SLAM算法简介—1.pptxVIP

slaM学习报告;SLAM定义 机器人主要解决的问题 实现方法 关键问题;同步定位与地图构建（SLAM或Simultaneous?localization?and?mapping）是一种概念：希望机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的地图特征（比如，墙角，柱子等）定位自身位置和姿态，再根据自身位置增量式的构建地图，从而达到同时定位和地图构建的目的。 定位：机器人必须知道自己环境中的位置 建图：机器人必须记录环境中特征的位置 SLAM:机器人在定位的同时建立环境地图;SLAM定义 机器人主要解决的问题 实现方法 关键问题;我在什么地方？ 机器人必须知道自身所处的位置才能为下一步的动作做出相应的决策。移动机器人根据外部或内部传感器获知环境信息来得到自身当前的位置，这就是所谓的机器人定位问题，他是解决后两个问题的基础 我要去哪里？ 为了完成自身的任务或命令，机器人必须知道它将要去哪里，在实际应用中，它必须能识别目标，并确定目标的状态，值就是所谓的目标定位。 我该怎么去？ 一旦机器人知道了它在那里和将要去那里，那么它必须寻找一条既不碰到障碍物又能顺利完成工作任务的最优路径，即路径规划问题。;SLAM定义 机器人主要解决的问题 实现方法 标题四;卡尔曼滤波器法 粒子滤波器法 期望极大化（EM）法; 该原理最先由Smith等人首先提出，利用包含机器人位姿向量和环境特征向量的增广向量表示空间环境，讲机器人运动与环境特征的关系描述为两个非线性模型即机器人运动模型和观测模型。机器人控制信号输入到系统运动模型中，实现机器人的运动，卡尔曼滤波法根据系统模型实现机器人位姿的预测，同时机器人根据系统观测模型获得对环境特征的观测。预测特征和观测特征之间要进行数据关联匹配处理，选择最佳匹配特征用于对机器人位姿的更新，候选匹配特征被认为是对环境观测获得的新特征，用于对地图的增广。;两大问题： 1.计算量大，需要计算系统协方差矩阵，即维持机器人与特征目标之间以及各个特征之间的不确定性； 2.不确定性高，由于受机器人自身以及外界因素干扰等，在定位和特征识别中存在很大不确定性。 改进方法： 改进数据关联方法以提高数据关联精度，减少特征数目，改进地图表示方法和系特征的预测更新算法; 粒子滤波器的基础是序贯重要性采样，是通过Monte Carlo仿真来实现递推贝叶斯滤波技术。基于粒子滤波器的SLAM方法中心思想是将SLAM问题分解为机器人的定位和路标集合的估计两个子问题来进行求解。算法将粒子滤波器和卡尔曼滤波器结合起来，利用粒子滤波器进行位姿的估计，而路标位置的估计利用卡尔曼滤波器来实现，每个不同路标采用独立的滤波器。 步骤： 1.采用新位姿，扩展对机器人路径的后验估计； 2.更新观测路标估计； 3.计算采集权值，进行重采样处理。;主要缺点： 粒子数匮乏，即样本贫化，是指随着迭代次数增加，粒子丧失多样性的现象。 因此，研究如歌降低样本贫化对SLAM的影响，对提高定位和地图创建的精度具有重大意义。; 基于期望极大化算法的SLAM解决方案，将地图创建转化为基于机器人运动和感知模型概率约束条件下的最大相似度估计问题，求得机器人位姿的最大后验概率估计。由于EM估计只能求取局部的极大值，在应用中常用迭代算法，每次对位姿进行修正，知道达到最大值，地图创建的结果是一个个逐渐增进的地图。 步骤： E-步：根据先验地图信息估计机器人后验概率密度函数； M-步：目的是根据E-步的最优估计，求取传感器量测的最大似然估计，以创建新的最大相似地图。; 尽管EM算法比KF算法具有更好的收敛性，但EM算法是局部离线最优方法，算法时间复杂度随时间递增，在M-步最优计算中存在高维求解难的问题，制约了其在大规模环境下的应用。 因此，可在这方面进行深入的研究，以改进EM算法，提高SLAM系统性能。;SLAM定义 机器人主要解决的问题 实现方法 关键问题; 尽管SLAM算法的理论已经有了很好的基础，但要将其运用于实际应用中，特别是大型的非结构环境下的SLAM，仍有大量理论和实际问题需要解决，主要包括： 不确定性处理 数据关联 计算复杂度 积累误差 地图表示法 ; 事实上，同时定位与地图创建的困难在于系统无处不在的不确定性，机器人本身机械性能或未知外力造成的不确定性将导致运动估计出现误差，观测的不确定性将导致校正失败，更不必说动态环境中的环境不确定性。如何处理不确定性，尽量减少各种客观存在的不确定性引起的误差是同时定位与地图