2021年度SLAM算法简介—1讲义.ppt

SLAM定义
机器人主要解决的问题
实现方法
关键问题
大纲
2021/1/5
1
1
同步定位与地图构建（SLAM或Simultaneous localization and mapping）是一种概念：希望机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的地图特征（比如，墙角，柱子等）定位自身位置和姿态，再根据自身位置增量式的构建地图，从而达到同时定位和地图构建的目的。
定位：机器人必须知道自己环境中的位置
建图：机器人必须记录环境中特征的位置
SLAM:机器人在定位的同时建立环境地图
SLAM定义
2021/1/5
2
2
SLAM定义
机器人主要解决的问题
实现方法
关键问题
大纲
2021/1/5
3
3
我在什么地方？
机器人必须知道自身所处的位置才能为下一步的动作做出相应的决策。移动机器人根据外部或内部传感器获知环境信息来得到自身当前的位置，这就是所谓的机器人定位问题，他是解决后两个问题的基础
我要去哪里？
为了完成自身的任务或命令，机器人必须知道它将要去哪里，在实际应用中，它必须能识别目标，并确定目标的状态，值就是所谓的目标定位。
我该怎么去？
一旦机器人知道了它在那里和将要去那里，那么它必须寻找一条既不碰到障碍物又能顺利完成工作任务的最优路径，即路径规划问题。
SLAM主要解决的问题
2021/1/5
4
4
SLAM定义
机器人主要解决的问题
实现方法
标题四
大纲
2021/1/5
5
5
卡尔曼滤波器法
粒子滤波器法
期望极大化（EM）法
实现方法
2021/1/5
6
6
该原理最先由Smith等人首先提出，利用包含机器人位姿向量和环境特征向量的增广向量表示空间环境，讲机器人运动与环境特征的关系描述为两个非线性模型即机器人运动模型和观测模型。机器人控制信号输入到系统运动模型中，实现机器人的运动，卡尔曼滤波法根据系统模型实现机器人位姿的预测，同时机器人根据系统观测模型获得对环境特征的观测。预测特征和观测特征之间要进行数据关联匹配处理，选择最佳匹配特征用于对机器人位姿的更新，候选匹配特征被认为是对环境观测获得的新特征，用于对地图的增广。
卡尔曼滤波器法
2021/1/5
7
7
两大问题：
，需要计算系统协方差矩阵，即维持机器人与特征目标之间以及各个特征之间的不确定性；
，由于受机器人自身以及外界因素干扰等，在定位和特征识别中存在很大不确定性。
改进方法：
改进数据关联方法以提高数据关联精度，减少特征数目，改进地图表示方法和系特征的预测更新算法
卡尔曼滤波器法
2021/1/5
8
8
粒子滤波器的基础是序贯重要性采样，是通过Monte Carlo仿真来实现递推贝叶斯滤波技术。基于粒子滤波器的SLAM方法中心思想是将SLAM问题分解为机器人的定位和路标集合的估计两个子问题来进行求解。算法将粒子滤波器和卡尔曼滤波器结合起来，利用粒子滤波器进行位姿的估计，而路标位置的估计利用卡尔曼滤波器来实现，每个不同路标采用独立的滤波器。
步骤：
，扩展对机器人路径的后验估计；
；
，进行重采样处理。
粒子滤波器法
2021/1/5
9
9
主要缺点：
粒子数匮乏，即样本贫化，是指随着迭代次数增加，粒子丧失多样性的现象。
因此，研究如歌降低样本贫化对SLAM的影响，对提高定位和地图创建的精度具有重大意义。
粒子滤波器法
2021/1/5
10
10