![这里写图片描述](https://img-blog.csdn.net/20170605160829533?imageView2/2/w/350) 图中的
xt x t
表示无人车的位姿,
m m
表示静态的环境地图,它们是SLAM问题中的未知量,而
ut
和
zt z t
则分别是无人车的控制量(速度、转向等)和观测量(由外部传感器获取),它们是SLAM问题中的已知量。 SLAM问题面临的主要难点有: - **控制量和观测量都存在误差**,想通过带误差的已知量去估计精确的地图和定位 - **制图和定位两个部分相互依赖**,类似“鸡生蛋和蛋生鸡”的关系 - **闭环检测** 除了这几个SLAM问题本身的难点以外,在无人车上应用SLAM还面临着一些特殊的问题: - **动态环境**:无人车行驶的环境中充满了行人、车辆等动态物体,而SLAM数学模型中定义的地图是静态的 - **室外场景的结构性很差**:相比于SLAM通常应用的室内场景,室外比较少有清晰的墙壁、走廊这些特征 - **室外环境复杂**:这点显而易见,想要从环境中提取有效的特征进而用于定位和建图是一件非常困难的事情
【SLAM】同时定位与地图创建在无人车领域的应用探索毕业答辩总算结束了,主要研究的是GraphSLAM进行地图创建的可行性。其中,理论部分继承了前一篇博客的内容,实验部分在室内室外两个场景下分别进行了尝试,最终结果还是不错的。 下面我按照答辩的顺序,简要梳理一下毕设的思路。研究背景同时定位与地图创建也被称为SLAM(Simultaneous Localization and Mapping),简