Realmente no veo cómo un ingeniero de robótica podría llamarse a sí mismo que sin una comprensión profunda de CS, realmente, consideremos el problema de la localización, un robot en realidad no puede inferir su ubicación solo de los datos del sensor, de hecho, el problema probabilístico más básico en robótica es determinar la pose del robot en relación con un mapa y actualizar esto, este es un problema perpetuo que requiere ser resuelto, nuevamente debe tener en cuenta que aunque los robots pueden obtener datos a través de sensores, el robot debe inferir la pose del robot y las lecturas del sensor son solo uno de los parámetros utilizados para inferir la pose del robot (este es un problema continuo que debe resolverse) y es el problema más fundamental en robótica ya que sin esta muy pequeña programación de robótica se puede hacer
Los datos del sensor por sí solos son insuficientes para mantener la pose del robot en relación con un mapa y puede pensar en la localización como una transformación del espacio del robot local al espacio de coordenadas global, de hecho, la pose del robot se infiere de los datos del sensor, de hecho, incluso para localizar el robot se requeriría una grilla de ocupación (que es básicamente un mapa probabilístico del entorno) básicamente en lugar de contener características que contendrían o se parecerían a un contenedor 2D con la probabilidad asociada de la presencia de un obstáculo en cada ubicación. P.ej. Es un mapa probabilístico de un entorno que es mucho más útil para un robot que un mapa básico. Podría decidir modelar el problema como un problema de teoría de grafos
(bel (xt − 1), ut, zt, m):
para todos los xt do
bel (xt) = p (xt | ut, xt − 1, m) bel (xt − 1) dxt − 1
bel (xt) = η p (zt | xt, m) bel (xt)
fin para
return bel (xt)
- ¿Qué debo elegir: matemáticas e informática (curso integrado de 5 años de M.Tech), minería, petróleo en ISM, minería (doble titulación) o agricultura en IIT KGP?
- Cómo apreciar la importancia de la 'física computacional'
- ¿Dónde puede alguien interesado en Informática Teórica continuar su investigación después del doctorado, aparte de unirse a las escuelas como docente?
- ¿Cuáles son los requisitos previos de la escuela para la licenciatura en informática?
- ¿Cuál es el proceso paso a paso para que un estudiante de ECE aprenda informática?
Básicamente, esta es la forma más simple de localización estadística de robots que se conoce comúnmente como Localización de Markov .
Básicamente, esto usa una densidad de creencia, [math] bel (xt), [/ math] para inferir la posición del robot, se modela como una densidad de creencia probabilística con algunas condiciones límite iniciales que normalmente se determinan a partir de algún valor inicial:
[matemática] bel (X0) = det (2πΣ) ^ (- 1/2) exp (- 1/2 (x0 −x¯ 0) T Σ −1 (x0 −x¯ 0)) [/ matemática]
[math] bel (X0) [/ math] se inicializaría utilizando una distribución gaussiana (distribución normal)
Esta es la forma más simple de algoritmo de localización que resuelve el problema de localización del robot. Es una implementación recursiva que usa bel(xt)
para inferir bel(xt-1).
A medida que el robot se mueve, multiplica su creencia bel (x0) por p (zt | xt, m), como se indica en el algoritmo,
A medida que el robot usa sus sensores, multiplica su creencia bel(x0) by p(zt | xt, m)
. La densidad superior está representada por p(zt | xt, m)
. La densidad más baja es el resultado de multiplicar esta densidad en la creencia previa uniforme del robot (a priori). Nuevamente, la creencia resultante es multimodal, lo que indica la incertidumbre del robot. A medida que el robot se mueve, el algoritmo de localización de Markov involucra su creencia con el modelo de movimiento p(xt | ut, xt−1)
. El modelo de movimiento p(xt | ut, xt−1)
no se centra en una sola pose, sino en una serie de poses centradas en el resultado esperado de una pose libre de ruido (una pose libre de perturbaciones), en cualquier caso, la mejor práctica sería requiere el uso de aproximadamente 1000 partículas en el algoritmo de IA para obtener el mejor resultado posible para la creencia libre de ruido, tenga en cuenta que la pose resultante producida por el algoritmo es, en el mejor de los casos, una creencia y todavía hay una cantidad de incertidumbre en la solución pero es una solución que minimiza la incertidumbre, es mejor usar la localización de Markov para estimar la pose del robot que inferir la pose del robot solo a partir de los datos del sensor.
De nuevo, este es el problema más fundamental para resolver en robótica, la localización de Markov es la forma más simple de algoritmo de localización y, con todo esto en mente, un ingeniero en robótica sería superficial sin el conocimiento de CS.