Particle Filter Localization Using Noisy Models

One of the most fundamental functions required for an intelligent agent is to estimate its current position based upon uncertain sensor data. In this paper, we explain the implementation of a robot localization system using Particle filters, which are the most effective one of the probabilistic localization methods, and then present the result of experiments for evaluating the performance of our system. Through conducting experiments to compare the effect of the noise-free model with that of the noisy state transition model considering inherent errors of robot actions, we show that it can help improve the performance of the Particle filter localization to apply a state transition model closely approximating the uncertainty of real robot actions.

잡음 모델을 이용한 파티클 필터 측위

지능형 에이전트에게 요구되는 가장 기초적인 기능 중의 하나가 불확실한 센서 데이터에 의존하여 자신의 현재 위치가 어디인지를 파악하는 일이다. 본 논문에서는 가장 효과적인 확률 기반의 측위 기법인 파티클 필터를 실제 로봇 측위에 적용한 로봇 측위 시스템의 구현에 대해 설명하고, 성능 평가를 위한 실험의 결과를 소개한다. 특히 비-잡음 상태 전이 모델과 로봇 동작의 오차를 고려한 잡음 모델간의 비교 실험을 통해, 실제 로봇 동작의 불확실성에 근사한 상태 전이 모델이 파티클 필터 측위의 성능 개선에 도움이 될 수 있음을 보인다.