜냐하면 특징이 없어도 장소로 정의 가능…

recall(%) precision(%) frames
RTAB-MAP
My algorithm(no use walls)
My algorithm(use walls)

RTAB-MAP에서 장소로 정의 못한 환경에 대해
우리 알고리즘 평가
1번 장소 (벽이 있는 장소)
2번 장소 (누가 가렸다)
3번 장소 (살짝 옆에서 봤다)
4번 장소 (다른 장소)

Place 1 Place 2 Place 3 Place 4
No. of surfaces  5 4 4 6
No. of

a pair of surfaces

5 4 3 2
 

No. of walls

 1  1  1  0
Score with walls  1.2 0.84 0.394  0

현재 실험 상황
2바퀴 주행 후, 1/4 주행
frame으로는 500개