SLAM_介绍以及浅谈.pptxVIP

;SLAM指的是机器人在自身位置不确定的条件下,在完全未知环境中创建地图,同时利用地图进行自主定位和导航。 　　SLAM问题可以描述为: 机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和传感器数据进行自身定位,同时建造增量式地图。;SLAM（Simultaneous Localization And Mapping ）中文称 “同步定位及建图” 是目前在机器人定位方面的热门研究课题。到目前为止，也取得了不少进展。 定位(localization): 机器人必须知道自己在 环境中位置。 建图(mapping): 机器人必须记录环境中特 征的位置（如果知道自己的位置） SLAM： 机器人在定位的同时建立环境地图 其基本原理是运过概率统计的方法，通过多特征匹配来达到定位和减少定位误差的。 基本的SLAM应用的kalman filter。 ;SLAM问题包括四个基本方面 1）?如何进行环境描述，即环境地图的表示方法； 2）?怎样获得环境信息，机器人在环境中漫游并记录传感器的感知数据，这涉及到机器人的定位与环境特征提取问题； 3）?怎样表示获得的环境信息，并根据环境信息更新地图，这需要解决对不确定信息的描述和处理方法； 4）?发展稳定、可靠的SLAM方法。;SLAM的相关理论与关键技术(Theories and technologies of SLAM ) ;环境的描述--地图??? 目前各国研究者已经提出了多种表示法，大致可分为三类：栅格表示、几何信息表示和拓扑图表示，每种方法都有自己的优缺点。??? 栅格地图表示法即将整个环境分为若干相同大小的栅格，对于每个栅格各指出其中是否存在障碍物。这种方法最早由Elfes和Moravec提出，而后Elfes进行了进一步的研究。优点是(1)创建和维护容易，(2)尽量保留了整个环境的各种信息，(3)借助于该地图，可以方便地进行自定位和路径规划。缺点在于：当栅格数量增大时(在大规模环境或对环境划分比较详细时)，对地图的维护行为将变得困难，同时定位过程中搜索空间很大，如果没有较好的简化算法，实现实时应用比较困难。??? 几何信息地图表示法是指机器人收集对环境的感知信息，从中提取更为抽象的几何特征，例如线段或曲线，使用这些几何信息描述环境。该表示法更为紧凑，且便于位置估计和目标识别。几何方法利用卡尔曼滤波在局部区域内可获得较高精度，且计算量小，但在广域环境中却难以维持精确的坐标信息。几何信息的提取需要对感知信息作额外处理，且需要一定数量的感知数据才能得到结果。??? 拓扑地图抽象度高，特别在环境大而简单时。这种方法将环境表示为一张拓扑意义中的图(graph)，图中的节点对应于环境中的一个特征状态、地点。如果节点间存在直接连接的路径则相当于图中连接节点的弧。优点是：(1)有利于进一步的路径和任务规划，(2)存储和搜索空间都比较小，计算效率高，(3)可以使用很多现有成熟、高效的搜索和推理算法。缺点在于对拓扑图的使用是建立在对拓扑节点的识别匹配基础上的，如当环境中存在两个很相似的地方时，拓扑图方法将很难确定这是否为同一点。; SLA M中定位与环境特征提取移动机器人自定位与环境建模问题是紧密相关的。环境模型的准确性依赖于定位精度，而定位的实现又离不开环境模型。在未知环境中，机器人没有什么参照物，只能依靠自己并不十分准确的传感器来获取外界信息，如同一个盲人在一个陌生环境中摸索的情况。这种情况下，定位是比较困难的。有地图的定位和有定位的地图创建都是容易解决的，但无地图的定位和未解决定位的地图创建如同鸡--蛋问题，无从下手。已有的研究中对这类问题的解决方法可分为两类：一类利用自身携带的多种内部传感器(包括里程仪、罗盘、加速度计等)，通过多种传感信息的融合减少定位的误差，使用的融合算法多为基于卡尔曼滤波的方法。这类方法由于没有参考外部信息，在长时间的漫游后误差的积累会比较大。另一类方法在依靠内部传感器估计自身运动的同时，使用外部传感器(如激光测距仪、视觉等)感知环境，对获得的信息进行分析提取环境特征并保存，在下一步通过对环境特征的比较对自身位置进行校正。但这种方法依赖于能够取得环境特征。环境特征提取的方法有：(1)Hough transform是一类基于灰度图探察直线和其他曲线的方法。该方法需要一簇能被搜索的预准备的特定曲线，并根据显示的灰度图中一簇曲线产生曲线参数。(2)Clustering分析是一种数据探测工具，对于未分类样例是有效的，同时，它的目标就是把所针对对象分组成自然类别或基于相似性或距离的簇类。在被提取对象类别未知的情况中，簇技术是一类比Hough Transform更有效的技术。簇类应是以凝聚为中心，而不是支离破碎