空中机器人编程和开发.pptVIP

协同定位与建图 Simultaneous Localization and Mapping 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 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。 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。 对于SLAM的认识 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。 Sk表示传感器测试获取数据，Mk-1表示第K-1时刻的局部地图，Rk表示K时刻机器人的位姿。 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。 环境的描述--地图??大致可分为三类：栅格表示、几何信息表示和拓扑图表示。??? 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。??? 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。??? 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。 SLA M中定位环境特征提取 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，只能依靠自身的传感器来获取外界信息。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，而不是支离破碎的、不相交的。而环境特征有时是很难提取出的，例如：·环境特征不够明显时；·传感器信息比较少，难以从一次感知信息中获得环境特征 不确定信息的描述和处理方法 ??? 在未知环境中，环境信息的不确定性尤为明显。研究人员已经提出了多种用来处理不确定性的度量方法，如模糊度量、概率度量、信任度量、可能性度量、证据理论度量等等。目前在SLAM中使用较多的主要是模糊度量和概率度量的方法。 ??? 以概率描述信息的不确定性，其优点在于：适应不确定模型，对于性能差的传感器也适用，在实际应用中鲁棒性较好，在很多实现中得到应用。缺点是计算量较大，算法建立在一定假设条件上，而假设的合理性有争议。 几种典型SLAM方法??? 目前SLAM方法大致可