SLAM for Dummies 全文总结

转载请注明出处：https://blog.csdn.net/q_z_r_s/article/details/84311010

机器感知 一个专注于SLAM、三维重建、机器视觉等相关技术文章分享的公众号

SLAM for Dummies 全文总结

1. Introduction

本文的目的是介绍针对移动机器人的SLAM教程。有很多论文是关于SLAM的，对于此领域的新手而言，这可能需要花费很多时间去理解实现SLAM所涉及的intricacies。因此本文希望在呈现此领域时尽量保持需要最少的先决条件。当你读完本文之后，相信你也可以实现一个基本的SLAM。

SLAM实现方法很多，首先就是可使用的硬件很多，其次SLAM与其说是一个算法，不如果它更像一个概念(concept)。SLAM涉及的步骤很多，不同的步骤又可以用不同的算法来实现。大部分时候我们针对这些不同的步骤阐述一个单一的方法，但为了进一步阅读，提示其他可能的方法。

写这篇文章的动机主要是保住我们自己去更好的理解SLAM，俗话说：能把别人教懂了，才是真的懂了(英语原文不是这样的，我临时编的^_^)。另一个原因是，现存的很多关于SLAM的论文都是偏向理论的，而且主要关注的是SLAM某一个小领域上的创新，当然这也是这些论文的初衷所在。本文的目的是希望能更偏向于实践，且简单、基本的SLAM算法，这可以成为一个去更好的理解SLAM的开始(这句话翻译的自己读着都别扭)。对于了解SLAM的同学，我们将展现一个完整的、使用用EKF的SLAM解决方案。完整并不意味着完美，意思是我们会涉及实现SLAM的所有基本步骤。值得注意的是，SLAM问题并没有完全被决解，此领域依然有很多值得研究的地方。

为了方便大家，这里提供了所有代码，所以只需要下载、编译、安装到硬件中运行即可。

2. 关于SLAM

SLAM这个术语是Simultaneous Localization And Mapping的缩写形式。最初由Hugh Durrant-Whyte 和 John J. Leonard[7] 基于 Smith, Self and Cheeseman [6]早期的工作研发的。Durrant-Whyte 和 Leonard 刚开始的时候称其为SMAL，但后来改了。SLAM关注的问题是使用移动机器人在未知环境建图，同时使用此地图在此环境中进行导航。

SLAM有很多部分组成： Landmark extraction, data association, state estimation, state update and landmark update(保持原文)。每一个小部分都有很多方法来解决，我们将展示每部分的例子，这也说明某些部分是可以使用新的方法来实现的·······SLAM可以应用的2D和3D运动中，我们这里只考虑2D运动。

3.硬件

机器人：里程计、相机、机器人控制系统、激光扫描仪、声纳。

4. SLAM步骤

5. 激光数据

6. 里程计数据

提供机器人大致的位置，里程计的输出当作EKF的初始估计值；里程计数据和激光数据需要时序对应，为了解决时序不匹配，可以在相同的时间点对其中一个数据进行插值。对里程计进行插值是最容易的，因为控制是已知的。而激光下一次的测量是多少很难预测。

7. 路标

• 所谓路标：是那些容易被再次观测到的且明显跟环境不一样的特征。
• 决定让机器人识别的路标点应该足够多，否则机器人会走丢。
• 路标点应该是静止的，选择人为路标点是很糟糕的想法，原因很明显，如果路标点不在同一个地方，机器人如何确定给定的路标点在哪里呢？（路标点在哪都不知道，又何来的估计自己的位置呢？）
• 适合作为路标点的关键点应具有以下特性：
  • 容易被再次观测到
  • 明显区别于其他的关键点
  • 数量要多
  • 需要是静止的

8. 路标点提取

使用激光扫描仪的基本路标点提取算法：Spikes 和 RANSAC。

9. 数据关联

数据关联问题是将来自不同扫描时间观测到的路标点进行相互匹配，也指那些被重新观测到的路标点。现在我们顶一个一个数据关联策略来解决这个问题。假设使用一个数据库来存储先前看到的路标点，此数据库初始情况下通常为空。第一个规则：只有当一个路标点被观测到N次时才认为这是一个有价值的路标点，这可以消除提取到比较糟糕的路标点的情况。

1. 当获得一次新的激光扫描时，使用路标提取算法提取所有可见的路标点

2. 关联所提取的路标点到数据库中存储的最近的路标点

3. 验证所关联的路标点是否有效

   a. 如果路标点对通过验证，这意味着观测到了同一个路标点

   b. 如果关联验证无效，就添加为一个新的路标点

在使用最近的数据库中的路标点关联路标点时，此方法被称作最近邻法，最简单的就是计算欧氏距离。

验证方法基于一个事实：EKF给出了一个路标点的观测的不确定性的边界。因此，我们决定一个观测到的路标点是否和数据库中的某个路标点匹配时，通过检测这个路标点是否在这个不确定度之内来决定。此不确定度可以通过可视化来显示，也就是众所周知的error ellipse。可以通过设置一个常量 $\lambda$，如果满足下式则关联此路标点：

$$v_i^T{S}_i^{-1}{v}_i\le \lambda \text{\hspace{1em}(1)}$$

其中，$v_i$ 为新息，$S_i$ 为定义在EKF章节中的新息的协方差矩阵。

10. EKF

EKF通过里程计数据和路标点观测来估计机器人的状态，当机器人被给定一个完美的地图时，EKF通常用来做状态估计，因为这里不需要地图更新。在SLAM和状态估计EKF中，矩阵是不一样的，而且很难辨别是如何实现的，这是因为从没有人提及过这些。我们将逐一讲解。大部分EKF是标准形式的，一旦矩阵设置好了，它就只剩下一些公式了。

SLAM可以分为三个步骤：

• 使用里程计数据更新当前状态估计
• 根据重新观测到的路标点更新被估计的状态
• 把新的路标点添加当前状态中

SLAM中的矩阵

• 系统状态矩阵X。

• 协方差矩阵P。

• 卡尔曼增益K。

• 测量模型的雅可比矩阵H。

• 预测模型的雅可比矩阵A。

• SLAM特有的雅可比矩阵$J_{xr}$和$J_z$
• 过程噪声Q和W。
• 测量噪声R和V。

11. 最后备注

本文所呈现的SLAM是一个非常非常基本的SLAM，有很大的改进空间，还有很多方面没有涉及到，例如回环检测的问题。这个SLAM也可以结合到占用栅格中。

12. 参考文献

1. Koenig, Likhachev: Incremental A* (D*)
2. Bosse, Newman, Leonard, Soika, Feiten, Teller: An ATLAS framework
3. Roy: Foundations of state estimation (lecture):
4. Zunino: SLAM in realistic environments:
   http://www.nada.kth.se/utbildning/forsk.utb/avhandlingar/lic/020220.pdf
5. Welch, Bishop: An introduction to the Kalman Filter:
6. Smith, Self, Cheesman: Estimating uncertain spatial relationships in robotics
7. Leonard, Durrant-Whyte: Mobile robot localization by tracking geometric beacons:
8. Se, Lowe, Little: Mobile Robot Localization and Mapping using Scale-Invariant Visual
   Landmarks:
   http://www.cs.ubc.ca/~se/papers/ijrr02.pdf
9. SICK, industrial sensors:
   http://www.sick.de
10. Evolution Robotics
    http://www.evolution.com