Monte-Carlo Lokalisation im RoboCup: Ein Ansatz ohne Farbklassifikation

Zwischenvortrag Diplomarbeit

Informatik IX

TU München

23. Mai 2002 Dirk Neumannneumannd@in.tum.de

Betreuer:Thorsten Schmitt, Robert Hanek

Agenda

Probleme und Prinzipien

Lösungsansatz 1 (Punkte)

Lösungsansatz 2 (Halcon)

Probleme II

Problem:

?(x, y, )

Bayes

p (Zylinder|pose) ?

Bildmodell:p (pose [t+1]) p (image|pose) p (pose [t])

Odometriemodell:p (pose [t+1]) p (pose) p (pose [t])pose [t+1] = pose [t] + pose

Agenda

Probleme und Prinzipien

Lösungsansatz 1 (Punkte)

Lösungsansatz 2 (Halcon)

Probleme II

Lösung 1: Punktmodell

Lösung 1: Farbmodell

Lösung 1: Likelihood

• p (image|pose) = [p (color|pixel)]

Agenda

Probleme und Prinzipien

Lösungsansatz 1 (Punkte)

Lösungsansatz 2 (Halcon)

Probleme II

Lösung 2: Halcon

Lösung 2: Halcon

• p (image|pose) = [max (p (dist|marker))]

Agenda

Probleme und Prinzipien

Lösungsansatz 1 (Punkte)

Lösungsansatz 2 (Halcon)

Probleme II

Probleme II

Korrelation zwischen Merkmalen

Symmetrie der Likelihood

Linien, Rasen?

Positionsschätzung aus Partikelverteilung

Zusammenfassung

Farbverteilung

Bayes-Filterung + Monte-Carlo-Methode

Halcon-Ansatz scheint zu funktionieren

Punktmodellierung ?

Vielen Dank.Vielen Dank.

Manchester U

Mechatronik, DLR

Gegenfarbraum

Spielfeldmodell