Lokalisierung

Die Umgebung bietet einen Partikelfilter, um die Position des Agenten zu schätzen, wenn dessen genauer Standort unbekannt ist oder wenn mit verrauschten Sensoren navigiert wird.

Partikelfilter

Ein Partikelfilter (PF) ist ein Monte-Carlo-Algorithmus zur Schätzung des Zustands eines Systems. In dieser Umgebung wird er zur Selbstlokalisierung des Agenten auf dem Gitter verwendet.

Funktionsweise

1. Initialisierung: Partikel werden zufällig über das gesamte Gitter verteilt.
2. Prädiktion (Prediction): Wenn sich der Agent bewegt, wird jedes Partikel entsprechend der beabsichtigten Aktion bewegt, wobei die Bewegungsunsicherheit (Rutschen) berücksichtigt wird.
3. Update: Das Gewicht jedes Partikels wird basierend darauf aktualisiert, wie gut die hypothetischen Beobachtungen an der Position dieses Partikels mit den tatsächlichen Sensormessungen übereinstimmen.
4. Resampling: Partikel mit geringen Gewichten werden durch Kopien von Partikeln mit hohen Gewichten ersetzt.

Sensoren

Die Lokalisierung stützt sich auf zwei Hauptsensortypen:

Farbsensor

Der Farbsensor misst die Farbe des Bodens direkt unter dem Agenten. - Genauigkeit: Über die GUI oder das Interface einstellbar (100%, 90%, 80% oder 70%). Standardmäßig beträgt sie 80% (korrekte Farbe). - Rauschen: 20% (gleichmäßig auf die anderen beiden Farben verteilt). - Farben: Weiß (0), Rot (1), Grün (2).

CNN-Klassifikator

Der CNN-Klassifikator wird bei jedem Schritt ausgeführt, unabhängig davon, ob ein Objekt vorhanden ist. Wenn kein Objekt vorhanden ist, wird die Klasse "Hintergrund" vorhergesagt. - Klassen: Hund, Blume, Hintergrund. - Verwendung: Die vom CNN zugewiesene Wahrscheinlichkeit für die Klasse, die sich tatsächlich in der Zelle eines Partikels befindet, wird als Likelihood für dieses Partikel verwendet.

Sensor-Fusion

Bei Verwendung beider Sensoren (sensor_mode='both') kombiniert der Filter die Messungen unter der Annahme, dass sie bei gegebenem Zustand bedingt unabhängig sind. Die Verbundwahrscheinlichkeit (Joint Likelihood) ist das Produkt der einzelnen Likelihoods:

$$p(z_{\text{color}}, z_{\text{cnn}} | s) = p(z_{\text{color}} | s) \cdot p(z_{\text{cnn}} | s)$$

Annahmen

Der Partikelfilter trifft folgende Annahmen über die Umgebung:

Kartenannahme (Map Assumption)

Der Filter verfügt über perfektes Wissen über die Karte. Er kennt: - Die Dimensionen des Gitters. - Die genaue Position aller Wände. - Die Bodenfarbe jeder Zelle. - Die Standorte aller Objekte (Hunde und Blumen).

Bewegungsunsicherheit (Movement Uncertainty)

Der Filter geht von einem stochastischen Bewegungsmodell aus, das der Rutschwahrscheinlichkeit der Umgebung entspricht. Es gibt zwei Arten des Rutschens:

• Senkrechtes Rutschen (Perpendicular Slipping): Der Agent bewegt sich mit einer Wahrscheinlichkeit von $P_{\text{slip}}$ in eine senkrechte Richtung (gleichmäßig auf die beiden senkrechten Richtungen verteilt).
• Längsrutschen (Longitudinal Slipping): Der Agent bewegt sich in die gleiche Richtung, bleibt aber entweder stehen (0 Schritte) oder bewegt sich doppelt so weit (2 Schritte), jeweils mit einer Wahrscheinlichkeit von $P_{\text{slip}} / 2$.
• Beabsichtigte Bewegung: Der Agent bewegt sich mit einer Wahrscheinlichkeit von $1 - P_{\text{slip}}$ genau einen Schritt in die beabsichtigte Richtung.
• Wände: Wenn eine Bewegung gegen eine Wand oder aus dem Gitter heraus führen würde, bleibt der Agent (und damit auch die Partikel) in der aktuellen Zelle.

Messunsicherheit (Measurement Uncertainty)

Der Filter verwendet folgende Likelihood-Modelle: - Farbsensor: $p(z_{\text{color}} | s) = \text{color_sensor_quality}$, wenn die gemessene Farbe $z$ mit der Kartenfarbe am Zustand $s$ übereinstimmt, andernfalls $(1 - \text{color_sensor_quality}) / 2$. - CNN: $p(z_{\text{cnn}} | s) = \text{CNN_prob}(\text{Klasse an Stelle } s)$. Der Filter nimmt an, dass die vom CNN ausgegebene Wahrscheinlichkeit für die wahre Klasse an einem Ort die Likelihood dieses Ortes ist.