Bir hack ediyorumsüpürge robot vakumbir mikroişlemci (Arduino) ile kontrol için. Bunu yapmak istiyorumbir odayı temizlerken daha verimli. Şimdilik sadece düz gidin ve bir şey çarptığında çevirin.

Ama sorun bulmak zorundayımen iyi algoritma veya yöntemiçin kullanmakodanın içindeki konumunu biliyor. Karmaşık (bilgisayar görme alanında bir Doktora tezi gerekmez) ucuz Kalır, bir fikir (daha az $100) için değil arıyorum. Gerekirse odadaki bazı ayrık işaretleri ekleyebilirsiniz.

Şu anda, benim robot vardır:

• Bir web kamerası
• Üç yakınlık sensörleri (yaklaşık 1 metre Aralık)
• Pusula (şimdi kullanılan)
• Wi-Fi
• Hızı eğer pil tam dolu veya hemen hemen boş ise değişebilir
• 0* *bir netbook robot gömülür

Bunu yapmak için herhangi bir fikrin var mı? Herhangi bir standart yöntem, bu tür bir sorun var?

Not: Eğer bu soruyu başka bir siteye ait ise, bu, Yığın Taşması daha iyi bir yer bulamadım taşıyın lütfen.

Çevresinde bir robotun pozisyon bulmaktan problemi olarak adlandırılırlocalization. Bilgisayar bilimleri araştırmacıları, sınırlı bir başarı ile uzun yıllar bu sorunu çözmek için çalışıyorlar. Tek sorun, oldukça iyi duyusal girdiler nerede anlamaya ihtiyacımız var, ve kamerası (yani bilgisayarla görme) duyusal girdiler çözülmüş bir sorun olmaktan çok uzaktır.

Seni korkutmak olmadığını: olduğunu anlamak için en kolay buluyorum yerelleştirme için yaklaşımlardan biriparticle filtering. Fikir şöyle:

1. Bir grup takip edersinparçacıklarher ortamda olası bir konumu temsil eder.,
2. Her parçacık aynı zamanda bir ilişkili vardırolasılıkbu parçacık gerçekten bu olayda geçerli konumunuzu temsil eden ne kadar yakın size söyler.
3. Kapalı başlattığınızda, bu parçacıkların hepsi düzgün ortamı dağılmış olması ve eşit olasılıklar verilebilir. Burada robot, gri ve yeşil parçacıklar vardır.
4. Robotun hareket ettiği zamanher parçacık hareket. Ayrıca her parçacığın motorlar aslında robot nasıl hareket belirsizliği temsil etmek için olasılık düşebilir.
5. Robotun bir şey (örneğin bir dönüm noktası web kamerası ile görülen, wifi sinyal, vb.) gözlemler yapabilirsinizbu gözlem ile kabul parçacıklar olasılığını artırır.
6. Ayrıca periyodik olarak en düşük olasılık yeni parçacıklar ile parçacıklar gözlemlerine dayanarak değiştirmek isteyebilirsin.
7. Robot aslında bir karar vermek için, olma olasılığı en yüksek parçacık kullanın, en yüksek olasılık küme, parçacıklar, vb ağırlıklı ortalaması.

Eğer biraz etrafında arama, örnekler bol bulabilirsiniz: örneğin, a video of a robot using particle filtering to determine its location in a small room.

Anlaması çok kolay değil, çünkü partikül filtre güzel. Bu uygulama ve verdiği biraz daha az zor hale getirir. Belki daha fazla teorik olarak sağlam ama başınızın etrafında almak için zor olabilir diğer benzer teknikleri (Kalman filters).