《自主导航技术与应用》课件 第五章自主导航系统的定位技术.pptx

第5章自主导航系统的定位技术机器人要实现自主定位导航，主要的关键技术有三点：地图构建、自主定位以及运动控制与路径规划，如图5-1所示。图5-1自主定位导航技术结构示意图

5.1SLAM数学基础及原理同时定位与地图构建(SimultaneousLocalizationandMapping,SLAM)技术给机器人自主导航技术提供了一种解决方式。它在没有环境先验信息的情况下，一边在载体运动过程中建立环境的模型，同时估计自己运动的过程。一方面，这是一个定位问题，运动主体需要明白自身的状态，另一方面这也是一个地图构建问题，需要了解外在的环境并提取有效信息建立地图。本章重点介绍SLAM技术的原理与应用。

5.1.1SLAM总体框架单击添加标题我们工致力于专业PPT模板的发布，专业的PPT个性服务。单击添加标题单击添加标题我们工致力于专业PPT模板的发布，专业的PPT个性服务。如图5-2所示是一个完整的SLAM技术框架的总体流程，实现定位和建图两个主要功能，其中定位的本质是建立地图坐标系与机器人局部坐标系一致性的过程，而建图则是将外界环境内化的过程。经典的SLAM技术框架包含如下步骤:图5-2SLAM技术框架的总体流程

5.1.1SLAM总体框架第一步:传感器信息读取。自主移动机器人上搭载有多个传感器，这些传感器可能包括激光雷达、相机、惯性传感器、编码器等。传感器信息读取步骤就是将所有的传感器信息同步采集到同步定位与建图系统中的过程；第二步:前端里程计。前端里程计的主要任务是通过对传感器输入的信息进行处理，包括特征提取、下采样、特征匹配等操作，然后估计出当前机器人的位姿，并对外界局部地图进行粗略估计的一个过程；

5.1.1SLAM总体框架第三步:后端优化。后端接收不同时刻前端里程计估计得到的机器人位姿以及回环检测的信息，对它们进行整体优化，得到全局的轨迹和整体环境地图，第四步:回环检测。回环检测判断机器人是否曾经过以前的位置。如果检测到回环，它会把信息提供给后端进行处理;第五步:建图。根据后端优化和回环检测的信息，得到估计的机器人运动轨迹并建立与任务要求对应的地图。

5.1.2三维空间位姿表示在SLAM问题中，需要确定机器人每一时刻相对于参考坐标系的位姿以及坐标系之间的变换，即通过参数化的旋转和平移量进行描述。平移变换是线性的且计算简单，而旋转变换计算复杂并有多种表示形式，具体有旋转矩阵、欧拉角、旋转向量及四元素等。旋转矩阵自身带有很强的约束性，它为正交矩阵且其行列式的值为1；欧拉角虽然表示直观，易于理解但具有奇异性,不适用于插值和迭代；而单位四元素同样存在模为1的约束，在优化问题中会引入额外条件。因此，引入李群李代数，将位姿估计转化为无约束的优化问题，简化求解。

5.1.2三维空间位姿表示李群（Liegroup）是具有连续和光滑性质的群。在机器人位姿变换表示中，通常会用矩阵李群，即表示旋转的特殊正交群(specialorthogonalgroup)SO(3)和表示姿态的特殊欧几里得群(specialEuclideangroup)SE(3)其定义分别为式中SO(3)和SE(3)都不是向量空间，但它们都是矩阵李群，满足封闭性、结合律、单位元及逆元四个条件

5.1.3SLAM问题的求解一个经典的SLAM模型由一个运动方程和一个观测方程组成，即式中位姿xk，可通过变换矩阵Tk来表达机器人在位姿为xk处对地图上的一处路标yj进行了一次观测，得到观测信息zk,j。在SLAM技术框架中，通常会假设运动方程和观测方程中的两个噪声项满足零均值的高斯分布，为

5.1.3SLAM问题的求解式中需要通过带噪声的数据z和u估计x及y的值及它们的概率分布，这构成了一个状态估计问题。用非线性优化求解该问题时，通常会把所有待估计的变量放到一个状态中，这里把x和y合并，得到此时整个问题转化为一个已知观测数据z和输入数据u，求解x的过程，也即是求解p(x|z,u)的问题。因为直接求解后验分布是困难的，但求解一个状态最优估计并使在该状态下后验概率最大化是可行的，因而不考虑输入数据u并利用贝叶斯法则，可得

5.1.3SLAM问题的求解由上式可知，求解最大化后验就是求先验p(x)和似然p(z|x)的最大化乘积。如果没有先验p(x)，可求解x的最大似然估计p(z|x)来替代后验概率p(x|z)。因此，一个SLAM问题求解的本质是一个状态估计问题。由于机器人位姿和路标都是需要估计的变量，为了简化起见，对以上的状态估计问题修改标记，得到式中xk表示了k时刻所有需要估计的变量，