Reinitialisierung / Verteilung von Partikeln #25

New Issue

toni · 2016-11-15T15:09:03+01:00

toni commented

2016-11-15 15:09:03 +01:00

Problembeschreibung:
Durch fehlerhafte Messungen und Timing-Errors kommt es immer wieder vor, dass eine Menge von Partikeln in einem Raum stecken bleibt und nicht mehr zurück kommt, da im Bereich der echten Position keine Partikel mehr befinden, welche gewichtet werden könnten. (Klassisches Problem der Sample Degeneracy)

Diskussion:
Bei einer Reinitialisierung bzw. einem korrigieren, wenn Partikel sich verlaufen haben gibt es mehrere Fragen zu klären:

Wie hoch ist mein aktueller Fehler zum Optimum?
Woher weiß ich damit ob ich mit verlaufen habe?
Welche Schritte muss ich nun einleiten, um mich wieder zu verbessern?

Problembeschreibung: Durch fehlerhafte Messungen und Timing-Errors kommt es immer wieder vor, dass eine Menge von Partikeln in einem Raum stecken bleibt und nicht mehr zurück kommt, da im Bereich der echten Position keine Partikel mehr befinden, welche gewichtet werden könnten. (Klassisches Problem der Sample Degeneracy) Diskussion: Bei einer Reinitialisierung bzw. einem korrigieren, wenn Partikel sich verlaufen haben gibt es mehrere Fragen zu klären: 1) Wie hoch ist mein aktueller Fehler zum Optimum? 2) Woher weiß ich damit ob ich mit verlaufen habe? 3) Welche Schritte muss ich nun einleiten, um mich wieder zu verbessern?

toni commented

2016-11-15 17:32:59 +01:00

Lösungsansätze:

Resampling anpassen:
Partikel Anzahl hat ein Maximum und ein Minimum, aber keinen festen Wert. Wenn System gerade "unsicher", dann ziehe neue Partikel, aber lass alte über. Je sicher, desto mehr Partikel können entfernt werden.
-> Woher weiß ich ob mein System sicher oder unsicher ist? Eventl. über Distanz zwischen den jeweiligen weighted average peaks der einzelnen Evaluations Dichten.
Eventl. könnte man auch die Distanz der aufeinanderfolgenden Estimations nehmen. Sehr hohe Distanzen und sehr niedrige sind eher unwahrscheinlich -> hohe Fehler.
Neue Partikel an eine bestimmte Stelle streuen:
Wir könnten die aktuelle posterior Dichte mit der Dichte vom Wi-Fi vergleichen. Der Kullback-Leibler Abstand gibt die Distanz zwischen zwei Wahrscheinlichkeitsdichten. Er ist nicht symmetrisch, was eventl. Aufschluss über weiteres Verhalten geben könnte.
-> Ich kenne dann zwar den Abstand aber nicht die Richtung. Wie komme ich auf diese? Über den weighted average? Was ist bei multimodalen Dichten? Wenn der Abstand groß genug ist, könnte man einfach ein paar Partikel an den Stellen wo Wi-Fi wahrscheinlich ist, streuen.
Neues Resampling pro Evaluation:
Man könnte für jede Evaluation eigens Partikel an den jeweilig wahrscheinlichsten Stellen normalverteilt / in einem entsprechenden Umkreis streuen. Die Fusion behält Ihren eigenen Resampling Schritt.
Resampling mit zufälliger Streuung:
Zu bestimmten Zeitabständen "Impulse" von Partikeln in alle Richtungen aussenden. Eventl. könnte man das an die Anzahl der Schritte sowie von der Estimation zurückgelegte Distanz koppeln. Wenn Estimation sich kaum bewegt, also 2x hintereinander kleiner als Schrittlänge, dann streue einfach mal um dich herum.

Weitere Ideen?

Lösungsansätze: - Resampling anpassen: Partikel Anzahl hat ein Maximum und ein Minimum, aber keinen festen Wert. Wenn System gerade "unsicher", dann ziehe neue Partikel, aber lass alte über. Je sicher, desto mehr Partikel können entfernt werden. -> Woher weiß ich ob mein System sicher oder unsicher ist? Eventl. über Distanz zwischen den jeweiligen weighted average peaks der einzelnen Evaluations Dichten. Eventl. könnte man auch die Distanz der aufeinanderfolgenden Estimations nehmen. Sehr hohe Distanzen und sehr niedrige sind eher unwahrscheinlich -> hohe Fehler. - Neue Partikel an eine bestimmte Stelle streuen: Wir könnten die aktuelle posterior Dichte mit der Dichte vom Wi-Fi vergleichen. Der Kullback-Leibler Abstand gibt die Distanz zwischen zwei Wahrscheinlichkeitsdichten. Er ist nicht symmetrisch, was eventl. Aufschluss über weiteres Verhalten geben könnte. -> Ich kenne dann zwar den Abstand aber nicht die Richtung. Wie komme ich auf diese? Über den weighted average? Was ist bei multimodalen Dichten? Wenn der Abstand groß genug ist, könnte man einfach ein paar Partikel an den Stellen wo Wi-Fi wahrscheinlich ist, streuen. - Neues Resampling pro Evaluation: Man könnte für jede Evaluation eigens Partikel an den jeweilig wahrscheinlichsten Stellen normalverteilt / in einem entsprechenden Umkreis streuen. Die Fusion behält Ihren eigenen Resampling Schritt. - Resampling mit zufälliger Streuung: Zu bestimmten Zeitabständen "Impulse" von Partikeln in alle Richtungen aussenden. Eventl. könnte man das an die Anzahl der Schritte sowie von der Estimation zurückgelegte Distanz koppeln. Wenn Estimation sich kaum bewegt, also 2x hintereinander kleiner als Schrittlänge, dann streue einfach mal um dich herum. Weitere Ideen?

toni commented

2017-10-11 16:36:08 +02:00

IMMPF-Filter siehe Publikation IPIN 2017

toni closed this issue

2017-10-11 16:36:09 +02:00

This repo is archived. You cannot comment on issues.

1 Participants

Due Date

No due date set.

Dependencies

No dependencies set.

Reference: FHWS/Indoor#25