SLAM

SLAM

2020/10/20

1. 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

2. 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

3. 期望极大化（EM）方法
4. 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

5. 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

6. 回环检测：难点在于 错误的检测结果可能使地图变得糟糕