概率SLAM问题的解决方案是设计找到一个合适的对观察模型(2)和运动模型(3)的陈述,使得能够高效连续的计算式(4)和(5)的先验和后验概率分布。到目前为止,最常见的表述是在状态空间模型中的一种形式,其带有加性高斯噪声,进而导致了采用扩展卡尔曼滤波器(EKF)来解决SLAM问题。另外一种重要的表述是将(3)中的机器人运动模型的描述成一系列样本点,这些样本点更具有更一般性,是非高斯概率分布。这导致了使用Rao-Blackwellized粒子滤波器,或者叫FastSLAM算法,来解决SLAM问题。当然EKF-SLAM和FastSLAM都是两种很重要的解决方法,更新的方法,也具有潜力的,也已经被提了出来,包括使用信息状态形式的[S. Thrun, Y. Liu, D. Koller, A. Ng, and H. Durrant-Whyte, “Simultaneous localisation and mapping with sparse extended information filters,” Int. J. Robot. Res., vol. 23, no. 7–8, pp. 693–716, 2004]。这些将在本教材的Part II进一步的讨论。
EKF-SLAM
EKF-SLAM方法的基础是描述机器人运动成如下形式
(6)
这里代表机器人的运动学模型,具有0均值方差为的加性扰动向量,其为相互不相关的高斯噪声。观测模型表示如下:
(7)
这里表示观测函数,具有0均值方差为的加性观测噪声向量,其为相互不相关的高斯噪声。
有了这些定义,标准的EKF模型[G. Dissanayake, P. Newman, H.F. Durrant-Whyte, S. Clark, and M. Csobra, “A solution to the simultaneous localisation and mapping (SLAM) problem,” IEEE Trans. Robot. Automat., vol. 17, no. 3, pp. 229–241, 2001][P.S. Maybeck, Stochastic Models, Estimaton and Control, vol. I. New York: Academic 1979.]可以被用于计算下面的均值
协方差,其为的联合后验概率分布
时间更新
(8)
(9)
这里是函数在的雅可比矩阵。一般来说静态的路标是不需要执行时间更新的。(但是,对于运动的路标是必须进行时间更新的[C.C. Wang, C. Thorpe, and S. Thrun, “On-line simultaneous localisation and mapping with detection and tracking of moving objects,” in