The role of the covariance matrix i

The role of the covariance matrix is to represent the uncer-
tainty, to first order, in all the quantities in the state vector.
Feature estimates Ý can be freely added to or deleted from
the map as required, Ü and È growing or shrinking dynam-
ically. In normal operation, Ü and È change in two steps:
1. during motion, a prediction step uses a motion model
to calculate how the robot (or camera) moves and how its
position uncertainty increases; 2. when feature measure-
ments are obtained, a measurement model describes how
map and robot uncertainty can be reduced.
The critical importance of maintaining a full covariance
matrix È, complete with off-diagonal elements, has been ir-
refutably proven in SLAM research. These elements repre-
sent the correlation between estimates which is always in-
herent in map-building. The typical situation is that clusters
of close features will have position estimates which are un-
certain in the world reference frame but highly correlated
with one another — their relative positions are well known.
Holding correlation information means that measurements
of any one of this cluster correctly affects the estimates of
the others, and is the key to being able to re-visit and recog-
nise known areas after periods of neglect.
Successful SLAM approaches have generally operated
using not vision but specialised sensors such as laser range-
finders, and in somewhat restricted conditions including
2D planar robot movement and/or mapping, known robot
control inputs and accurately-modelled dynamics. In vi-
sion, Davison and Murray [6] made early progress in full-
covariance mapping using active stereo and Davison and
Kita [5], in perhaps the first work on SLAM in full 3D, used

Kết quả (Việt) 2:

Vai trò của ma trận hiệp phương sai là đại diện cho mờ đó
không chắc, fi đầu tiên theo thứ tự trong tất cả các số lượng trong các vector nhà nước.
Tính năng ước tính Ý có thể được tự do thêm vào hoặc xóa khỏi
bản đồ theo yêu cầu, Ü và È phát triển hoặc thu hẹp lại dynam -
ically. Trong hoạt động bình thường, Ü và È thay đổi theo hai bước:
1. trong quá trình chuyển động, một bước dự đoán sử dụng một mô hình chuyển động
để tính toán như thế nào robot (hoặc camera) di chuyển và làm thế nào nó
tăng vị trí không chắc chắn; 2. khi tính năng lường
sở đang thu được, một mô hình mô tả cách đo
bản đồ và robot không chắc chắn có thể được giảm.
Tầm quan trọng của việc duy trì một hiệp biến đầy đủ
ma trận È, với đầy đủ các yếu tố off-chéo, đã được ir-
refutably đã được chứng minh trong nghiên cứu SLAM . Những yếu tố diện
gửi các mối tương quan giữa dự toán mà luôn luôn là trong-
Herent trong bản đồ xây dựng. Các tình huống điển hình là cụm
các tính năng gần sẽ có ước tính vị trí đó là un-
nhất định trong khung tham chiếu thế giới nhưng liên quan chặt chẽ
với nhau -. vị trí tương đối của họ cũng được biết đến
thông tin Giữ mối liên hệ có nghĩa là phép đo
của bất kỳ một trong những cụm sao này một cách chính xác ảnh hưởng đến các ước tính của
những người khác, và là chìa khóa để có thể lại đến thăm và recog-
vùng nise biết sau một thời gian bỏ bê.
SLAM cách tiếp cận thành công nói chung đã hoạt động
sử dụng không nhìn nhưng cảm biến chuyên ngành chẳng hạn như laser range-
nders fi, và trong phần nào bị hạn chế điều kiện bao gồm cả
chuyển động 2D phẳng robot và / hoặc lập bản đồ, robot biết
đầu vào điều khiển và động lực chính xác-mô hình. Trong vi-
sion, Davison và Murray [6] đã tiến bộ đầu tiên trong toàn thời
lập bản đồ bằng cách sử dụng phương sai stereo tích cực và Davison và
Kita [5], trong có lẽ là công việc đầu tiên fi trên SLAM toàn 3D, sử dụng