学年第一学期第十二讲机器人导论.pptVIP

自主地图创建/Autonomous Map Building随机地图技术/Stochastic Map Technique 叠放的系统状态向量: 状态的协方差矩阵: 5.8.1 自主地图创建/Autonomous Map BuildingExample of Feature Based Mapping (EPFL) 5.8.1 环状的环境/Cyclic Environments 小的局部误差累积成任意大的全局误差! 对导航没有太大关系 然而, 当环是封闭时, 全局误差就成问题了 5.8.2 Courtesy of Sebastian Thrun 动态环境/Dynamic Environments 动态变化需要连续作图 若可能提取高层特征，动态环境的作图更为容易 e.g. 人与墙之间的差异 环境建模对于鲁棒性是至关重要的因素 5.8.2 地图创建/Map Building:探索与土创建/Exploration and Graph Construction 1. 探索 - 提供正确的拓扑 - 必须识别已经访问过的位置 - 回溯未访问的位置 2. 图创建 节点放在哪里? 基于拓扑的地图: at distinctive locations Metric-based: where features disappear or get visible 5.8 其它定位方法之三对接/Positioning Beacon Systems: Docking 5.7.3 其它定位方法之四条形码/Positioning Beacon Systems: Bar-Code 5.7.3 其它定位方法之五定位信标系统/Positioning Beacon Systems 5.7.3 ? R. Siegwart, I. Nourbakhsh 2012-2013学年第一学期第十二讲机器人导论 王国利 信息科学与技术学院 中山大学 卡尔曼滤波器定位/Kalman Filter Localization 5.6.3 卡尔曼滤波器/Introduction to Kalman Filter (3) 动态预测 (机器人移动) u = velocity  w = noise 运动状态估计（离散） 进一步融合 5.6.3 Kalman Filter for Mobile Robot Localization机器人位置预测/Robot Position Prediction 第一步, k+1 时刻机器人的位置是根据上一次位置以及 控制输入 u(k) 产生的运动所确定: f: 航迹函数 5.6.3 Kalman Filter for Mobile Robot Localization机器人位置预测/Robot Position Prediction: Example 5.6.3 f: 航迹函数 Kalman Filter for Mobile Robot Localization观测/Observation 第二步，在k+1时刻从机器人传感器获得观测 Z(k+1) 通常包含一组不同传感器提取出的信号 zj(k+1) 可以表示裸数据，或者线、门，或路标等特征 目标参数通常在传感器坐标系{S}观测获得的 因此观测必须变换到世界坐标系 {W} 下，或者 测量预测必须变换到传感器坐标系 {S}中. 由函数 hi 确定变换 5.6.3 Kalman Filter for Mobile Robot Localization观测/Observation: Example 激光扫描的裸数据 提取的直线 模型中提取的直线 Sensor (robot) frame 5.6.3 Kalman Filter for Mobile Robot Localization测量预测/Measurement Prediction 在下一步，采用预测的机器人位置 和地图 M(k) 生成多个预测观测 zt 将他们变换到传感器坐标系下 定义测量预测为以下包含 ni 预测测量 函数 hi 是世界坐标到传感器坐标的变换 5.6.3 Kalman Filter for Mobile Robot Localization测量预测/Measurement Prediction: Example 对于预测, 只有在机器人视场内的墙被选择 可以通过连接单个直线到路径节点实现 5.6.3 Kalman Filter for Mobile Robot Localization测量