课程 23：Project – RunawayRobot

课程 23：Project – RunawayRobot

1.   Welcome to Runaway Robot!

    这节课进入项目阶段，这个项目被称为 Runaway Robot(失控机器人)，范围是追逐一个试图逃走的机器人。第一个版本具有完全的可观测性。你的任务是预测失控机器人的未来状态信息，进一步是如何去捕获它。

2.   练习：Part 1: Noiseless Prediction

    由于没有噪声，可以一步步地模拟，根据第二次测量参数，可以知道heading值，根据第三次测量参数，可以知道turning值，由于知道其运行方式。所以3步就预测正确了下一个位置。

    刚开始的时候，想了多种方法，比如卡尔曼，online_slam之类的，结果反而预测不到。实际上这个场景不适合使用经典卡尔曼过滤法，因为运动方式并不是线性的。

3.   Introduction to AddingNoise

4.   练习：Part 2:Adding Noise

    我假设已知失控机器人的真实轨迹就是一个圆及其运动方式，然后仅根据记录的每次目标测量的结果，使用统计法取得均值，然后用均值进行预测，仅仅几十步，就正确预测了带测量噪声的失控机器人的位置。效果图：

5.   Introduction to the Chase

6.   练习：Part 3: The Chase Begins

    前2次测试都是预测下一步，这次引入了一个hunter bot去捕获。我用统计方式预测值，然后去捕捉，顺利的话，仅仅三十几步就能捕获。也是假设我已知Runaway bot的大概运动方式。如下结果图中，仅用了31步：

7.   Introduction to Chasing witha Plan

8.   练习：Part 4:Chasing with a Plan

    这节跟 Part 3的主要区别在于，Hunt bot的速度变低了，之前是大于Runaway bot的，即使用一步步模拟的方式，仅仅通过模拟当前位置的下一个位置，只要预测足够准确，也能追上Runaway bot。而使Hunt bot的速度低于Runaway bot，就得指定一个计划去追Runaway bot了，比如多预测几步，或者一直呆在一个比较准确的可能被Runaway bot再次路过的点附近。我是假设它一直在做真实的圆周运动，多预测几步，然后跑到最快的可以相遇的点。

     我做的最好的方式，依然是使用统计，得出均值的方式。在测量噪声小的时候，是好用的。下图是一次运行的结果，花了113步：

下图是仅36步就追上了的：

9.   Introduction to the FinalHunt

10. 练习：Part 5: The Final Hunt(Bonus)

    这道有点难，测量噪声太大了。我没有得出很好的值。

    然后回到Part2做测试，也设定测量噪声一样大，然后假设一开始已知heading,turning,speed，measurement_noise的话，加上每次的measurement，用贝叶斯定理，有时可以在几十步的时候，就预测到正确的下一步。仅仅根据 measurement, 我尝试做平滑，得到的平均速度基本大于2，与实际的移动速度1.5有差距。

    下图是在Part2中增大measurement_noise到跟Part5一样，然后预测值，没有预测足够准确。绿点是真实值，红点是measurement值，蓝点是预测值。可以看到蓝点的预测值实际上跟绿点也比较接近了。

    假如用粒子过滤法做的话，事实上前面的一些例子里已经可以看到，粒子过滤时，一般也是设定了跟目标机器人一样的初始值，而仅仅使用每次的measurement值的情况下，用粒子过滤也会面临未知参数的个数较多的问题。

    尝试过采用scipy中的曲线拟合来做，因为我们大概知道目标bot的运动方式，通过部分测量得到的样本数据，得到拟合的曲线的参数（我设置的未知参数是(x0,y0,heading0,turning,speed,sigma)  x0,y0是运动的最初真实起点，heading0是最初的真实heading, sigma是测量时的标准差），然后代入到运动方式的变换方程中，预测下一个值。我是过一定时间就做一次参数拟合。比如测量几十次后，就将从头开始到目前的数据进行拟合。

    结果是用我的这种拟合的方法，在1000步以内几乎得不到好的参数。也比较依赖初始参数，我给定初始参数为正确的初始值进行拟合的时候，有时会在一百多步到几百步预测到正确的下一个值。但是，看得到的最优参数，x0,y0跟真实的有一定偏差，heading0,turning,speed跟初值差不多，sigma很大。。与真实值相去甚远。我的拟合参数相关的函数实现中，跟网上一些函数拟合用的方式有点不一样，我直接加入了高斯误差的计算。

11. Closing Words