35、基于规则集的联合状态更新与机器人功能发展

基于规则集的联合状态更新与机器人功能发展

1. 基于规则集的联合状态更新（RSJSU）方法

在多目标场景分析中，为了选择性地提高物体姿态估计的准确性，提出了基于规则集的联合状态更新（RSJSU）方法。该方法利用物理约束，结合粒子滤波方法进行联合姿态估计。

1.1 粒子权重与约束问题

在该方法中，使用零均值高斯分布作为粒子的权重，其标准差 $\sigma$ 通过实验确定，公式如下：
$p(r | x[n]_j ) = \frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{1}{2}(\frac{d}{\sigma})^2}$

然而，当使用有限数量的粒子时，基于样本的表示只是一种近似。由于得到完全正确粒子的概率几乎为零，硬约束往往会失效。这种问题在同步定位与地图构建（SLAM）中也会出现，当观测模型比过渡模型精确得多时，就会产生类似的情况。

1.2 异常情况处理

在RSJSU之后，可以根据联合粒子权重的分布，识别关于“支撑”对象或“自包含”状态的假设是否错误。如果所有粒子的权重都非常低，说明假设错误，此时RSJSU的结果不应纳入场景分析。但这种情况可以作为进一步研究场景的起点，例如可以推测有物体被遗漏，并将通用感知规划策略应用于可能存在未知物体的区域，还可以利用物理引擎估计未知物体的特征和参数。

2. 实验结果

为了验证RSJSU方法的有效性，进行了一系列实验。

2.1 现实场景实验

在一个现实场景中，桌子上放置了多个物体，以此作为RSJSU的测试场景。通过机器人摄像头获取立体图像，并进行识别结果的投