智能机器人系统：智能机器人SLAMPPT教学课件.pptx

智能机器人系统-智能机器人SLAM1

目录8.1、概述8.2、SLAM问题的数学表述8.3、实时定位8.4、环境建模28.5、经典SLAM系统8.6、实例

SLAM是什么8.1概述自主运动的两大基本问题我在什么地方？——定位周围环境是什么样子？——建图定位与建图=内外兼修定位侧重对自身的了解，建图侧重对外在的了解相互关联准确的定位需要精确的地图精确的地图来自准确的定位同时定位与建图（SimultaneousLocalizationandMapping，SLAM）是指机器人在未知环境中通过运动过程中重复观测的地图特征进行自身位姿的估计,并结合自身位置构建增量式地图,从而达到自身定位和地图构建的目的定位问题建图问题+已知地图，估计位姿已知位姿，估计地图同时估计位姿和地图SLAM问题概率框架状态估计

SLAM应用8.1概述SLAM是机器人领域的关键问题,也是大量相关应用的基石,如自动驾驶、无人机、智能物流、智能服务机器人、增强现实、外太空探索等自动驾驶无人机祝融号火星车无人配送物流车

状态估计问题8.2SLAM问题的数学表述机器人位姿路标特征真实值估计值SLAM问题可看作一个状态估计问题，待估计量是机器人位姿和路标点，通过运动过程和观测过程所提供的信息，逐步减小状态估计量与真实值的偏差，从而完成对机器人位姿和路标点的估计——机器人位姿——路标点——观测——运动位移量

状态估计问题8.2SLAM问题的数学表述用运动方程和观测方程表示为按照运动和观测方程是否为线性，噪声是否服从高斯分布进行分类，分为线性/非线性和高斯/非高斯系统，其中线性高斯系统是最简单的，其无偏最优估计可由卡尔曼滤波器给出。而在复杂的非线性高斯系统中，可用扩展卡尔曼滤波器和非线性优化两类方法求解SLAM求解滤波方法优化方法参数滤波非参数滤波卡尔曼滤波信息滤波直方图滤波粒子滤波非线性最小二乘：线性化求解稀疏性、位姿图、闭环非线性最小二乘：迭代求解

滤波方法8.2SLAM问题的数学表述根据对噪声模型处理方式的不同，滤波方法可分为参数滤波和非参数滤波。参数滤波包括卡尔曼滤波和信息滤波。卡尔曼滤波采用矩参数表示高斯分布，具体实现有线性卡尔曼滤波、扩展卡尔曼滤波和无迹卡尔曼滤波；信息滤波采用正则参数表示高斯分布，具体实现有线性信息滤波、扩展信息滤波卡尔曼滤波假设运动过程和观测过程中的噪声服从零均值高斯分布则运动模型的概率分布和观测模型的概率分布可表示为

滤波方法8.2SLAM问题的数学表述经典卡尔曼滤波流程预测：根据上一时刻的状态和输入预测当前时刻的先验估计状态值和先验估计误差协方差矩阵更新：计算卡尔曼增益计算得到状态值及其误差协方差矩阵的后验分布

滤波方法8.2SLAM问题的数学表述粒子滤波粒子滤波是一种能够处理非高斯噪声、非线性观测模型和运动模型的实用技术，它通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波粒子滤波流程假设机器人运动方程和观测方程分别为从由先验和运动噪声的联合概率密度中抽取个样本

滤波方法8.2SLAM问题的数学表述粒子滤波流程将每个先验粒子和噪声样本代入非线性运动模型结合对后验概率进行校正，主要分为两步：第一步，根据每个粒子的期望后验和预测后验的收敛程度，对每个粒子赋予权值在实践中，通常使用非线性观测模型来模拟期望的传感器读数第二步，根据赋予的权重，对每个粒子进行重要性重采样

滤波方法8.2SLAM问题的数学表述粒子滤波流程滤波方法在每一次观测后，都要对该协方差矩阵执行更新计算，当地图规模很大时，计算将难以进行，因此滤波方法不适合闭环地图构建和大规模高度非线性的SLAM任务

优化方法8.2SLAM问题的数学表述光束平差法光束平差法是指从视觉图像中提炼出最优的3D模型和相机参数。考虑从任意特征点发射出来的几束光线，它们会在几个相机的成像平面上变成像素或是检测到的特征点。如果我们调整各相机姿态和各特征点的空间位置，使得这些光线最终收束到相机的光心，就称为光束平差法（BundleAdjustment，BA）

优化方法8.2SLAM问题的数学表述BA理论模型BA是一个以相机位姿点和路标点为节点，相机和路标点之间的观测关系为边的图模型，通过构建重投影误差来优化状态变量。BA图模型在相机位姿点观测到路标点的观测误差为:考虑所有的相机位姿点和观测点，可得：：成像像素坐标：重投影像素坐标

优化方法8.2SLAM问题的数学表述BA模型求解高斯-牛顿法：寻找函数导数为0的点泰勒展开：令