SLAM介紹以及淺析課件

對于SLAM的認識SimultaneousLocalizationandMapping即時定位與地圖構建

SLAM指的是機器人在自身位置不確定的條件下,在完全未知環(huán)境中創(chuàng)建地圖,同時利用地圖進行自主定位和導航。

SLAM問題可以描述為:機器人在未知環(huán)境中從一個未知位置開始移動,在移動過程中根據(jù)位置估計和傳感器數(shù)據(jù)進行自身定位,同時建造增量式地圖。SLAM（SimultaneousLocalizationAndMapping）中文稱“同步定位及建圖”是目前在機器人定位方面的熱門研究課題。到目前為止，也取得了不少進展。定位(localization):機器人必須知道自己在環(huán)境中位置。建圖(mapping):

機器人必須記錄環(huán)境中特征的位置（如果知道自己的位置）SLAM：機器人在定位的同時建立環(huán)境地圖其基本原理是運過概率統(tǒng)計的方法，通過多特征匹配來達到定位和減少定位誤差的?；镜腟LAM應用的kalmanfilter。Sk表示傳感器測試獲取數(shù)據(jù)，Mk-1表示第K-1時刻的局部地圖，Rk表示K時刻機器人的位姿。

SLAM的相關理論與關鍵技術(TheoriesandtechnologiesofSLAM)該領域所涉及的關鍵性問題可以歸結為：(1)地圖的表示方式(大致可分為3類:柵格表示、幾何特征表示和拓撲圖表示)(2)不確定性信息處理方法------不確定性信息處理必須解決以下問題：

·在地圖和位置的表示中，如何描述運動和感知信息的不確定性?·在迭代過程中，如何處理舊信息與新信息的關系，連續(xù)更新地圖與位置?·如何依據(jù)不確定的信息進行決策?(3)數(shù)據(jù)的關聯(lián)；

(為了獲得全局的環(huán)境地圖和實現(xiàn)定位，還需要將不同時間、不同地點的感知信息進行匹配和聯(lián)合，存在局部數(shù)據(jù)之間的關聯(lián)問題，也存在局部數(shù)據(jù)與全局數(shù)據(jù)的關聯(lián)與匹配問題)(4)自定位；

(移動機器人的定位按照有無環(huán)境地圖可以分為基于地圖的定位和無地圖的定位)(5)探索規(guī)劃

(主要目的是提高地圖創(chuàng)建的效率，使機器人在較短的時間內(nèi)感知范圍覆蓋盡可能大的區(qū)域，在這方面的研究成果較少)環(huán)境的描述--地圖

目前各國研究者已經(jīng)提出了多種表示法，大致可分為三類：柵格表示、幾何信息表示和拓撲圖表示，每種方法都有自己的優(yōu)缺點。

柵格地圖表示法即將整個環(huán)境分為若干相同大小的柵格，對于每個柵格各指出其中是否存在障礙物。這種方法最早由Elfes和Moravec提出，而后Elfes進行了進一步的研究。優(yōu)點是(1)創(chuàng)建和維護容易，(2)盡量保留了整個環(huán)境的各種信息，(3)借助于該地圖，可以方便地進行自定位和路徑規(guī)劃。缺點在于：當柵格數(shù)量增大時(在大規(guī)模環(huán)境或?qū)Νh(huán)境劃分比較詳細時)，對地圖的維護行為將變得困難，同時定位過程中搜索空間很大，如果沒有較好的簡化算法，實現(xiàn)實時應用比較困難。

幾何信息地圖表示法是指機器人收集對環(huán)境的感知信息，從中提取更為抽象的幾何特征，例如線段或曲線，使用這些幾何信息描述環(huán)境。該表示法更為緊湊，且便于位置估計和目標識別。幾何方法利用卡爾曼濾波在局部區(qū)域內(nèi)可獲得較高精度，且計算量小，但在廣域環(huán)境中卻難以維持精確的坐標信息。幾何信息的提取需要對感知信息作額外處理，且需要一定數(shù)量的感知數(shù)據(jù)才能得到結果。

拓撲地圖抽象度高，特別在環(huán)境大而簡單時。這種方法將環(huán)境表示為一張拓撲意義中的圖(graph)，圖中的節(jié)點對應于環(huán)境中的一個特征狀態(tài)、地點。如果節(jié)點間存在直接連接的路徑則相當于圖中連接節(jié)點的弧。優(yōu)點是：(1)有利于進一步的路徑和任務規(guī)劃，(2)存儲和搜索空間都比較小，計算效率高，(3)可以使用很多現(xiàn)有成熟、高效的搜索和推理算法。缺點在于對拓撲圖的使用是建立在對拓撲節(jié)點的識別匹配基礎上的，如當環(huán)境中存在兩個很相似的地方時，拓撲圖方法將很難確定這是否為同一點。

SLAM中定位與環(huán)境特征提取

移動機器人自定位與環(huán)境建模問題是緊密相關的。環(huán)境模型的準確性依賴于定位精度，而定位的實現(xiàn)又離不開環(huán)境模型。在未知環(huán)境中，機器人沒有什么參照物，只能依靠自己并不十分準確的傳感器來獲取外界信息，如同一個盲人在一個陌生環(huán)境中摸索的情況。這種情況下，定位是比較困難的。有地圖的定位和有定位的地圖創(chuàng)建都是容易解決的，但無地圖的定位和未解決定位的地圖創(chuàng)建如同"雞--蛋"問題，無從下手。已有的研究中對這類問題的解決方法可分為兩類：一類利用自身攜帶的多種內(nèi)部傳感器(包括里程儀、羅盤、加速度計等)，通過多種傳感信息的融合減少定位的誤差，使用的融合算法多為基于卡爾曼濾波的方法。這類方法由于沒有參考外部信息，在長時間的漫游后誤差的積累會比較大。另一類方法在依靠內(nèi)部傳感器估計自身運動的同時，使用外部傳感器(如激光測距儀、視覺等)感知環(huán)境，對獲得的信息進行分析提取環(huán)境特征并保存，在下一步通過對環(huán)境特征的比較對自身位置進行校正。但這種方法依賴于能夠取得環(huán)境特征。

環(huán)境特征提取的方法有：(1)Houghtransform是一類基于灰度圖探察直線和其他曲線的方法。該方法需要一簇能被搜索的預準備的特定曲線，并根據(jù)顯示的灰度圖中一簇曲線產(chǎn)生曲線參數(shù)。(2)Clustering分析是一種數(shù)據(jù)探測工具，對于未分類樣例是有效的，同時，它的目標就是把所針對對象分組成自然類別或基于相似性或距離的簇類。在被提取對象類別未知的情況中，簇技術是一類比HoughTransform更有效的技術。簇類應是以"凝聚"為中心，而不是支離破碎的、不相交的。而環(huán)境特征有時是很難提取出的，例如：

·環(huán)境特征不夠明顯時；

·傳感器信息比較少，難以從一次感知信息中獲得環(huán)境特征。

幾種典型SLAM方法

目前SLAM方法大致可分為兩類：一類為基于概率模型的方法，另一類為非概率模型方法。許多基于卡爾曼濾波的SLAM方法如完全SLAM、壓縮濾波、FastSLAM就屬于概率模型方法。非概率模型方法有SM-SLAM①、掃描匹配②、數(shù)據(jù)融合(dataassociation)③、基于模糊邏輯④等。①在一個未知的室內(nèi)結構化環(huán)境中提出了基于柵格表示的局部模型與基于幾何信息表示的全局模型相結合的環(huán)境建模方式。環(huán)境特征的提取采用了Houghtransform與Clustering相結合的方法。感知數(shù)據(jù)的融合采用了擴展卡爾曼濾波方式。

②提出的算法不需任何人為設定的參照物(如路標、燈塔)并且可適用于非多邊形及動態(tài)環(huán)境，同時和基于SLAM的卡爾曼濾波策略比較，其計算復雜度較小、與路標數(shù)量、環(huán)境大小無關。環(huán)境建模策略由3部分構成：(1)收集環(huán)境信息；(2)掃描注冊；(3)構建柵格地圖。在掃描注冊中綜合使用了幾何模式匹配與掃描匹配。環(huán)境特征提取采用Houghtransform技術。采用HIMM(HistogramicIn-MotionMapping)方法來構建柵格地圖。在定位方面，融合使用地圖匹配與基于Petri網(wǎng)的離散事件控制策略。

③有以下優(yōu)勢：(1)在無任何人工路標的情況下，能創(chuàng)建準確地圖；(2)擴展了掃描匹配的應用范圍，使其能應用于非多邊形的環(huán)境；(3)提高了幾何模式匹配在多邊形環(huán)境中的精確度；(4)每次掃描注冊精度都將與以前所有局部區(qū)域掃描結果進行比較，以保證全局地圖的準確性；(5)計算復雜度較小。離散事件控制策略的運用能更好的進行位置估測與對定位錯誤的處理。

④提出了使用SM(SetMembership)方法，解決同種多機器人SLAM問題。在地圖融合方面，把2D地圖分解為兩個1D地圖來進行，進一步降低計算復雜度。在SLAM中使用SP-Model(SymmetriesandPerturbationsModel)，對任何幾何元素它提供了一個統(tǒng)一的表示方式，并避免了參數(shù)過多的問題。

說明：機器人在定位誤差隨著機器人的移動而增加。

說明：機器人在定位誤差隨著機器人的移動而增加，但是由于有了路標的糾正，其誤差相對就小了很多。說明：通過2次對路標的測定，其定位誤差已經(jīng)大大減少

說明：經(jīng)過3次誤差校正，其定位精度已經(jīng)很好了，但是隨著路標位置的丟失，其定位誤差又一次的擴大了。狀態(tài)估計是卡爾曼濾波的重要組成部分。一般來說，根據(jù)觀測數(shù)據(jù)對隨機量進行定量推斷就是估計問題，特別是對動態(tài)行為的狀態(tài)估計，它能實現(xiàn)實時運行狀態(tài)的估計和預測功能。比如對飛行器狀態(tài)估計。狀態(tài)估計對于了解和控制一個系統(tǒng)具有重要意義，所應用的方法屬于統(tǒng)計學中的估計理論。最常用的是最小二乘估計，線性最小方差估計、最小方差估計、遞推最小二乘估計等。其他如風險準則的貝葉斯估計、最大似然估計、隨機逼近等方法也都有應用。受噪聲干擾的狀態(tài)量是個隨機量，不可能測得精確值，但可對它進行一系列觀測，并依據(jù)一組觀測值，按某種統(tǒng)計觀點對它進行估計。使估計值盡可能準確地接近真實值，這就是最優(yōu)估計。真實值與估計值之差稱為估計誤差。若估計值的數(shù)學期望與真實值相等，這種估計稱為無偏估計?？柭岢龅倪f推最優(yōu)估計理論，采用狀態(tài)空間描述法，在算法采用遞推形式，卡爾曼濾波能處理多維和非平穩(wěn)的隨機過程?？柭鼮V波理論的提出，克服了威納濾波理論的局限性使其在工程上得到了廣泛的應用，尤其在控制、制導、導航、通訊等現(xiàn)代工程方面。圖1：初始位置（由于機器人相對于路標A的位置為估計值，所以路標A用圓圈表示A的實際的可能值在圓圈內(nèi)）圖2：機器人移動到新位置（在新的位置，機器人相對于A的真實值可能落在圈內(nèi)）圖4：路標B被觀測到圖5：機器人返回到初始位置（此時機器人的位置相對于沒有移動前更加不確定，一個超大的橢圓表示了其可能的真實位置值范圍）圖6：對A點的重新測量（通過對A的重新測量，圖4中的超大橢圓值被大大的縮小了，其位置真值落入了一個比較小的范圍內(nèi)）對未知環(huán)境中移動機器人SLAM問題的研究，這不僅有非?，F(xiàn)實的實用意義，也是對人工智能的一個挑戰(zhàn)。我們認為目前機器人SLAM問題在以下幾方面需進一步研究：

·更有效的環(huán)境的不確定性表示

嘗試更多不同的度量方法在不確定性表示的不同層次、不同應用對象上的結合。

·三維環(huán)境特征的提取

·多機器人協(xié)作完成SLAM問題的總體解決方案

展望OtherApproachesParallelTrackingandMapping(PTAM)?Twoparallelthreads兩個平行方向:–Trackingfeaturepoints跟蹤特征點–Bundleadjustmentonkeyframe