开题报告_gx_室内机器人的视觉定位与建图讲述.pptxVIP

室内机器人的视觉定位与建图 清华大学博士生开题报告 博士生：高翔 导师：宋靖雁 教授 指导老师：张涛 教授 清华大学自动化系 导航中心 2015.4 提纲 选题背景 相关研究 研究内容与创新点 进度安排 已有成果 1.选题背景 1.选题背景 协同定位与建图 Simultaneous Localization and Mapping 1.选题背景 机器人 搭载各种传感器的移动平台 激光、相机、声呐、深度相机等 轨迹 地图 1.选题背景 SLAM 自主机器人的核心技术； 21世纪机器人领域发展最快的十大技术之一； 机器人研究领域的圣杯 [Adam14]； 应用：导航、远程操作、服务、生产等。 已有三十多年的研究（86年起） 仍处于研究室阶段，未在市场上利用 原因：理论假设较为简单，而实际环境复杂多变 [Adam14]: Adams M, Vo B N, Mahler R, et al. Slam gets a phd: New concepts in map estimation. IEEE Robotics Automation Magazine, 2014, 21(2):26–37. 1.选题背景 SLAM Sensor Laser Camera Sonar Localization Feature Registration Mapping Metric Topological Loop Closure Appearance Learning Advanced Topics Dynamic Multi-robot SLAM并不是单一的某个算法，它是一个具有许多子问题的系统。 2.相关研究 2.相关研究 问题的提出：1986-1989 Smith系列论文《空间位置的表达与估计》（On the representation and estimation of spatial uncertainty）[Smith86] 环境：路标(Landmark)的集合； 观测数据：视野内路标与机器人的距离与夹角 目的：计算机器人的轨迹与路标位置 [Smith86]: Smith R C, Cheeseman P. On the representation and estimation of spatial uncertainty. International Journal of Robotics Research, 1986, 5(4):56–68. 2.相关研究 2.相关研究 模型： 运动方程： 观测方程： 尽管传感器的具体形式千差万别，但抽象的公式是统一的。 2.相关研究 前期的大量研究：在此模型上，构建扩展卡尔曼滤波器（Extended Kalman Filter）求解： 预测部分 更新部分 2.相关研究 例子： Lowe的基于SIFT双目视觉SLAM。[Se02] Davison的实时单目SLAM。[Davison07] [Se02]: Se S, Lowe D, Little J. Mobile robot localization and mapping with uncertainty using scale invariant visual landmarks. The international Journal of robotics Research, 2002, 21(8):735–758. [Davison07]: Davison A, Reid I, Molton N, et al. Monoslam: Real-time single camera SLAM. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(6):1052–1067. 2.相关研究 EKF局限性： 保存所有路标的均值与协方差矩阵：O(n^2) 线性化假设 高斯噪声假设 对数据关联的敏感性 路标地图不够直观 2.相关研究 随后几年的发展： 粒子滤波器（Particle Filter）[Sim07]，对数据关联容错性高，计算量相对较大。 FastSLAM [Montemerlo02]，结合EKF与PF的优势。 线性EKF [Paz08]，分治法求解EKF。 [Sim07]: Sim et al. A Study of the Rao-Blackwellised Particle Filter for Efficient and Accurate Vision-Based SLAM, International Journal of Computer Vision, 74(3):303-318 [Montemerlo02]: Montemerlo