课程 21:Q&A 6

课程 21:Q&A 6

1.   Office Hours Week 6

问1:Graph SLAM 如何处理不可区分的landmarks ?

答:这个叫correspondence问题,实际上是2个问题中更难的。我给你一个问题关于如何去解决已知的对应性,它变成了一个持续优化的问题。但这里也有一个离散的问题,车道标志是与这个行人对应还是与那个行人对应?这有解决方案。

其中一种最好的叫做“ransac”(字母是ransack应该错了吧。。不过ransack也是一个高级搜索算法,见https://www.sitepoint.com/advanced-search-ransack/),RANdom SAmpleConsensus(随机抽样一致),它能让你随机指定相关性。为3或者4个landmarks,解方程组然后查找最近的匹配,然后填入。重复这样做,这样能避免局部最小值。一般来说,如果你的机器人很精准,那么取最近的landmark是一个很好的启发。但是如果你走了一个巨大的圈,你可能连接不上。这里也许有多个方式去连接,然后你能使用ransack 方法。去尝试多个选择。

问2:在一个实际的环境中,我们不知道landmarks的数量。在这个单元中,看起来我们总是假装我们知道。比如说,在您(Sebastian)展示的思维导图视频中,我们该如何处理遇到所有新的landmarks呢?还是我们在外部位置测量时不会遇到同样的问题?那些地方(外部测量),(新的landmarks会使)矩阵变得笨拙起来。

答:这是一个Great问题,我能给你多种不同的答案。其一,我们是否真的在路上有点式的landmarks,就像我之前描述的一样,像tree trucks或者房间角落。

你能使用我提供给你们的函数增长这个矩阵。对每个新的landmark你只是(在矩阵中)增加一个新的行和列。这是基本的。

然而你的问题的更有意思的版本是:什么是一个landmark?

在我们自己的映射中,比如,我们不使截然不同的特征来标志什么是landmark。而是,我们已经做的是取小的局部地图,它们被定义成超过5米的机器人移动。我们使这些地图作为最基本的实体。现在,看起来传统意义上没有任何landmarks。但是它们仍然有一个定位/位置,你仍然能匹配它们,并看到它们如何被组合起来的。

在匹配方面,你能指定一个约束,它非常像graph-like (类似图形的)约束。就是像距离和方位或者x,y距离。你能把他们扔进同一个方程组。

Assistant:听起来很像那时候你们缝合那些全景照片到一起。

对,有一个整个的领域的人在缝合这些局部图片到全局的。包括图片连接,全景连接等等。他们使用非常不同的方法,比如泰坦尼克号的三维重建。

。。。

事实上,200多年以前高斯基本上发明了Graph SLAM,只是他不知道。

问3:(大意)在编程时,我们看到了一些Hardcode,那在制作谷歌汽车的过程中,有没有出现过因为hard code导致的问题呢?

答:在斯坦福或者谷歌汽车的团队中,我让学生或者team成员,尽量避免使用if thenelse的不确定性的代码判断,尽量让这个成为一个单个的框架。结果,车子还是在车道内。然而在加利福尼亚(某些地方),也许像印度的道路。机车往往在车道之间,并(偷偷超车)。我们有时会给特别的规则。比如,我们有规则,说明某个人行横道更有可能出现行人。我们的车会对这些人行横道有不同的行为,并且对街道边上的人作不同的反应。有相当多的这种异常。

事实上,真实的世界比较混乱,你不得不真的经历一个又一个(的问题)并且尝试去定位它们。

有人说过,数学角度上来说,你在你代码中出现得越少越好。

问4:我们怎样在一个变化中的环境中使用SLAM?是否有一个方法去忘记之前的landmarks,并且去获取新的。

  答:变化中的环境—有一个非常简单的解决方法,当我们添加不确定性到我们的系统的方程中的机器人位置的时候,你能精确地做同样的对landmark位置的跟踪。它有点麻烦,但是你能说让我们在时间T确定一个landmark的位置,T+1时刻的landmark的位置。T+1时刻的已经添加了不确定性。很像机器人移动的方式。实际上没有移动发生。然后使用我们讲过的同样的数学,可以边缘化出时间T的估计。你获得了一个新的约束集合,它们一般包括了一个带有更多不确定性的landmark。你甚至能扔进一些估计landmark 移动到哪里去的东西,通过加入landmarks的速度到Graph SLAM公式中。它事实上贯穿始终。这个结果如何我没有做过。这是一个处理动态环境的方式。

问5:机器人移动的时候,它位置的不确定性变得越来越大。有方法去从我们的Omega 矩阵中获得这个不确定性吗?

答:是的,有。事实证明,这个Omega矩阵是反转的协方差矩阵。我真没有讲很多关于这方面的东西。但是它真的是反转协方差矩阵。

如果你反转那个矩阵(Omega),你得到了整个的关于所有的landmarks和robot的协方差。如果你关注它,说,就是一个landmark,你只是获取这个相关性。矩阵的列和行。

问6:他想知道最近在SLAM研究方面一些有趣的趋势是什么?

答:。。。他讲到了很多方面的趋势,然后也提到,在计算机视觉领域,把SLAM叫做基于运动的建模。而机器人领域则叫SLAM。等等。。

问7:landmarks之间也可能会有互相发现吧,对于那些相距足够近的landmarks来说。

答:(大意)确实,这个问题,跟多机器人之间的协作也有点关系,多个机器人运动的环境,也会存在一个相互发现和运动的问题。它们之间可能通过wifi beacons之类的技术进行通讯交流。对于路标而言,比如路灯的话,你不应该假设到处会有一定间距的路灯,有的地方确实没有路灯。。。。

 

 

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看REAdMe.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看REAdMe.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看READme.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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