SLAM算法简介—1PPT学习课件.ppt

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,slaM,学习报告,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,SLAM,定义,机器人主要解决的问题,实现方法,关键问题,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,大纲,同步定位与地图构建（,SLAM,或,Simultaneouslocalizationandmapping,）是一种概念：希望机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的地图特征（比如，墙角，柱子等）定位自身位置和姿态，再根据自身位置增量式的构建地图，从而达到同时定位和地图构建的目的。,定位：机器人必须知道自己环境中的位置,建图：机器人必须记录环境中特征的位置,SLAM:,机器人在定位的同时建立环境地图,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,SLAM,定义,SLAM,定义,机器人主要解决的问题,实现方法,关键问题,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,大纲,我在什么地方？,机器人必须知道自身所处的位置才能为下一步的动作做出相应的决策。移动机器人根据外部或内部传感器获知环境信息来得到自身当前的位置，这就是所谓的机器人定位问题，他是解决后两个问题的基础,我要去哪里？,为了完成自身的任务或命令，机器人必须知道它将要去哪里，在实际应用中，它必须能识别目标，并确定目标的状态，值就是所谓的目标定位。,我该怎么去？,一旦机器人知道了它在那里和将要去那里，那么它必须寻找一条既不碰到障碍物又能顺利完成工作任务的最优路径，即路径规划问题。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,SLAM,主要解决的问题,SLAM,定义,机器人主要解决的问题,实现方法,标题四,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,大纲,卡尔曼滤波器法,粒子滤波器法,期望极大化（,EM,）法,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,实现方法,该原理最先由,Smith,等人首先提出，利用包含机器人位姿向量和环境特征向量的增广向量表示空间环境，讲机器人运动与环境特征的关系描述为两个非线性模型即机器人运动模型和观测模型。机器人控制信号输入到系统运动模型中，实现机器人的运动，卡尔曼滤波法根据系统模型实现机器人位姿的预测，同时机器人根据系统观测模型获得对环境特征的观测。预测特征和观测特征之间要进行数据关联匹配处理，选择最佳匹配特征用于对机器人位姿的更新，候选匹配特征被认为是对环境观测获得的新特征，用于对地图的增广。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,卡尔曼滤波器法,两大问题：,1.,计算量大，需要计算系统协方差矩阵，即维持机器人与特征目标之间以及各个特征之间的不确定性；,2.,不确定性高，由于受机器人自身以及外界因素干扰等，在定位和特征识别中存在很大不确定性。,改进方法：,改进数据关联方法以提高数据关联精度，减少特征数目，改进地图表示方法和系特征的预测更新算法,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,卡尔曼滤波器法,粒子滤波器的基础是序贯重要性采样，是通过,Monte Carlo,仿真来实现递推贝叶斯滤波技术。基于粒子滤波器的,SLAM,方法中心思想是将,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。算法将粒子滤波器和卡尔曼滤波器结合起来，利用粒子滤波器进行位姿的估计，而路标位置的估计利用卡尔曼滤波器来实现，每个不同路标采用独立的滤波器。,步骤：,1.,采用新位姿，扩展对机器人路径的后验估计；,2.,更新观测路标估计；,3.,计算采集权值，进行重采样处理。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,粒子滤波器法,主要缺点：,粒子数匮乏，即样本贫化，是指随着迭代次数增加，粒子丧失多样性的现象。,因此，研究如歌降低样本贫化对,SLAM,的影响，对提高定位和地图创建的精度具有重大意义。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,粒子滤波器法,基于期望极大化算法的,SLAM,解决方案，将地图创建转化为基于机器人运动和感知模型概率约束条件下的最大相似度估计问题，求得机器人位姿的最大后验概率估计。由于,EM,估计只能求取局部的极大值，在应用中常用迭代算法，每次对位姿进行修正，知道达到最大值，地图创建的结果是一个个逐渐增进的地图。,步骤：,E-,步：根据先验地图信息估计机器人后验概率密度函数；,M-,步：目的是根据,E-,步的最优估计，求取传感器量测的最大似然估计，以创建新的最大相似地图。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,期望极大化（,EM,）方法,尽管,EM,算法比,KF,算法具有更好的收敛性，但,EM,算法是局部离线最优方法，算法时间复杂度随时间递增，在,M-,步最优计算中存在高维求解难的问题，制约了其在大规模环境下的应用。,因此，可在这方面进行深入的研究，以改进,EM,算法，提高,SLAM,系统性能。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,期望极大化（,EM,）方法,SLAM,定义,机器人主要解决的问题,实现方法,关键问题,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,大纲,尽管,SLAM,算法的理论已经有了很好的基础，但要将其运用于实际应用中，特别是大型的非结构环境下的,SLAM,，仍有大量理论和实际问题需要解决，主要包括：,不确定性处理,数据关联,计算复杂度,积累误差,地图表示法,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,关键问题,事实上，同时定位与地图创建的困难在于系统无处不在的不确定性，机器人本身机械性能或未知外力造成的不确定性将导致运动估计出现误差，观测的不确定性将导致校正失败，更不必说动态环境中的环境不确定性。如何处理不确定性，尽量减少各种客观存在的不确定性引起的误差是同时定位与地图穿件的关键，也是各种算法的精髓。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,不确定性处理,数据关联是对两个特征标志进行匹配，确定它们是否对应环境中的同一特征，数据关联不准确将导致滤波器发散。同时定位与地图创建过程中数据关联主要完成两个任务：新环境特征的检测和特征匹配。虽然目标跟踪、传感融合等领域，数据关联已经得到较好的解决，但这些方法的计算量大，不能满足同时定位与地图创建的实时要求。目前常采用的数据关联方法是最近邻法（,Nearest Neighbor,NN,）,该方法简单，但对距离很近的两个特征，算法容易导致关联不准确。近年来关于数据关联的研究逐渐增加，相继提出了基于联合兼容性测试的数据关联方法、基于几何关系的数据关联方法等。而基于概率的方法巧妙地绕过数据关联问题，但非常高昂的计算代价不利于其在大规模环境下应用。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,数据关联,真正完全自主的机器人要求地图创建与定位必须能够在线计算，因而对计算复杂度的要求是非常苛刻的。而同时定位与地图创建中因为是机器人与特征目标之间的相对检测，所以机器人位姿的估计误差与地图的估计误差强相关，在估计过程中必须保存这些状态之间的相关性（即保存整个协方差矩阵,P,）来得到估计的一致性。这样，算法的空间复杂度应为,O,（,n,2,）,(n,为地图中路标的个数）。针对系统对计算机复杂度的要求，为保证一致估计，每次测量后都必须对协方差矩阵,P,做更新操作，时间复杂度为,O(n,3,），利用观测阵的稀疏特性和静态路标的特点，时间复杂度可降为,O,（,n,2,）,这样仍然不能满足大规模地图构建和实时导航的需要。因此，研究如何降低,SLAM,的算法复杂度具有积极意义。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,计算复杂度,同时定位与地图创建中的误差主要来自三个方面：观测误差、里程计的误差和错误的数据关联带来的误差。当机器人在已知地图的环境中进行定位时，机器人可以通过观察位置已经的特征标志对里程计的误差进行补偿，每次观测使机器人的位置误差趋向于观测误差与特征标志的位置误差之和。然而在同时定位与地图创建中，由于机器人的位置和环境中的特征标志的位置都是未知的，观测信息不能有效的纠正里程计误差，机器人位置误差的增大将导致错误的数据关联，从而增大特征标志的位置误差，反过来，特征标志的误差有将增大机器人位置误差。,因此，机器人的位置误差与特征标志的位置误差密切相关，它们之间的相互影响使机器人和特征标志的位置估计产生累计误差，难以保证地图的一致性。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,积累误差,目前，基于几何特征的环境地图表示法，由于具有存储空间简约、直观、易于实现等优点，是,SLAM,研究中应用最广泛的表示方法。然而,SLAM,问题属于超多维问题，当移动机器人运动空间较大时，随着机器人不断的进行环境特征提取，环境特征数目将达到上百甚至上千个数量级，这对计算机存储和处理提出了更高的要求。另一种常用的环境描述法是基于网格的地图表示法，但它同样受到环境规模和栅格分辨率的影响：分辨率低对于环境的表示精度降低，分辨率高、环境地图大则内存的消耗量大，特别是对三维地图尤为明显。,西安斯凯智能科技有限公司,SkyeIntelligenceTechnology,地图表示法,