In our context, the observations of

In our context, the observations of the robot are images captured over time, which are then
converted to coordinates (x, y, z) in a predefined coordinate system using above matching
procedure. However, in indoor environment, the scene does not always change significantly.
Consecutive scenes could repeat when the robot moves. Therefore, the performance of image
matching is not good. Sometimes, a current observation could be matched with a very
far forward / backward image that makes incorrect localization of the robot. To overcome
this problem, we propose to use a Kalman filter to correct the position of the robot from
observation as shown Fig. 16. A Kalman filter is one of the most popular techniques to
improve SLAM results.
In our context, we suppose that the robot moves in a flat plane, so the z coordinate of
the robot is constant then we can ignore it. The state vector of the robot at a given time k
is simply presented by its coordinates and velocity in two directions x and y. Observation
vector is defined at each time where the image matching is found, the position of the robot
could be estimated. We use this information as observation in Kalman filter. State transition
model Fk allows to predict the state vector at time k + 1:

Kết quả (Việt) 1:

Trong bối cảnh của chúng tôi, các quan sát của các robot là những hình ảnh bị bắt theo thời gian, sau đóchuyển đổi sang tọa độ (x, y, z) trong một hệ tọa độ được xác định trước việc sử dụng ở trên phù hợp vớithủ tục. Tuy nhiên, trong môi trường hồ, trong bối cảnh đó không luôn luôn thay đổi đáng kể.Liên tục cảnh có thể lặp lại khi các robot di chuyển. Do đó, hiệu suất của hình ảnhkết hợp là không tốt. Đôi khi, một quan sát hiện tại có thể được kết hợp với một rấthình ảnh đến nay chuyển tiếp / lạc hậu làm cho địa phương hoá không chính xác của các robot. Để khắc phụcvấn đề này, chúng tôi đề xuất để sử dụng một bộ lọc Kalman để điều chỉnh vị trí của các robot từquan sát như là hiển thị hình 16. Một bộ lọc Kalman là một trong các kỹ thuật phổ biến nhất đểcải thiện kết quả SLAM.Trong bối cảnh của chúng tôi, chúng tôi giả sử rằng các robot di chuyển trong một mặt phẳng phẳng, vì vậy tọa độ z củaCác robot là hằng số, sau đó chúng tôi có thể bỏ qua nó. Các véc tơ nhà nước của các robot tại một thời gian nhất định kchỉ đơn giản là được trình bày bởi các tọa độ và vận tốc trong hai hướng x và y. quan sátvector được xác định tại mỗi thời điểm nơi hình ảnh kết hợp được tìm thấy, vị trí của các robotcó thể được ước tính. Chúng tôi sử dụng thông tin này như là quan sát trong Kalman lọc. Nhà nước chuyển tiếpMô hình Fk cho phép để dự đoán các véc tơ nhà nước tại thời gian k + 1:

Kết quả (Việt) 2:

Trong bối cảnh của chúng tôi, những quan sát của robot là hình ảnh được chụp theo thời gian, sau đó được
chuyển đến tọa độ (x, y, z) trong một hệ thống phối hợp được xác định trước bằng cách sử dụng ở trên phù hợp với
quy trình. Tuy nhiên, trong môi trường trong nhà, cảnh không phải luôn luôn thay đổi đáng kể.
Cảnh liên tiếp có thể lặp lại khi di chuyển robot. Do đó, hiệu suất của hình ảnh
phù hợp là không tốt. Đôi khi, một quan sát hiện tại có thể được kết hợp với rất
hình ảnh xa về phía trước / lạc hậu mà làm cho nội địa hóa không chính xác của robot. Để khắc phục
vấn đề này, chúng tôi đề xuất sử dụng một bộ lọc Kalman chính xác vị trí của robot từ
quan sát như hình. 16. Một bộ lọc Kalman là một trong những kỹ thuật phổ biến nhất để
cải thiện kết quả SLAM.
Trong bối cảnh của chúng tôi, chúng tôi cho rằng các chuyển động robot trong một mặt phẳng, do đó z phối hợp của
các robot là liên tục sau đó chúng ta có thể bỏ qua nó. Các vector trạng thái của robot tại một thời điểm nhất định k
chỉ đơn giản được trình bày bởi các toạ độ và vận tốc của nó theo hai hướng x và y. Quan sát
vector được định nghĩa tại mỗi thời gian, nơi các khớp hình ảnh được tìm thấy, vị trí của robot
có thể được ước tính. Chúng tôi sử dụng thông tin này khi quan sát trong bộ lọc Kalman. Nhà nước chuyển đổi
mô hình Fk cho phép dự đoán các vector nhà nước tại thời điểm k + 1: