SLAM的前世今生课件.pptxVIP

SLAM的前世今生 前世 人们惆怅千年要解决的问题： 定位、定向、测速、授时 夜观天象-牵星术- GPS（打破了大家的游戏规则） 目前已基本上解决了室外的定位和定姿问题，室内怎么办？室外怎么优化位姿？ SLAM是什么？ SFM(Structure From Motion)传统三维重建：计算机视觉、离线 SLAM(Simultaneous Localization and Mapping)定位与建图：自动化控制-ROS、实时 二者的数学理论相似，应用侧重点不同。 SLAM同步构建周围世界的3d地图，并确定robot所在的位置和方向。 ICCV:SLAM是和ConvNets和Deep Learning互补的算法。SLAM专注于几何问题， Deep Learning主要解决感知与识别。如果想让机器人走到冰箱而不撞墙，你需要SLAM；如果要识别冰箱内的物体，你需要卷积网络。 SLAM的分支 SLAM可以使用大量不同的硬件；SALM是一个概念不是算法；SLAM包含多步，每个模块都有多种算法。 整个SLAM框架可以分为前端和后端。根据不同的前端配置采用不同的后端策略，后端也提出了众多的算法理论。 前端：涉及传感器的选择及其数据处理。机器人的两个主要模块： 移动系统：里程计、GPS、imu惯导等 测量系统：Laser、sonar、vision等 后端：综合前端信息，优化位姿。涉及数学知识较多。 常见的slam算法：vslam、rgbd-salm、monoslam、orb-slam等 SLAM的一般过程 由于运动估计传感器（移动系统）得到的位姿通常具有较大的误差，因而我们希望使用测量系统得到的周围环境信息来优化位姿。 1、机器人使用观测系统测量地标相对于机器人的距离和角度。 2、运动一段距离后，达到新的位置，机器人通过运动方程预测新位置。 3、在新的位置，通过观测系统重新测量各个地标的距离和角度。 4、如此反复 利用预测值和观测值计算系统状态——卡尔曼滤波 SLAM的一般过程 SLAM的一般过程 线性KF方程 上述中x为系统状态： Z表示测量系统得到的地标相对机器人的距离、角度。w和v表示噪声。 由此，可以根据上一时刻状态和当前时刻观测量更新得到当前时刻状态。 例如 状态方程 观测方程 SLAM的一般过程 KF滤波是线性方程，所以SLAM中常用的是EKF(Extended Kalman Filter). 目前，也有一些slam采用了粒子滤波PF。EKF是用线性系统代替非线性系统，PF是基于马尔科夫蒙特卡洛方法的抽样滤波，适用非线性系统。 上述渐进式的匹配方式，存在累计误差。所以最好和前面多帧进行对比（预测方程基于前面多个时刻）。 后端Graph-based SLAM SLAM借鉴SFM中的捆集优化思想，走向了图优化的道路。 优化方法和滤波器方法有根本上的不同。它并不是一个迭代的过程，而是考虑过去所有帧中的信息。通过优化，把误差平均分到每一次观测当中。 有很多优化库可用。 闭环检测 新来一帧数据，如何判断它在已有序列中是否出现过。 1、新帧的位置，如果回到历史位置附近； 2、帧的特征和历史关键帧特征相似（常用）。 如果检测成功，可以显著地减小累积误差。 SLAM的应用 扫地机器人（代言人）涉及：定位+制图+路径规划 室内移动机器人 无人机 无人驾驶 参考 《SLAM for Dummies》 13 Thank you!