3. Übungszettel: Stochastische Selbstlokalisation

Ausgabe: 16. Mail 2001
Abgabe: 30. Mai 2001

1. Begriffe (30%)

Erläutert die Grundidee der Selbstlokalisation mit probabilistischen Ansätzen:

• Wozu überhaupt?
• Welche Modelle werden benötigt?
• Welche Daten vom Roboter werden verwendet?

2. Lokalisation mit der Monte-Carlo-Methode und Lego Mindstorms (50%)

Teilaufgabe 1. Baut den im Praktikum gezeigten Roboter oder benutzt ihn gleich selbst. Der Roboter soll über Odometrie verfügen sowie einen Entfernungssensor, der sozusagen ein Bumper mit etwa 10 cm Messbereich ist. Beachtet, dass ihr drei Rotationssensoren benötigt, d.h. ihr braucht einen zusätzlichen aus einem weiteren Kasten. Die Software zur Ansteuerung mit JavaStorms findet ihr hier. Sie realisiert ein wildes Herumfahren des Roboters. Zuvor müsst ihr die Brick-ID in MonteCarlo.java an das Betriebssystem anpassen, das ihr auf euren RCX geladen habt.

Teilaufgabe 2. Baut ein "L" (siehe rechts) aus Mindstorms-Kästen und Deckeln als Umgebung für die Lokalisation. Der Untergrund sollte fest sein, d.h. nach Möglichkeit kein Teppich. Kalibriert die Odometrie auf diesem Untergrund (durch Änderung der Konstanten AXLE_WIDTH und ODO_PER_MM in Robot.java).

Teilaufgabe 3. Erweitert die Methode process in MonteCarlo.java so, dass eine Lokalisation nach der Monte-Carlo-Methode durchgeführt wird. Wenn ihr es richtig macht, sollte sich nach kurzer Zeit eine "Punkt-Wolke" am Bildschirm so ähnlich bewegen, wie der Roboter in dem "L". Diese Synchronität geht aber schnell verloren, sobald der Roboter sich irgendwo verhakt hat, sollte aber dann nach kurzer Zeit wieder etabliert werden.

3. Wo bin ich wirklich? (20%)

Macht Vorschläge, wie man aus einer nach der Monte-Carlo-Methode generierten Verteilung auf die wahrscheinlichste aktuelle Position schließen kann. Begründet eure Vorschläge.