Entropy-Filter

Wie oben bereits erwähnt wird die Markov-Annahme in dynamischen Umgebungen verletzt. Durch eine größere Menschenmenge, die sich über längere Zeit vor dem Roboter befindet, könnte impliziert werden, der Roboter stehe vor einer Wand. Um diesen Effekt auszuschließen wurde die Entropy ausgenutzt. Es werden nur solche Sensordaten verarbeitet, die die Wahrscheinlichkeit, sich an Position zu befinden, erhöhen. Die Entropy der Verteilung muß also gesenkt werden. Die Entropy einer Verteilung ist definiert als:

$$H(P):=-\int P(\xi )\log P(\xi )d\xi .$$

Daraus ergibt sich der Entropygewinn für einen Sensorwert in der aktuellen Position:

$$\Delta H(P\vert o_{i}):=H(P(\xi ^{t}\vert o^{t}_{i}))-H(P(\xi ^{t-1})).$$

Alle für die gilt können zur Berechnung verwendet werden, da sie den Glauben in die aktuelle Position nicht verringern. Experimente haben gezeigt, daß die Lokalisierung selbst in hochfrequentierten Umgebungen (Abdeckung über 50% der Sensoren) ein ausreichendes Ergebnis liefert. Wenn die Positionierung aber einmal verloren wurde, können mit diesem Verfahren Probleme bei der Relokalisierung entstehen.