<SLAM>阅读笔记

<SLAM for Dummies>阅读笔记

作者：雨水，日期：2016年4月7日  CSDN博客：http://blog.csdn.net/gobitan 

 

摘要：<SLAM for Dummies>是为SLAM初学者写的一份入门性的文档。副标题为：A Tutorial Approach to Simultaneous Localization and Mapping，共计127页，其中前44页为介绍SLAM的概念和基本过程，后面部分都为实现代码。SLAM为Simultaneous Location And Mapping的缩写，"即时定位与地图构建 "。

 

SLAM是什么

SLAM主要是为解决机器人的自我定位与导航的问题。SLAM问题可以描述为: 机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。 换句话说，SLAM关注的是机器人在移动的过程中自己绘制周围未知环境的地图，并同时用该地图来为自己导航的问题(原文：SLAM is concerned with the problem of building a map of an unknown environment  by a mobile robot while at the same time navigating the environment using the map. )。

 

SLAM概念最早由Smith, Self 和Cheeseman于1988年提出，由于其重要的理论与应用价值，被很多学者认为是实现真正全自主移动机器人的关键。SLAM不是一个具体的技术或算法，而是一种概念，方法。实现SLAM的方法有很多种，它同时要依赖各种传感器。需要注意的是，SLAM的问题目前并未完全解决，该领域还有大量的研究在进行。

 

本文呈现的是基于EKF(Extended Kalman Filter)算法的SLAM。

注：EKF，即扩展卡尔曼滤波器. 卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全包含噪声的测量(英文:measurement)中，估计动态系统的状态。这种滤波方法以它的发明者鲁道夫.E.卡尔曼（Rudolf E. Kalman）命名.卡尔曼最初提出的滤波理论只适用于线性系统,Bucy，Sunahara等人提出并研究了扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)，将卡尔曼滤波理论进一步应用到非线性领域。EKF的基本思想是将非线性系统线性化，然后进行卡尔曼滤波，因此EKF是一种次优滤波。

 

在这篇文档中，作者采用了德国西克公司的SICK激光扫描仪，ER1机器人。编写的代码用的是C#语言和.Net Framework1.1平台。

 

SLAM由地标提取，数据关联，状态估计，状态更新和地标更新几个部分构成(原文：SLAM consists of multiple parts; Landmark extraction, data association, state  estimation, state update and landmark update)。每一个环节都可能有多种解决办法。同时，SLAM既可以应用于2D移动，也可以应用于3D移动。这边文档中只考虑了2D移动。

 

量测设备

SLAM需要依赖传感器来测量距离，距离量测设备通常有三种可选：

激光(Laser)：特点是精度高，效率高，而且输出不需要大量计算(原文：They are  very precise, efficient and the output does not require much computation to process)。

声呐(sonar)：比激光便宜，但精度要低一些

视觉(vision)：就是摄像机，精度较低，而且需要很大的计算量。使用摄像机很像人的眼睛，比较直观，而且精度也在逐步提高。

本文采用的是激光。

 

SLAM过程

SLAM由很多步进行，目的是用环境来更新机器人的位置。原文：The SLAM process consists of a number of steps. The goal of the process is to use the  environment to update the position of the robot. SLAM的过程如下图所示：

由于我的关注方向是基于视觉的SLAM，所以对后面的实现细节就没有深入去看。<SLAM for Dummies>这篇文档我已经上传到CSDN的资源上了，地址http://download.csdn.net/detail/gobitan/9485378。

 

参考资料：

[1] <SLAM for Dummies>