地图匹配模型
地图匹配(Map Matching)技术是一种通用的基于相关性的测量模型技术。
地图匹配通过将扫描数据(Scan)转换为占用地图(Occupancy Map),将少量的连续扫描编制到局部地图(Local Maps)上。局部地图是相对于机器人位姿的地图信息,用参量 m l o c a l m_{local} mlocal。
模型将局部地图信息 m l o c a l m_{local} mlocal同全局地图信息 m m m比较,当 m l o c a l m_{local} mlocal同 m m m越相似,则模型的可信度 p ( m l o c a l ∣ x t , m ) p(m_{local}|x_t,m) p(mlocal∣xt,m)越高。
模型建立
对于机器人位姿
x
t
x_t
xt,采用
m
X
,
Y
,
l
o
c
a
l
(
x
t
)
m_{X,Y,local}(x_t)
mX,Y,local(xt)表示机器人当前位姿在局部地图上的栅格单元,同全局坐标中的
[
X
Y
]
T
\begin{bmatrix}X&Y\end{bmatrix}^T
[XY]T。当通过坐标变换,使两者在相同参考系内时,可用地图相关函数进行比较:
ρ
m
,
m
l
o
c
a
l
,
x
t
=
∑
X
,
Y
(
m
X
,
Y
−
m
ˉ
)
[
m
X
,
Y
,
l
o
c
a
l
(
x
t
)
−
m
ˉ
]
∑
X
,
Y
(
m
X
,
Y
−
m
ˉ
)
2
∑
X
,
Y
[
m
X
,
Y
,
l
o
c
a
l
(
x
t
)
−
m
ˉ
]
2
\rho_{m,m_{local},x_t}=\frac{\sum_{X,Y}\bigl(m_{X,Y}-\bar m\bigr)\bigl[m_{X,Y,local}(x_t)-\bar m\bigr]}{\sum_{X,Y}\bigl(m_{X,Y}-\bar m\bigl)^2\sum_{X,Y}\bigl[m_{X,Y,local}(x_t)-\bar m\bigr]^2}
ρm,mlocal,xt=∑X,Y(mX,Y−mˉ)2∑X,Y[mX,Y,local(xt)−mˉ]2∑X,Y(mX,Y−mˉ)[mX,Y,local(xt)−mˉ]
式中,参量
m
ˉ
\bar m
mˉ为平均地图值:
m
ˉ
=
1
2
N
∑
X
,
Y
(
m
X
,
Y
+
m
X
,
Y
,
l
o
c
a
l
)
\bar m = \frac{1}{2N}\sum_{X,Y}(m_{X,Y}+m_{X,Y,local})
mˉ=2N1X,Y∑(mX,Y+mX,Y,local)
式中,N为局部地图与全局地图间重叠部分的元素个数。
相关性
ρ
m
,
m
l
o
c
a
l
,
x
t
\rho_{m,m_{local},x_t}
ρm,mlocal,xt取值在
[
−
1
,
1
]
[-1,1]
[−1,1]中进行,地图匹配模型表达式如下:
p
(
m
l
o
c
a
l
∣
x
t
,
m
)
=
max
{
ρ
m
,
m
l
o
c
a
l
,
x
t
,
0
}
p(m_{local}|x_t,m)=\max\{\rho_{m,m_{local},x_t},0\}
p(mlocal∣xt,m)=max{ρm,mlocal,xt,0}
当局部地图信息仅由单一测距仪的扫描数据
z
t
z_t
zt得到,则模型概率可取代测量概率:
p
(
z
t
∣
x
t
,
m
)
=
p
(
m
l
o
c
a
l
∣
x
t
,
m
)
p(z_t|x_t,m)=p(m_{local}|x_t,m)
p(zt∣xt,m)=p(mlocal∣xt,m)。
模型优缺点
地图匹配模型如同似然域模型一样,具有较小的计算量。同时它参考了两个地图的边界自由空间,而似然域模型仅参考了扫描终点处。
然而,地图匹配模型可能会建立超出实际传感器测量范围的局部地图,致使传感器"穿墙视物"。同时,地图匹配模型无合理的物理解释支撑。相关性仅为地图间归一化二次方距离,而非传感器的噪声特性。