基于扩展卡尔曼滤波(EKF)的机器人SLAM问题.pdfVIP

基于扩展卡尔曼滤波（ KF）的机器人SLAM 问题 Alan Lee 机器人研究中的SLAM 问题 SLAM 是一个先有鸡、还是先有蛋的问题: 先得到地图，才能确定当前的精确位置。 为了建立地图，必须得知现在的精确位置。 2 机器人SLAM问题的应用 室内机器人 水下机器人 导航定位 导航定位 太空机器人 地下机器人 导航定位 导航定位 3 SLAM的难点1 SLAM: 机器人的路径和地图都未知 机器人路径错误与地图中的错误相关 4 SLAM的难点2 机器人位置未知 在现实世界中，观测和地标之间的映射是未知的 测量的观测存在误差 位姿误差与数据误差关联 5 机器人的SLAM描述 已知: 机器人的控制量： 传感器的测量值：z 如：里程计的距离 求解: 地图的信息 机器人的路径 SLAM描述 全局SLAM: p (x1:t ,m | z1:t ,u1:t ) 估计整个路径和地图 在线SLAM: p (x ,m | z ,u ) = … p (x ,m | z ,u ) dx dx ...dx t 1:t 1:t 1:t 1:t 1:t 1 2 t -1 只估计最新的路径和地图 7 SLAM 问题数学抽象 不论采用任何传感器，激光也好，视觉也好，整个SLAM系统也好， 要解决的问题 有一个：如何通过数据来估计自身状态。每种传感器的 测量模型不一样，它们的精度也不一样。 换句话说，状态估计问题，也就是 “如何最好地使用传感器数据”。 SLAM是状态估计的一个特例。 8 离散时间系统的状态估计 记机器人在各时刻的状态为 ，其中k是离散时间下标 在SLAM 中，我们通常要估计机器人的位置，那么系统的状态就指的是机器 人的位姿。用两个方程来描述状态估计问题： 运动方程描述了状态 是怎么变到 ，而观测方程描述的是从 是怎么 得到观察数据 9 状态估计方程的具体化 当有实际的机器人，实际的传感器时，方程的形式会更加具体，也就是所 谓的参数化。 当我们关心机器人空间位置时，可以取 当机器人携带了里程计，能够得到两个时间间隔中的相对运动，即 那么运动方程就变为 观测方程也随传感器的具体信息而变。例如激光