计算配备视觉传感器的机器人的概率置信度的最佳方法是什么？
我正在尝试为以摄像头为主要传感器的机器人实施“信仰空间”计划。与SLAM相似，该机器人具有3D点的地图，并且通过在每个步骤与环境进行2D-3D匹配来进行本地化。出于这个问题的目的，我假设地图没有变化。 作为信念空间规划的一部分，我想为机器人规划从头到尾的路径，但要始终确保其定位精度最大化。因此，我将不得不采样机器人的可能状态，而无需实际移动到那里，并且如果机器人处于这些状态，则机器人将进行观察，这些观察（如果我错了，请纠正我）一起构成了机器人的“信念” ，随后在这些位置编码其定位不确定性。然后我的计划者将尝试连接那些给我带来最小不确定性（协方差）的节点。 由于我对基于摄像头的机器人的定位不确定性完全取决于诸如从给定位置可见多少个特征点，机器人的航向角等问题：我需要估算某个样本上的定位有多“糟糕”确定我是否应该丢弃它。为了到达那里，我如何为此定义测量模型，它是相机的测量模型，还是与机器人位置有关的东西？如何预先“猜测”我的测量值，以及如何通过这些猜测的测量值计算机器人的协方差？ 编辑：对我来说，主要参考是快速探索随机信仰树的想法，它是“ 信仰路线图 ”方法的扩展。另一篇相关论文将RRBT用于受限计划。在本文中，类似于传统RRT一样对状态进行采样，以顶点表示为图形，但是当要连接顶点时，算法会将信念从当前顶点传播到新顶点（第V部分的PROPAGATE函数1） ，这就是我遇到的问题：我不完全了解如何在不实际遍历和获取新度量的情况下沿边缘传播信念，从而从定位获得新的协方差。该RRBT纸 说“协方差预测和成本期望方程是在PROPAGATE函数中实现的”：但是，如果仅使用预测，它怎么知道，例如，未来位置是否有足够的功能可以提高/降低定位精度？