Monte-Carlo Lokalisation im RoboCup: Ein Ansatz ohne Farbklassifikation Zwischenvortrag Diplomarbeit Informatik IX TU München 23. Mai 2002 Dirk Neumann 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)]
Lösung 1: Likelihood
Agenda Probleme und Prinzipien Lösungsansatz 1 (Punkte) Lösungsansatz 2 (Halcon) Probleme II
Lösung 2: Halcon
p (image|pose) = [max (p (dist|marker))]
Agenda Probleme und Prinzipien Lösungsansatz 1 (Punkte) Lösungsansatz 2 (Halcon) 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. Manchester U
Mechatronik, DLR
Gegenfarbraum
Spielfeldmodell