波恩大学Cyrill Stachniss SLAM课程

最新推荐文章于 2024-05-30 10:09:16 发布

原创最新推荐文章于 2024-05-30 10:09:16 发布 · 601 阅读

0 ·

CC 4.0 BY-SA版权

每一个优秀的人的背后都有一段沉默的时光，那是付出很多努力却不一定有结果的日子，我们把它叫做扎根。

slam 专栏收录该内容

33 篇文章

订阅专栏

本文深入探讨了SLAM（同时定位与建图）的概念，包括其核心问题、方法和应用场景。介绍了全SLAM和在线SLAM的区别，强调了概率方法在处理不确定性中的作用。SLAM不仅是机器人导航的关键，也是室内、室外、空域和水下应用的基础。

Introduction to SLAM

Simultaneous Localization and Mapping

Graph-based SLAM using pose graphs

Graph-based SLAM with landmarks

Robust optimization in SLAM

Relative pose estimation using vision

What is SLAM

同时定位映射问题，我们将引入最小二乘，首先，这是我们用来进行状态估计的主要技术。然后我们研究一种2Ｄ SLAM问题，这种问题比较容易解决。掌握并理解激光测距仪，然后我们可以缓解问题。将使问题更笼统，从而在我们的数据中出现异常值关联，然后我们还研究如何获取状态估计。

伴随着三个问题,localization Mapping ＳＬＡＭ
定位是估计位姿的问题，就是我在哪里的问题
建图是构建一个世界是什么样子的地图
ＳＬＡＭ是以上两个问题同时进行，同时解决定位和建图问题。
这是富有挑战的，因为我们通常需要有一个地图来很好的估计我们的位姿，另一方面，我们需要有一个好的位姿估计来构建一个地图。所以我们两个任务有依赖。如果我们有一个地图，那么我们定位就很简单。如果我们有一个好的位姿，那么建图就很简单。但是如果你想同时解决这两个问题，这将会变得富有挑战性和更棘手。
为了解决我们执行的大多数导航任务而设计的fation一个重要的部分，并已在许多的不同的设置中使用，基本上是大多数应用程序的关键要素。

Computing the robot’s poses and the map of the environment at the same time
Localization:estimating the robot’s location
Mapping:building a map
SLAM:building a map and localizing the robot simultaneously

Simultaneous Localization and Mapping or SLAM

Build a map of the environment from a mobile sensor platform
At the same time, localize a mobile sensor platform in the map build so far
Online variant of the bundle adjustment problem for arbitrary sensors

SLAM Applications

SLAM is central to a range of indoor, outdoor, air and underwater applications for both manned and automous vehicles.

Definition of the SLAM Problem

Given

The robot’s controls

$u_{1:T} = {u_1,u_2,u_3,...,u_{T}}$

Observations
$z_{1:T}={z_1,z_2,z_3,...,z_T}$
Wanted
- Map of the environment
  m
- Path of the robot
  $x_{0:T}={x_0,x_1,x_2,...,x_T}$

Probalilistic Approaches

Uncertainty in the robot’s motions and observations
Use the probability theory to explicitly represent the uncertainty
我的运动充满了不确定性和运动的不确定性，观察将影响我们实际拥有的整个地图的不确定性，所以归结为估计X和概率分布P给定，所以我们将其视为给定的所有观察结果和所有控制命令，所以从SLAM的概率观点来看，一切都归为估计这种概率分布。

In the Probabilistic World

Estimate the robot’s path and the map
$p(x_{0:t},m|z_{1:T,u_{1:T}})$


P	distribution
$x_{0:T}$	path
m	map
$Z_{1:T}$	observations
$u_{1:T}$	controls

在这里插入图片描述从图形角度来看，像贝叶斯网络这样的图形模型是一种可以说的方式，说明概率分布或者说明依赖关系之间的概率分布，所以我们这里有不同的圈子，圆圈指的是您从此处看到的变量。在不同的点，我们有不同的控制命令，U。观察和我们的地图，我们可以读取该图中的错误，作为影响，因此例如控制命令会影响下一个脉冲，所以如果我在某处并且正在执行控制命令，这是一个对已知的下一个观测结果卷曲的影响，因此也处于我所处的位置 $x_t$ 会影响我的下一个观测结果 $z_t$ 。

Full SLAM vc. Online SLAM

Full SLAM estimates the entire path
$p(x_{0:T},m|z_{1:T},u_{1:T})$
Online SLAM seeks to recover only the most recent pose
$p(x_t,m|z_{1:t},u_{1:t})$

机器人在环境中行驶，他根据地图做出决定，他可以构建，但是对之前的位置并不感兴趣，只对我现在在哪里感兴趣，以便做出正确的决定。这是我们不再参考online-SLAM的地方

Oneline SLAM
Online SLAM means marginalizing out the previous poses
$p(xt,m∣z1:t,u1:t)=∫...∫p(z0:t,m∣z1:t,u1:t)dxt−1...dx0p(x_t,m|z_{1:t},u_{1:t})= \int ... \int p(z_{0:t,m|z_{1:t},u_{1:t}})dx_{t-1}...dx_0$
Integrals are typically solved recursively, one at at time