Wahrscheinlichkeitstheoretische Wahrnehmungsmodelle

Wahrscheinlichkeitstheoretische Messungsmodelle

Einfache Sprache

Wahrscheinlichkeitstheoretische Messungsmodelle beschreiben die Prozesse, wie Messungen durch Sensoren in der physischen Welt funktionieren. Die Besonderheit der Wahrscheinlichkeitstheoretische Messungsmodelle ist dabei, dass sie die Messunsicherheit und Messfehler mit berücksichtigen.

Def. Wahrscheinlichkeitstheoretische Messungsmodelle

Ziel der Wahrscheinlichkeitstheoretische Messungsmodelle ist das modellieren der Wahrnehmungswahrscheinlichkeit $p(z_t\mid x_t,m)$. $z_t$ ist die Wahrnehmung, $x_t$ ist der Zustand bzw. die Roboterpose und $m$ eine Karte.

Besteht die Wahrnehmung aus $K$ einzelnen Werten $z_t^k$ mit $1\leq k \leq K$, z.B. einzelnen Entfernungen eines Lidar, so wird die Wahrnehmungswahrscheinlichkeit als Produkt der einzelnen Werte gebildet. Also

$$p(z_t\mid x_t,m) = \prod_{k=1}^K p(z_t^k\mid x_t,m)$$

Modelle

• Forward sensor model
  • Beam-based sensor model
  • Likelihood-fields-based sensor model
  • Feature-based sensor model
  • Correlation-Based Measurement Model
• Inverse Wahrscheinlichkeitstheoretische Wahrnehmungsmodelle