基于rao-blackwellized PF-slam>>>将slam问题分解为先定位再mapping。
激光slam:激光里程计测量值即机器人的位姿估计值,sensor测量值即环境障碍物地表位标信息;
基于RBPF的slam算法:联合概率密度
RBPF算法实现过程:
1.采样阶段;对k时刻粒子集,PF根据激光odo运动模型计算提议分布,由此分布得k+1时刻粒子集,每个粒子得位姿表示了robot得一种运动位姿估计;
2.权重计算阶段;初始各粒子权值1/n,迭代更新后,权值大小为目标分布和提议分布的比值:
3.重采样阶段;根据重要性权重对粒子集重采样,舍低留高。一般的重要性采样中,在几次迭代后,大部分粒子权重变的很小,造成大量计算浪费在低权重粒子上,估计准确度变差,例子退化现象。
4.地图更新阶段;粒子根据激光雷达sensor的观测数据和激光odo的当前状态轨迹更新map中的每个特征
rbpf-slam原理
于 2022-05-02 14:15:12 首次发布