SLAM
Mr丶Caleb
中国科学技术大学在读研究生
展开
-
SLAM笔记一——入门介绍
什么是SLAM SLAM就是Simultaneous Localization and Mapping。对于这个问题的研究已经有三十年了,因为传感器的误差和机器人运行中会出现误差,如何解决这个问题,建议一个长期稳定的SLAM系统是研究的重点。 推荐一篇论文:Past, Present, and Future of Simultaneous Localization And Mapping: To原创 2016-11-29 15:36:53 · 4954 阅读 · 2 评论 -
SLAM笔记二——Homogeneous坐标系
Homogeneous坐标系定义: 例如: 第三个等式乘以w之后会等于第一个等式,并且他们都代表x。欧式坐标系到Homogeneous坐标系的变换: 在Homogeneous坐标系中,中心点的表示: 无穷远点的表示: 三维点的表示: 坐标变换这是计算机视觉的基础:详细的可以看《计算机视觉:算法与应用》有中文版也有英文版。 线性映射: 旋转映射: 注意关于原创 2016-11-29 16:05:01 · 2755 阅读 · 0 评论 -
SLAM笔记三——贝叶斯滤波器
贝叶斯滤波器定义状态估计p(x | z, u) ,即又此时的observations和之前的控制命令,估计现在的状态。递归贝叶斯滤波器 首先定义:bel(…)代表贝叶斯模型 由此得到了上一时刻位置的贝叶斯模型。贝叶斯滤波器分为两步: 第一步很好理解,预测过程,即如何通过上一时刻位置的贝叶斯模型计算此刻的贝叶斯模型。 第二步,是校正过程,即又此刻的位置估计o原创 2016-11-29 17:06:25 · 12261 阅读 · 6 评论 -
SLAM笔记四——Extended Kalman Filter
这是SLAM最传统的基础,是SLAM最原始的方法,虽然现在使用较少,但是还是有必要了解。What’s Kalman Filter这是一个贝叶斯滤波器,估计线性高斯模型,是对线性模型和高斯分布的优化方法。高斯分布首先,回顾一下高斯分布: 高斯分布的一些性质: 如果原变量为高斯分布,则边缘化和条件概率仍然满足高斯分布。 边缘分布和条件分布的模型: 卡尔曼滤波器的主要参数卡尔曼滤波器假设x原创 2016-11-30 11:30:52 · 8985 阅读 · 0 评论 -
SLAM笔记五——EKF-SLAM
上一节主要讲解了EKF的基本原理,这一次主要关注如何将EKF算法应用在SLAM上。EKF-SLAM现在的问题就是解决下面这个概率分布的估计问题: 阴影部分为未知 这里我们需要确定均值和方差到底是什么?假设在2D平面内,状态表示为下面这个式子: 所以有均值和方差为: 这么Map有n个landmark,所以是3+2n维的高斯分布 简写为: EKF-SLAM的过程State原创 2016-11-30 15:27:19 · 18685 阅读 · 2 评论 -
SLAM笔记六——Unscented Kalman Filter
卡尔曼滤波都需要线性模型,EKF用的是泰勒公式进行局部线性的方法,而UKF提供了另一种线性化的方法。Unscented Transform步骤: 首先选择一组点,称为sigma点 然后通过非线性函数映射这些点: 最后通过对映射点计算高斯分布形式,和每个sigma点的权重: sigma点的选择选择的sigma点满足以下式子: 第一个点选择均值,其余点根据另外两个式子选择:原创 2016-12-01 10:51:06 · 9321 阅读 · 1 评论