Monte-Carlo Lokalisation im RoboCup: Ein Ansatz ohne Farbklassifikation

1
Monte-Carlo Lokalisation im RoboCup Ein Ansatz
ohne Farbklassifikation
Zwischenvortrag Diplomarbeit Informatik IX TU
München 23. Mai 2002
Dirk Neumann neumannd_at_in.tum.de Betreuer Thorste
n Schmitt, Robert Hanek
2
Agenda

• Probleme und Prinzipien
• Lösungsansatz 1 (Punkte)
• Lösungsansatz 2 (Halcon)
• Probleme II

3
Problem
?(x, y, ?)
4
Bayes

• p (Zylinderpose) ?
• Bildmodellp (pose t1) ? p (imagepose) ? p
  (pose t)
• Odometriemodellp (pose t1) ? p (?pose) ? p
  (pose t)pose t1 pose t ?pose

5
Agenda

• Probleme und Prinzipien
• Lösungsansatz 1 (Punkte)
• Lösungsansatz 2 (Halcon)
• Probleme II

6
Lösung 1 Punktmodell
7
Lösung 1 Farbmodell
8
Lösung 1 Likelihood

• p (imagepose) ? p (colorpixel)

9
Lösung 1 Likelihood
10
Agenda

• Probleme und Prinzipien
• Lösungsansatz 1 (Punkte)
• Lösungsansatz 2 (Halcon)
• Probleme II

11
Lösung 2 Halcon
12
Lösung 2 Halcon

• p (imagepose) ? max (p (distmarker))

13
(No Transcript)
14
(No Transcript)
15
(No Transcript)
16
(No Transcript)
17
(No Transcript)
18
Agenda

• Probleme und Prinzipien
• Lösungsansatz 1 (Punkte)
• Lösungsansatz 2 (Halcon)
• Probleme II

19
Probleme II

• Korrelation zwischen Merkmalen
• Symmetrie der Likelihood
• Linien, Rasen?
• Positionsschätzung aus Partikelverteilung

20
Zusammenfassung

• Farbverteilung
• Bayes-Filterung Monte-Carlo-Methode
• Halcon-Ansatz scheint zu funktionieren
• Punktmodellierung ?

21
(No Transcript)
22
Vielen Dank.
Manchester U
23
Mechatronik, DLR
24
Gegenfarbraum
25
Spielfeldmodell
26
(No Transcript)
27
(No Transcript)
28
(No Transcript)
29
(No Transcript)
30
(No Transcript)
31
(No Transcript)
32
(No Transcript)