SLAM
2020/10/20
-
卡尔曼滤波:
两大问题:
-
计算量大:需要计算系统的协方差矩阵
-
不确定性:受外界因素影响
-
-
粒子滤波器法:
- 将SLAM问题分解为机器人的定位和路标集合的估计两个子问题来进行求解
- 步骤
- 采用新位姿,扩展对机器人路径的后验估计
- 更新观测路标估计
- 计算采集权值,进行重采样处理
- 期望极大化(EM)方法
- SLAM传感器
- 雷达SLAM 和 视觉SLAM
- 激光雷达: SICK, Velodyne, 国产rplidar
- 优点是精度很高,速度快,计算量也不大,缺点是价格比较昂贵
- 视觉SLAM: 主要分为三大类:单目、双目(或多目)、RGBD(深度)
- 单目相机SLAM简称MonoSLAM,成本很低,但是没法得到确切的深度
- 通过多个相机之间的位置,估计空间点的位置。但是通过双目图像计算像素位置很消耗计算量,现在多用FPGA来完成
- RGDB:提供更丰富的信息,但是容易受太阳等光线的影响
- 激光雷达: SICK, Velodyne, 国产rplidar
- 经典视觉SLAM框架
视觉里程计(VO) --> 后端优化 --> 建图 --> 回环检测
- 视觉里程计 Visual Odometry: 基于特征的方法是目前VO的主流方式
- 后端:早期使用的是滤波器
- 建图:度量地图:稠密地图和稀疏地图
- 栅格地图表示法:将整个环境分为若干个相同大小的栅格,对每个栅格各指出其中是否存在障碍物
- 几何信息地图
- 拓扑地图
- 回环检测:难点在于 错误的检测结果可能使地图变得糟糕