Chapter5-基于滤波的激光SLAM方法

Chapter5-基于滤波的激光SLAM方法

---

---

如有错误望不吝赐教！！！

---

---

贝叶斯滤波

估计的是概率分布，不是具体的数值
最大后验估计（找到概率值）/最大数值估计
迭代估计方式（计算量小）

• 贝叶斯滤波的推导
  ??? ?? 表示??的后延概率分布
  ???(??)表示??的预测(???)概率分布
  知道xt-1时的概率分布、里程计测量、激光观测
  根据里程计测量得到预测分布，预测位姿
  在预测基础上用观测模型对预测模型进行校正，校正之后得到新的分布，即当前xt时刻的后验概率分布
  （卡尔曼是贝叶斯在线性高斯的特例）
  

粒子滤波

(贝叶斯估计的一种实现方式，物体跟踪/机器人定位/SLAM)

• 特性
  能处理非线性情况
  能处理多峰分布的情况
  用一系列的粒子(particle)近似概率分布
  非参滤波器
  

• 粒子滤波全过程：
  用粒子进行状态传播（运动学模型传播）
  评估每一个粒子的权重（观测模型）
  根据权重进行重采样

• 状态传播
  

• 权重评估
  实际上是地图匹配程度
  无法知道机器人位姿的实际分布
  从机器人的预测分布进行采样，联合权重一起近似机器人的后延概率分布
  权重用来评估实际人的预测分布和实际分布的差，差越大，权重越小。

• 重采样
  作用：去除权重小的粒子（权重清零，更新，粒子的重新分布）
  让粒子分布更符合实际（后延分布）
  到目前为止，新的粒子群是根据 proposal分布进行采样的，并且用观测模型计算权重，而最终的目的是用粒子群来近似后延概率分布
  对粒子群进行重采样，对于某一个粒 子?? 来说，以?? 的概率接受这个粒子。
  生成一个随机数，根据其落在的区间决定接受的粒子，重复N次。

• 存在问题
  粒子耗散
  维数灾难
  当proposal比较差的时候，需要用很多的粒子才能较好的表示机器人的后延概率分布

FastSLAM

（基于粒子滤波）
用粒子滤波来估计机器人的位姿，然后分别为每一个粒子计算地图即可。一个粒子包含机器人轨迹及对应环境地图

• 存在问题
  ①问题：
  每个粒子都包含自己的栅格地图，内存占用多
  如果里程计误差比较大，proposal分布和实际相差较大，需要更多粒子表示后延分布概率，内存爆炸
  目的：要保持粒子的数量在一个比较小的数值
  方法：
  提升预测分布采样的位姿质量（加一个Scan-Matching)
  ②问题：
  粒子耗散
  目的：尽量缓解粒子耗散
  方法：
  减少重采样次数，Neff=1/[求和] (wi)²
  当Neff较大时，差异性很小，不重采样
  当Neff较小时，差异性很大，进行重采样
  Gmapping-不是回环是粒子切换（当前不好的粒子不一定往后不好）
  【Gmapping里没有】
  ③问题：
  proposal分布不太ok
  目的：首先从proposal分布进行采样，然后进行极大似然估计提升采样质量
  方法：
  考虑最近一帧的观测，限制proposal分布在一个狭小的有效区域，然后再正常的对proposal分布进行采样
  proposal分布从里程计观测模型变换到了激光雷达观测模型
  进一步优化proposal分布（高斯分布什么的…）

对每个粒子都要进行的操作：Scan-Match和采样

• 最终优化流程
  Scan-match和采样
  计算高斯分布
  从高斯分布中采样并更新权重
  已知位姿的情况下进行地图更新

Gmapping

• 特性
  目前使用的最为广泛的2D激光SLAM算法
  在较小的环境中能实现较好的建图效果
  以FastSLAM为基本原理
  在FastSLAM的基础上进行了优化1和优化2
  Gmapping没有使用优化3