Porovnání odhadu rozptylu částicovým a kalmanovým filtrem

Abstract

There are two basic approaches to localization. One way to represent the robot position estimate is parametrically, as the Kalman filter does. The second approach is to represent the estimate by samples from a distribution, which uses a particle filter. We experimentally compared the particle and extended Kalman filters (EKF) for robot localization for nonlinear motion in a planar environment. First, we found for which parameters the particle filter estimate is worse than the Kalman filter estimate. Next, we extended the basic version of resampling in the particle filter with the adaptive importance sampling (AIS) method. Through experiments, we investigated the influence of AIS and for our data concluded that the particle filter extended with AIS provides a better estimate. We described the advantage of the AIS method. 1

Základní přístupy k lokalizaci jsou dvojího druhu. Jednou možností, jak re- prezentovat odhad pozice robota, je parametricky jako to dělá Kalmanův filtr. Druhým přístupem je reprezentace odhadu samply z distribuce, který využívá částicový filtr. Experimentálně jsme porovnávali částicový a rozšířený Kalmanův filtr (Extended Kalman filter, EKF) na lokalizaci robota pro nelineární pohyb v rovinném prostředí. Nejprve jsme našli, pro jaké parametry je odhad částico- vého filtru horší než odhad Kalmanova filtru. Dále jsme rozšířili základní verzi resamplování v částicovém filtru o metodu adaptivního resamplování (adaptive importance sampling, AIS). Prostřednictvím experimentů jsme zkoumali vliv AIS a na našich datech zjistili, že částicový filtr rozšířený o AIS zlepšuje odhad pozice. Popsali jsme jakou výhodu metoda AIS přináší. 1