slam第一讲(初识slam)

最新推荐文章于 2024-07-28 01:41:04 发布

bestrivern

最新推荐文章于 2024-07-28 01:41:04 发布

阅读量679

点赞数 2

分类专栏： slam 文章标签： slam

本文链接：https://blog.csdn.net/bestrivern/article/details/89416932

版权

slam 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1.SLAM : Simultaneous Localization and Mapping, 同时定位与地图构建

定义：搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自身的运动（位姿）。
如果这里的传感器是相机，就称之为 视觉 SLAM。

2.SLAM 的目的是解决“定位”与“地图构建”这两个问题

希望实时地、在没有先验知识的情况下进行 SLAM，要解决这个问题就很不简单
SLAM 发展了将近 30 多年，相机才能认识到自身的位置，才能估算自己的运动

3.SLAM 应用点

室内扫地机
室内服务机器人
自动驾驶
空中的无人机
虚拟现实
增强现实

4.SLAM 系统分成几个模块：传感器信息读取，视觉里程计、后端优化、建图以及回环检测

传感器信息读取：

在视觉slam中主要为相机图像信息的读取和预处理，如果是在机器人中，还可能有码盘，惯性传感器等信息的读取和同步

视觉里程计(Visual Odometry,VO):

视觉里程计的任务是估算相邻图像间相机的运动，以及局部地图的样子。VO又称为前端(Front End)

后端优化(Optimization):

后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图。由于接在VO之后，又称为后端(Back End)

回环检测(Loop Closing):

回环检测判断机器人是否到达过先前的位置，如果检测到回环，他会把信息提供给后端进行处理

建图(Mapping):

根据估计的轨迹，建立与任务要求对应的地图

度量地图(Metric Map)：度量地图强调精确地表示地图中物体的位置关系，通常我们用 稀疏（Sparse） 和 稠密（Dense） 对它们进行分类。

稀疏地图：进行了一定程度的抽象，并不需要表达所有的物体。
稠密地图：通常按照某种分辨率，由许多小块组成。二维度量地图是许多小格子（Grid），三维这是许多小方块（Voxel）。一般地含有占据、空闲、未知三种状态，以表达该格内是否有物体。

缺点：这种地图需要存储每一个小格子的状态，耗费大量的存储空间，而且多数情况下地图的许多细节部分是无用的。另一方面，大规模度量地图有时会出现一致性问题。很小的一点转向误差，可能会导致两间屋子的墙出现重叠，使得地图失效。

拓扑地图(Topological Map)：拓扑地图则更强调地图元素之间的关系。拓扑地图是一个图（Graph），由节点和边组成，只考虑节点间的连通性。它放松了地图对精确位置的需要，去掉地图的细节问题，是一种更为紧凑的表达方式。

缺点：拓扑地图不擅长表达具有复杂结构的地图。如何对地图进行分割形成结点和边，又如何使用拓扑地图进行导航与路径规划。

5.slam问题的数学描述

对于运动，记一段离散的时刻为t=1,2,..K,在这些时刻，用x表示自身位置，于是各时刻的位置就记为x1,x2,...xK,这些构成了运动轨迹。

对于地图，假设地图是由许多个路标组成的，而每个时刻，传感器会测量到一部分路标点，得到他们的观测数据，设路标点共有N个，用y1,y2 ...yN来表示它们

运动：考虑从k-1时刻到k时刻，小萝卜的位置x是如何变化的
观测：假设小萝卜在k时刻于xk处探测到了某一个路标yj,我们要考虑这件事情是如何用数学语言来描述的

运动方程： $x_{_{k}}=f(x_{k-1},u_{k},w_{k})$

uk是运动传感器的读数(有时也叫输入)，wk是噪声

观测方程： $z_{_{k,j}}=h(y_{j},x_{k},v_{k,j})$

vk,j是这次观测里的噪声，在位置xk上看到某个路标点，产生了一个观测数据zk,j

对于不同的传感器，这两个方程有不同的参数化形式。如果我们保持通用性，把它们取成抽象形式，那么SLAM过程可总结为上述两个基本方程。这两个方程描述了最基本的SLAM问题：当我们知道运动测量的读数 u ,以及传感器的读数 z 时，如何求解定位问题（估计 x）和建图问题（估计 y）? 这时，我们把SLAM问题建模成了一个状态估计问题：如何通过带有噪声的测量数据，估计内部的、隐藏着的状态变量？

状态估计问题的求解，与两个方程的具体形式，以及噪声服从哪种分布有关。我们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（LG 系统）最为简单，他的无偏最优估计可以由卡尔曼滤波器（KF）给出。而在复杂的非线性非高斯系统（NLNG系统）中，我们会使用以扩展卡尔曼滤波器（EKF）和非线性优化两大类方法去求解它。时至今日，主流视觉SLAM使用以图优化（Graph Optimization）为代表的优化技术进行状态估计。我们以为优化技术已经明显优于滤波器技术，只要计算资源允许，我们通常都偏向于使用优化方法。