SLAM问题的形式和结构

最新推荐文章于 2023-09-04 10:06:49 发布

_IRONMAN_

最新推荐文章于 2023-09-04 10:06:49 发布

阅读量666

点赞数 2

分类专栏：水下机器人条件概率贝叶斯理论文章标签： slam SLAM问题的形式联合概率分布

本文链接：https://blog.csdn.net/hj199404182515/article/details/112059631

版权

SLAM是移动机器人在未知环境中同时构建地图和定位的过程。文章介绍了SLAM的概率模型，包括状态变量定义、观测模型和运动模型，以及递归的预测和测量更新步骤。SLAM问题的关键在于路标位置估计的相互关联性，随着观测增加，路标间的相对位置精度不断提升，从而形成稳定的环境地图。

摘要由CSDN通过智能技术生成

SLAM是移动机器人建立环境的地图同时演绎出自己位置的过程。在SLAM中，平台的轨迹和所有地标的位置都是在线估计的，不需要任何位置的先验知识。

准备工作

考虑移动机器人运动经过一个环境使用安装在机器人上面传感器对大量未知的路标进行相对观测，如图1所示。在时刻k，定义如下变量：

$\mathbf{x}_{k}$ ：描述机器人位置和姿态的状态向量。

$\mathbf{u}_{k}$ ：控制向量，被用于在k-1时刻驱动机器人到k时刻的状态向量 $\mathbf{x}_{k}$

$\mathbf{m}_{i}$ ：描述第i个路标位置的向量，它们的真实位置假定为静止的。

$\mathbf{z}_{ik}$ ：在k时刻机器人观测到的第i个路标的位置。当在任何时刻都有大量被观测到的路标或者当一个特定的路标和讨论的不相关时，观测量将被简化成 $\mathbf{z}_{k}$ 。

除此之外，还定义了如下集合：

$\mathbf{X}_{0:k}=\left \{ \mathbf{x}_{0},\mathbf{x}_{1},...,\mathbf{x}_{k} \right \}=\left \{\mathbf{X}_{0:k-1}, \mathbf{x}_{k} \right \}$ ：机器人位置的历史值。

$\mathbf{U}_{0:k}=\left \{ \mathbf{u}_{1},\mathbf{u}_{2},...,\mathbf{u}_{k} \right \}=\left \{\mathbf{U}_{0:k-1}, \mathbf{u}_{k} \right \}$ ：控制输入量的历史值。

$\mathbf{m}=\left \{ \mathbf{m}_{1},\mathbf{m}_{2},...,\mathbf{m}_{n} \right \}$ ：所有路标的集合。

$\mathbf{Z}_{0:k}=\left \{ \mathbf{z}_{1},\mathbf{z}_{2},...,\mathbf{z}_{k} \right \}=\left \{\mathbf{Z}_{0:k-1}, \mathbf{z}_{k} \right \}$ ：所有路标观测结果的集合。

SLAM的概率模型

在概率的形式下，同步导航与构图(SLAM)问题要求的概率分布

最低0.47元/天解锁文章

_IRONMAN_

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
打赏
0
评论
SLAM问题的形式和结构

SLAM是移动机器人建立环境的地图同时演绎出自己位置的过程。在SLAM中，平台的轨迹和所有地标的位置都是在线估计的，不需要任何位置的先验知识。准备工作考虑移动机器人运动经过一个环境使用安装在机器人上面传感器对大量未知的路标进行相对观测，如图1所示。在时刻k，定义如下变量：：描述机器人位置和姿态的状态向量。：控制向量，被用于在k-1时刻驱动机器人到k时刻的状态向量：描述第i个路标位置的向量，它们的真实位置假定为静止的。：在k时刻机器人观测到的第i个路标...
复制链接

扫一扫