移動機器人SLAM技術(shù) 課件 【ch04】移動機器人定位

移動機器人定位第四章大學(xué)生禮儀高等院校公共課系列精品教材01環(huán)境地圖構(gòu)建方法PARTONE01環(huán)境地圖構(gòu)建方法

(1)定位。通過己構(gòu)建并存儲的環(huán)境地圖即可獲得移動機器人的位置信息，無須再次運行系統(tǒng)進行建圖。（2）導(dǎo)航。導(dǎo)航是指移動機器人能夠在地圖中進行路徑規(guī)劃，從任意兩個地圖點間尋找路徑，然后控制自己運動到目標點的過程。但該用途需要構(gòu)建稠密地圖才可實現(xiàn)。（3）避障。避障也是移動機器人經(jīng)常碰到的一個問題。它與導(dǎo)航類似，但更注重局部的、動態(tài)的障礙物的處理。同樣地，僅有特征點，我們無法判斷某個特征點是否為障礙物，所以也需要稠密地圖。（4）重建?？衫肧LAM獲得周圍環(huán)境的重建效果，使其他人能夠遠程地觀看我們重建得到的三維物體或場景一．一三維的視頻通話或網(wǎng)上購物等。這種地圖亦是稠密的，并且我們還對它的外觀有一些要求。（5）交互。交互主要指人與地圖之間的互動。例如，在增強現(xiàn)實中，我們會在房間里放置虛擬物體，并與這些虛擬物體之間有一些互動。01環(huán)境地圖構(gòu)建方法

因移動機器人可能涉足的環(huán)境多種多樣，目前還沒有找到能夠適用于所有環(huán)境的統(tǒng)一方法。針對此種情況，人們設(shè)計了不同的環(huán)境地圖，以使其能夠適用于不同的場合，典型地圖類型如圖。01幾何特征地圖

幾何特征地圖是由環(huán)境中的路標所組成的，每個路標的特征用點、線、面等幾何原型來近似。幾何特征地圖能夠為移動機器人的定位提供所需要的度量信息，并且該地圖所需的存儲量比較小，有利于移動機器人的位姿估計及環(huán)境中的目標識別。該類方法的問題主要有如何從移動機器人所收集的環(huán)境信息中找出幾何特征，并且如何按照當前移動機器人的位姿和所觀測到的環(huán)境中的路標在幾何特征地圖中尋找對應(yīng)的位置。提取幾何特征需要對所觀測到的信息進行額外的處理，并且需要使用一定數(shù)量的觀測數(shù)據(jù)才能得到想要的結(jié)果。假如是在室內(nèi)環(huán)境下，通?？梢詫h(huán)境中的桌子、墻壁、樓梯定義為更加抽象化的面、角、邊等幾何特征。一般情況下，室外環(huán)境的幾何特征不易提取。01幾何特征地圖

基于特征的地圖(Feature-basedMaps)使用全局坐標表示環(huán)境中的一些基本幾何圖元。由于幾何特征地圖既能提供規(guī)劃及定位所需要的度量信息，存儲量又相對較小，因此它經(jīng)常出現(xiàn)在許多基于視覺SLAM的研究中。在這類研究中，移動機器人一般只在一定范圍空曠的區(qū)域內(nèi)（無障礙）活動。幾何特征地圖一般用來表征路標等移動機器人感興趣的特征信息，其優(yōu)點是表示方法較緊湊，且便于定位和目標識別，但如何從自然環(huán)境中提取穩(wěn)定的特征信息是其需要解決的問題之一01拓撲地圖

更加抽象的環(huán)境地圖形式將空間環(huán)境以拓撲結(jié)構(gòu)圖的形式進行描述：拓撲地圖中的節(jié)點表示環(huán)境當中的特殊位置點，其中的邊表示節(jié)點之間的連接關(guān)系。拓撲地圖一般以圖表的形式出現(xiàn)，所需要的存儲空間相對較小，利用拓撲地圖進行路徑規(guī)劃的效率會很高，其比較適用于大規(guī)模的環(huán)境地圖構(gòu)建。然而由于沒有精確的尺度信息，所以該地圖不適用于移動機器人的定位。當移動機器人所處的環(huán)境中存在兩個相似的特征時，依據(jù)拓撲地圖將難以確定該特征是否屬于同一節(jié)點。01點云地圖是三維空間中離散的一組點除了包含基本的三維坐標x、y、z外，還可以具有r、g、b的彩色信息，那么，點云中的每一個點都具有[r,g,b,x,y,z]]的形式。首先，點云地圖是一種度量地圖，能夠清所地描述環(huán)境中物體間的位置關(guān)系，并且在相對稠密的點云地圖中，物體的表面信息能夠被較好地描述。點云地圖的狀態(tài)表達相對簡單，存在點云的地方就是被占據(jù)的，反之，則為空閑。01點云地圖利用RGB-D相機進行稠密建圖是相對容易的。不過，根據(jù)地圖形式的不同，也存在著若干種不同的主流建圖方式。最直觀、最簡單的方法就是根據(jù)估算的相機位姿，將RGB-D數(shù)據(jù)轉(zhuǎn)化為點云，然后進行拼接，最后得到一個由離散的點組成的點云地圖。所謂點云地圖，就是由一組離散的點表示的地圖。最基本的點包含x、y、z三維坐標，也可以帶有r、g、b的彩色信息。由于RGB-D相機提供了彩色圖和深度圖，很容易根據(jù)相機內(nèi)參數(shù)來計算RGB-D點云。如果通過某種手段得到了相機的位姿，那么只要直接把點云進行加和，就可以獲得全局的點云。01點云地圖深度相機經(jīng)過標定得到相機內(nèi)參數(shù)和畸變系數(shù)后，對彩色圖像和深度圖像進行配準和去畸變。在已知彩色圖像像素點坐標和對應(yīng)深度值時，即可根據(jù)式(4-1)得到該點在相機坐標系下的坐標。01點云地圖式中，

為彩色圖像的像素坐標；d為深度圖像對應(yīng)的深度值：s為比例系數(shù)。對圖像中每個像素點利用式(4-2)計算其空間點在相機坐標系下的坐標，即可得到整張圖像的點云。根據(jù)關(guān)鍵幀的彩色圖像、深度圖像可得到單幀點云如圖4.4所示，全局地圖由單幀點云拼接而成。已知空間中一點在世界坐標系下的坐標為P,在相機坐標系下的坐標為R,對應(yīng)圖像中的像素坐標為pu,則它們存在關(guān)系式中，X為相機內(nèi)參數(shù)矩陣，s為比例系數(shù)，Tcw為從世界坐標系轉(zhuǎn)換到相機坐標系的變換矩陣。在視覺SLAM中，相機的位姿為相機相對于世界坐標系的坐標和相機坐標系相對于世界坐標系的旋轉(zhuǎn)，故Tcw為通過視覺SLAM系統(tǒng)得到的相機位姿。一般情況下，將相機輸入視覺SLAM系統(tǒng)的第一幀數(shù)據(jù)對應(yīng)的坐標系作為世界坐標系，且將該幀設(shè)置為關(guān)鍵幀。因此，點云的拼接過程可以描述如下。01點云地圖假設(shè)利用第i幀關(guān)鍵幀生成的點云為Cloud,第1頓關(guān)鍵幀的相機位姿為Ti,第j幀關(guān)鍵幀生成的點云為Cloudi,,第j幀關(guān)鍵幀的相機位姿為Tj,拼接這兩頓點云的過程如下。01點云地圖點云地圖如圖4.5所示，它為我們提供了比較基本的可視化地圖，讓我們能夠大致了解環(huán)境的樣子。它以三維方式存儲，使得我們能夠快速地瀏覽場景的各個角落，乃至在場景中進行漫游。點云地圖的一大優(yōu)勢是可以直接由RGB-D圖像高效地生成，不需要額外處理。它的濾波操作非常直觀，處理效率尚能接受。但是點云地圖也存在缺陷，在點云地圖中，我們雖然有了三維結(jié)構(gòu)，亦進行了體素濾波以調(diào)整分辨率，但點云地圖通常規(guī)模很大，所以一PCD文件也會很大。一張640×480的圖像，會產(chǎn)生30萬個空間點，需要大量的存儲空間，其中有很多不必要的細節(jié)，即使經(jīng)過一些濾波之后，PCD文件也是很大的。除非我們降低分辨率，否則在有限的內(nèi)存中，無法建模較大的環(huán)境。然而降低分辨率會導(dǎo)致地圖質(zhì)量下降，且點云地圖無法實現(xiàn)是否占據(jù)的描述，因此無法應(yīng)用于導(dǎo)航等功能。01八叉樹地圖八叉樹地圖是一種靈活的、能隨時進行壓縮的地圖形式，其通過八叉樹結(jié)構(gòu)來描述空間環(huán)境。八叉樹地圖如圖4.6所示，又稱為Octomap,是一種柵格地圖，以八叉樹(Octree)結(jié)構(gòu)的形式存儲并基于占據(jù)概率的形式表示。同時八叉樹地圖是一種靈活的、可壓縮的，又能隨時更新的地圖形式，更適合于移動機器人的環(huán)境地圖描述。01八叉樹地圖八叉樹地圖像是由很多個小方塊組成的。當其分辨率較高時，方塊很??；當其分辨率較低時，方塊很大。每個方塊表示該格被占據(jù)的概率，因此可以通過查詢某個方塊或點“是否可以通過”,從而實現(xiàn)不同層次的導(dǎo)航。簡而言之，環(huán)境較大時采用較低分辨率，而較精細的導(dǎo)航可采用較高分辨率，十分方便。八叉樹結(jié)構(gòu)通過對三維空間的幾何實體進行體元剖分，從而形成一個具有根節(jié)點的方向圖。其中圖4.7(a)所示為八叉樹在空間中的表現(xiàn)形式，可以看出利用八叉樹可以任意地分割空間，滿足不同的地圖精度要求。圖4.7(b)所示為八叉樹的數(shù)據(jù)結(jié)構(gòu)，樹根可以不斷地往下擴展，每次分成八個枝，直到葉子為止。葉子節(jié)點代表了分辨率最高的情況，圖中的照方塊代表的就是葉子節(jié)點。01八叉樹地圖如果對每個葉子節(jié)點分配一個概率，則父節(jié)點的概率為其所有子節(jié)點的概率之和。對于已經(jīng)確定被占據(jù)的節(jié)點，其概率為1,相應(yīng)地，確定未被占據(jù)的節(jié)點的概率為0。對一個葉子節(jié)點n,在1,2,…的不同時刻，有觀測數(shù)據(jù)

那么葉子節(jié)點的概率為01八叉樹地圖根據(jù)式（4．11）可知，在三維空間中的任何點，新的觀測可以直接加到之前的觀測上，所有地圖的更新十分簡便快速，同時也說明父節(jié)點的概率就是子節(jié)點的概率和。因此，基于傳感器獲得的觀測數(shù)據(jù)，可以對八叉樹結(jié)構(gòu)的節(jié)點不斷地進行更新，計算各節(jié)點的占據(jù)概率，完成八叉樹地圖的構(gòu)建，八叉樹地圖如圖4·8所示。01精格地圖柵格地圖是二維地圖，反映了空間中某一平面的信息，主要思想是將平面劃分為同等大小的柵格單元，每個柵格單元代表平面上的一個區(qū)域，并用柵格單元是否被占據(jù)來描述環(huán)境信息。此種方法采用概率值來表達環(huán)境模型的不確定性。柵格地圖相比于上述幾種環(huán)境地圖，能夠提供更為精確的度量信息，而且該地圖非常直觀且容易處理，因此廣泛應(yīng)用于許多移動機器人系統(tǒng)中，直到現(xiàn)在仍受到很多研究者的歡迎。01精格地圖柵格地圖中的每個柵格單元，其狀態(tài)可以分為已占據(jù)狀態(tài)和未占據(jù)狀態(tài)。已占據(jù)狀態(tài)代表該柵格單元中存在障礙物，與此相反，未占據(jù)狀態(tài)代表在該柵格單元中沒有障礙物存在。移動機器人在未知環(huán)境中運動時，以一個柵格作為最小移動單位，并綜合考慮柵格地圖中的所有柵格的狀態(tài)，從而對行進路線進行決策。圖4．9所示為移動機器人在室內(nèi)環(huán)境下進行自主探索所建立的柵格地圖。在該地圖中，灰色部分代表未占據(jù)區(qū)域，即在該區(qū)域中沒有障礙物，黑色部分代表己占據(jù)區(qū)域，即有墻體等障礙物的存在。柵格地圖雖然有很多優(yōu)占但也不可避免地存在一些問題。柵格地圖的準確性嚴重依賴里程計的精度，同時柵格地圖的存儲和維護所需要的數(shù)據(jù)量比較大，對大規(guī)模場景的環(huán)境地圖構(gòu)建問題而言，難以滿足其實時性要求。因此使用柵格地圖時，需要綜合考慮計算機的計算能力及實際運行的環(huán)境大小等。02定位問題的分類PARTONE02局部定位與全局定位影響定位困難程度的第1個方面是定位問題是以最初運行期間可供使用信息的類型為特征的。位置跟蹤假定移動機器人的初始(Initial)位姿己知，通過適應(yīng)移動機器人的運動噪聲來定位移動機器人。此類噪聲的影響通常很微弱，因此位置跟蹤經(jīng)常依賴位姿誤差小的假設(shè)。位置的不確定性經(jīng)常用單峰分布（如高斯分布）來近似。位置跟蹤問題是一個局部問題，因為不確定性是局部的，并且局限于移動機器人真實位姿附近的區(qū)域。全局定位認為移動機器人的初始位姿未知。移動機器人最初放置在環(huán)境中的某個地方，但是缺少它的位置信息。全局定位不能假定位姿誤差的有界性，正如后面章節(jié)將介紹的，，使用單峰分布通常是不合適的：全局定位比位置跟蹤更困難，事實上它包括了位置跟蹤。02局部定位與全局定位綁架移動機器人問題是全局定位問題的一個變種，但是它更加困難。在運行過程中，移動機器人被綁架瞬間移動到其他位置。綁架移動機器人問題比全局定位問題更困難，因為移動機器人可能相信自己在那兒，盡管它不是在那里，而在全局定位中，移動機器人不知道自己在哪兒。有人可能認為實際上移動機器人很少被綁架，然而，這個問題的現(xiàn)實意義來自最先進定位算法的觀察，算法并不能保證永不失效，具備從失效中恢復(fù)的能力對于真正的自主移動機器人來說是必不可少的。通過綁架移動機器人可以測試一個定位算法，可以用來衡量該算法從全局定位失效中恢復(fù)的能力。02靜態(tài)環(huán)鏡定位與動態(tài)環(huán)境定位靜態(tài)環(huán)境靜態(tài)環(huán)境，指僅有的變量（狀態(tài)）是移動機器人位姿的環(huán)境。換句話說，靜態(tài)環(huán)境里只有移動機器人是移動的，環(huán)境里其他目標永遠保持在同一位置。靜態(tài)環(huán)境具有一些很好的數(shù)學(xué)特性使得移動機器人服從高效概率估計。動態(tài)環(huán)境，存在除移動機器人外位置或配置隨時間變化的物體。特別有趣的是，變化在整個時間上持續(xù)，并對一個以上傳感器的讀數(shù)產(chǎn)生影響。不可測量的改變當然與定位無關(guān)，那些只影響一個測量的變化最好被當作噪聲對待。更多持久變化的示例是，人、日光（對安裝攝像機的移動機器人來說）、可移動的家具、門。很明顯，大多數(shù)真實的環(huán)境是動態(tài)的，狀態(tài)變化發(fā)生在不同的速度范圍內(nèi)。動態(tài)環(huán)境02被動定位與主動定位主動定位(ActiveLocation)的情況。主動定位算法控制移動機器人，以便最小化定位誤差/最小化定位不良的移動機器人進入一個危險地方引起的花費。主動定位技術(shù)受到的一個主要限制是需要全過程地控制移動機器人。因此，只有主動定位技術(shù)是不夠的。當執(zhí)行其他任務(wù)而不是定位時，移動機器人也必須能自我定位。一些主動定位技術(shù)建立在被動定位技術(shù)之上。其他的一些主動定位技術(shù)，當管理一個移動機器人時，會把任務(wù)性能目標和定位目標結(jié)合起來。被動定位(PassiveLocation)的情況。定位模塊僅觀察移動機器人的運行，移動機器人通過其他方式控制，并且移動機器人運動不是為了定位，而是可能隨意移動或執(zhí)行它每天的任務(wù)。02單機器人定位與多機器人定位單機器人定位（Single-robotLocalization)是定位研究最常用的方法，它僅僅處理單一機器人。單機器人定位便于在單一機器人平臺上收集所有數(shù)據(jù)，并且不存在通信問題。多機器人定位(Multi-robotLocalization)問題來源于機器人團隊：每一機器人能獨立地定位自身，因此多機器人定位問題可以通過單機器人定位解決。如果機器人之間能相互探測，定位有可能做得更好。這是因為如果兩個機器人的相對位置信息可供使用，一個機器人的看法可以用于影響另一個機器人的看法。多機器人定位問題引出了一些有趣的、有意義的問題，即置信表示問題與兩者之間的通信屬性問題。上述4個方面捕獲了移動機器人定位問題的4個重要特性，還有其他特性會影響定位問題的難度，如移動機器人測量提供的信息和運動過程中信息的丟失，而且，對稱環(huán)境比非對稱環(huán)境更加困難，因為其具有更高的模糊性。03定位的常用方法PARTONE03GPS定位GPS是一種可以授時和測距的空間交會定點的導(dǎo)航系統(tǒng)，可向全球用戶提供連續(xù)、實時、高精度的三維位置、三維速度和時間信息。GPS最初主要用于軍事，如為陸?？杖娞峁崟r、全天候和全球性的導(dǎo)航服務(wù)，并用于情報收集、核爆監(jiān)測、應(yīng)急通信和爆破定位等方面。03GPS定位一個簡單的GPS由空間衛(wèi)星部分、地面接收器和用戶接收機三部分構(gòu)成。其中空間衛(wèi)星部分由24顆在離地面12000km的高空上，以12小時為一個周期環(huán)繞地球運行的GPS衛(wèi)星組成。任意時刻，在地面上的任意一點都可以同時觀測到4顆以上的GPS衛(wèi)星，地面接收器在計算出GPS衛(wèi)星的位置后，利用三邊法計算出地面接收器的經(jīng)緯度和高度。03GPS定位GPS相對定位，亦稱差分GPS定位，是目前GPS定位中精度最高的一種定位方法，其基本原理示意圖如圖4衛(wèi)所示，將兩臺用戶接收機分別安置在基線的兩端，并同步觀測相同的GPS衛(wèi)星，以確定基線端點（測站點）在WGS-84坐標系中的相對位置或基線向量。03基于地圖的定位1·使用拓撲地圖和直接推理的定位方法此類方法都使用拓撲地圖表示結(jié)構(gòu)化的外界環(huán)境，在定位過程中往往采用直接式的推理方法，以廣義Voronoi圖（GeneralizedVoronoiGraph,GVG）方法為典型。如圖4．12所示，廣義Voronoi圖由一系列的直線和拋物線構(gòu)成，直線段由兩個障礙物的頂點或兩個障礙物的邊定義生成，直線段上的所有點必須與障礙物的頂點或障礙物的邊距離相等。拋物線段由一個障礙物的頂點和一個障礙物的邊定義生成，同樣要求拋物線段上的所有點與障礙物的頂點和障礙物的邊有相同距離。03基于地圖的定位2·使用幾何特征地圖和直接推理的定位方法幾何特征地圖和直接推理的定位方法大多通過判斷移動機器人自身與環(huán)境中的己知點的相對位置進行定位。如何在有噪聲的情況下有效識別盡量多的路標并用于定位，一直是研宄關(guān)注的焦點之一。幾何特征地冬在描述具體環(huán)境特征上較拓撲地圖更為有效?；趥鞲衅魅诤系娜切畏椒ㄊ且环N典型的使用幾何特征地圖和直接推理的定位方法，其意圖在于通過在移動機器人移動過程中對距離傳感器的讀數(shù)進行分析，找出環(huán)境中的一些固定點作為特征點，用這些點和地圖中的參考點集進行比較，從而估計移動機器人可能的位置。03基于地圖的定位識別特征點使用三角形融合算法完成，其核心思想是從移動機器人的激光、聲吶等測距波束在不同位置獲得的周邊測距信息中提取環(huán)境中固定物體產(chǎn)生的反射，經(jīng)過時間序列上的篩選和綜合之后，移動機器人就可以有效跟蹤環(huán)境中的特征點相對自身的位置變化。前面識別的特征點，定位的推理用一個選舉的過程來進行，目的是找出一個平移和旋轉(zhuǎn)變換使當前識別獲得的特征點集與預(yù)先存儲的參照點集（往往是環(huán)境中有轉(zhuǎn)角特征的點，可以人工標出，也可以通過圖像處理技術(shù)從地圖中自動獲得）有最大重合度，而這個平移和旋轉(zhuǎn)變換就是移動機器人的位置和朝向。此方法由兩部分構(gòu)成，識別特征點和利用識別結(jié)果推理定位。03基于地圖的定位3·使用柵格地圖和概率推理的定位方法隨著對移動機器人定位問題的研究深入，定位過程中遇到的不確定性越來越受到重視，當根據(jù)傳感器信息建立的環(huán)境模型與配置的環(huán)境地圖進行匹配時，由于傳感器誤差等不確定性因素，可能出現(xiàn)一個對象符合數(shù)個匹配的情況。在這種情況下，一般采用基于概率推理的定位方法來消除匹配的不明確性。在近幾年的研究中，應(yīng)用這種推理的定位方法往往使用基于柵格描述的環(huán)境地圖，下節(jié)將著重介紹該部分方法。03基于概率方法的定位在移動機器人定位中，移動機器人的位姿是馬爾可夫定位方法的研究對象。移動機器人在空間中的運動可以用離散的數(shù)學(xué)模型來描述，因而可以通過離散的馬爾可夫過程（馬爾可夫鏈）來表示移動機器人在各個時間點的每個位置的概率分布。具體地，利用先驗環(huán)境地圖信息、位姿的當前估計和傳感器的觀測值等輸入信息，將其經(jīng)過一定的處理和變換，更新各個時間點的每個位姿的概率分布，從而產(chǎn)生更加準確的移動機器人當前的位姿估計結(jié)果。馬爾可夫定位的關(guān)鍵是移動機器人運動過程的無后效性假設(shè)，即移動機器人當前時刻的狀態(tài)僅與前一時刻的狀態(tài)和動作有關(guān)，與其過去的狀態(tài)和動作與未來的狀態(tài)和動作無關(guān)，并且移動機器人在過去狀態(tài)下的傳感器測量數(shù)據(jù)與當前狀態(tài)下的傳感器測量數(shù)據(jù)無關(guān)。在馬爾可夫定位中，環(huán)境狀態(tài)即是移動機器人在環(huán)境中的位姿，通常以離散變量表示。1·馬爾可夫定位03基于概率方法的定位，另外，Bel(Xk)表示移動機器人在k時刻位于X處的可信度。根據(jù)移動機器人傳感器的感知數(shù)據(jù)Zk所采取的動作Ak確定移動機器人位于環(huán)境空間位置的可能性大小Bel(Xk)。該可信度代表了移動機器人位于整個環(huán)境空間的概率分布情況(這里用可信度概念而不直接用概率表示，是為了強調(diào)這是對移動機器人狀態(tài)的估計)。這里的Xk;可以是(X,Y,O)空間中的任一位置或拓撲空間中的某一節(jié)點。當移動機器人運動或接收到新的傳感器輸入數(shù)據(jù)時，狀態(tài)將被更新。假設(shè)在每一個離散時刻k,移動機器人收到一次測量數(shù)據(jù)Zk,并給出一次動作命令A(yù)k。馬爾可夫定位的任務(wù)是隨著移動機器人的運動，不斷地更新移動機器人位于位置Xk的可信度，并以可信度最大的位置作為對移動機器人實際位姿的估計。03基于概率方法的定位03基于概率方法的定位馬爾可夫定位方法與卡爾曼濾波定位方法的不同之處在于,馬爾可夫定位方法不使用高斯分布表示概率密度,而是將整個狀態(tài)空間離散化,直接以每個(離散后的)空間單元的概率密度來表示狀態(tài)分布,因此在各個時間記錄的就不僅僅是單純的姿態(tài)數(shù)學(xué)期望和置信度方差,而是整個空間中的姿態(tài)概率分布。這種表示方法的優(yōu)越性在于首先可以表示定位過程中的歧義或多義的情況,其次可以表示移動機器人對自身位置一無所知的情況,這為處理移動機器人在運動過程中突然被轉(zhuǎn)移的情況和定位失敗的恢復(fù)提供了較好的解決途徑。03基于概率方法的定位2.卡爾曼濾波定位馬爾可夫定位模型可以表示移動機器人位置的任何概率密度函數(shù),該方法比較通用但效率低。移動機器人定位的關(guān)鍵不是概率密度曲線的精確復(fù)制,而是與魯棒定位相關(guān)的傳感器融合問題?？柭鼮V波是實現(xiàn)多種傳感器信息融合的一個高效技術(shù),不管獲得的數(shù)據(jù)是否準確,利用線性的系統(tǒng)狀態(tài)方程和觀測方程就可以得到一個全局最優(yōu)的狀態(tài)估計。設(shè)一個線性離散時間系統(tǒng)可以用如下狀態(tài)方程和觀測方程表示。03基于概率方法的定位爾曼濾波定位極具有效性，其遞推特性使得系統(tǒng)處理數(shù)據(jù)不需要大量的數(shù)據(jù)存儲和計算，因此在移動機器人定位領(lǐng)域得到了廣泛的應(yīng)用。經(jīng)典卡爾曼濾波定位實現(xiàn)移動機器人的自定位，需要嚴格的運動模型匹配，但其具有不能處理非線性估計問題的缺點，因而需要采用擴展卡爾曼濾波定位更好地解決移動機器人在實際情況下的定位問題。03基于概率方法的定位擴展卡爾曼濾波(ExtendedKalmanFilter,EKE)定位方法為了處理移動機器人定位過程中的不確定性，移動機器人的位姿使用高斯分布來描述，而在移動機器人運動過程中位姿的更新表現(xiàn)為移動機器人位姿空間中位姿向量分布的數(shù)學(xué)期望和方差的更新。這個更新過程中用的是擴展卡爾曼濾波，其包括兩個方面：掃描匹配和基于擴展卡爾曼濾波的位姿計算。掃描匹配的目的在于獲得根據(jù)移動機器人的傳感器讀數(shù)推斷的當前位置假設(shè)坐標和此假設(shè)坐標的誤差矩陣?；跀U展卡爾曼濾波的位置計算按照不同的信息來源（外部測距讀數(shù)或內(nèi)部里程計讀數(shù)）計