Организация выборочных вычислений

Так как плотность условного распределенияравна нулю для всех со­

стояний, не входящих в области обновления, то результат (6.15) для для этих состояний также равен нулю.

Марковской локализации.

Для обеспечения робастности алгоритма локализации в условиях ошибоч­ных сенсорных данных при реализации рекурсивных вычислений с использо­ваниемвыражения (6.15) предполагается, что априорная вероятность ограничена снизу некоторым малым положительным значени­ем. Данное нижнее пороговое значение устанавливается как - общее число дискретных местоположений на кар­те.

В случае корректных сенсорных данных это предположение не влияет на функционирование алгоритма. Однако, оно помогает «возвратить» алгоритм на фазе согласования к обработке показаний сенсоров предыдущих итераций в следующих случаях:

• данные сенсоров полностью не согласуются с априорной информацией (задача о «похищении» робота - ложная информация о текущем местоположении);

• погрешность показаний сенсоров больше используемой в сенсорной мо­дели из-за непредусмотренных помех.

Такой «возврат» к предыдущим сенсорным данным производится автоматиче­ски, когда вычисляется нормирующий коэффициент в конце фазы согласования.

Полученные на итерации tобласти обновления сокращают вычислительные затраты и при вычислении прогноза в (6.14) на следующей (/ + 1) итерации. Они дают возможность выбрать состоянияоткуда робот мог начать свое перемещение. Таким образом, использование областей обновления в рекурсив­ных выражениях на обеих фазах вероятностной локализации позволяет значи­тельно сократить требуемые на ее реализацию вычислительные ресурсы.

В случае, когда необходимо последовательно выполнить две или более фазы прогнозирования (выражение (6.14)), для сокращения объема вычислений ис­пользуется традиционная методика выборочных вычислений - игнорирование состояний с априорной вероятностью менее некоторого порогового значения. Апостериорная вероятность в таких состояниях задается нулевой.

6.3.2.