【论文笔记】Gmapping

论文题目:

Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters

Improving Grid-based SLAM with Rao-Blackwellized Particle Filters by Adaptive Proposals and Selective Resampling

 

相关知识:

1.地图表示方法

占据栅格地图:可以表示任意特征和细节,但是计算量大且需要大量内存。

拓扑地图和基于地标的地图:紧凑,但是特征需要预先定义。

2.位姿估计算法:

扩展卡尔曼滤波 EKF:估计基于标志性地图和机器人姿势完全相关的后验。但是必须对机器人运动模型和传感器噪声做出强有力的假设,且假设地标是唯一可识别的。

最大似然算法:构建机器人姿势之间空间约束的关系网络,再利用传感器读数历史来计算最可能的映射。

Rao-Blackwellized粒子滤波器 RBPF:每个粒子代表可能的机器人轨迹和地图。

 

原理:RBPF (Rao-Blackwellized 粒子滤波)

解决的问题:

1.RBPF算法在建立精确的地图时,需要的粒子数多,复杂度高;

2.重采样过程中会潜在地淘汰一些正确的粒子,也叫粒子耗散(Particle Depletion/Particle Impoverishment)。

解决方法:

1.通过似然评估传感器数据和里程计数据得到的可能位姿,计算得到建议分布(Proposal Distribution);

2.自适应重采样,允许我们仅在需要时执行重采样步骤,并以这种方式保持合理的粒子多样性。高度准确的Proposal Distribution允许利用有效粒子的数量作为鲁棒指标来决定是否进行重采样。

效果:

1. 更有效的方式绘制粒子,建图更准确;

2.当前观察结合到各个地图中,显着降低了估计误差,因此需要用来表示后验的粒子数也减少了;

3.保持了粒子多样性同时减缓粒子退化。

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值