Saya mencoba menerapkan perencanaan 'ruang kepercayaan' untuk robot yang memiliki kamera sebagai sensor utamanya. Mirip dengan SLAM, robot memiliki peta titik 3D, dan melokalisasi dengan melakukan pencocokan 2D-3D dengan lingkungan di setiap langkah. Untuk keperluan pertanyaan ini, saya berasumsi bahwa peta tidak berubah.
Sebagai bagian dari perencanaan ruang kepercayaan, saya ingin merencanakan jalur untuk robot yang membawanya dari awal ke tujuan, tetapi dengan cara yang akurasi lokalisasi selalu dimaksimalkan. Oleh karena itu, saya harus mengambil sampel kemungkinan kondisi robot, tanpa benar-benar bergerak di sana, dan pengamatan yang dilakukan robot jika berada di kondisi tersebut, yang bersama-sama (memperbaiki saya jika saya salah) membentuk 'kepercayaan' robot tersebut. , kemudian menyandikan ketidakpastian lokalisasi pada titik-titik tersebut. Dan kemudian perencana saya akan mencoba untuk menghubungkan node yang memberi saya ketidakpastian paling sedikit (kovarians).
Karena ketidakpastian lokalisasi saya untuk robot berbasis kamera ini bergantung sepenuhnya pada hal-hal seperti berapa banyak titik fitur yang terlihat dari lokasi tertentu, sudut tajuk robot, dll.: Saya perlu perkiraan seberapa buruk lokalisasi saya pada sampel tertentu akan, untuk menentukan apakah saya harus membuangnya. Untuk sampai di sana, bagaimana cara menentukan model pengukuran untuk ini, apakah itu model pengukuran kamera atau apakah itu sesuatu yang berkaitan dengan posisi robot? Bagaimana saya 'menebak' pengukuran saya sebelumnya, dan bagaimana saya menghitung kovarians robot melalui pengukuran yang ditebak itu?
EDIT: Referensi utama bagi saya adalah gagasan untuk dengan cepat menjelajahi Pohon Percobaan Acak , yang merupakan perpanjangan dari metode Peta Jalan Belief . Makalah lain yang relevan menggunakan RRBT untuk perencanaan terbatas. Dalam tulisan ini, status sampel mirip dengan RRT konvensional, direpresentasikan sebagai simpul sebagai grafik, tetapi ketika simpul harus dihubungkan, algoritme menyebarkan kepercayaan dari simpul saat ini ke yang baru, (fungsi PROPAGATE dalam bagian V dari 1 ) , dan di sinilah saya terjebak: Saya tidak sepenuhnya mengerti bagaimana saya dapat menyebarkan kepercayaan sepanjang tepi tanpa benar-benar melintasi dan mendapatkan pengukuran baru, sehingga kovarian baru dari lokalisasi. The kertas RRBT mengatakan "prediksi kovarian dan persamaan ekspektasi biaya diimplementasikan dalam fungsi PROPAGATE": tetapi jika hanya prediksi yang digunakan, bagaimana ia tahu, katakanlah, apakah ada fitur yang cukup pada posisi masa depan yang dapat meningkatkan / menurunkan akurasi lokalisasi?