移动机器人的同步定位和映射算法分析
[摘要]

本文档的目标是对移动机器人的SLAM(同步定位和映射)领域进行教程介绍。关于这个主题有很多论文,但是对于这个领域的新成员来说,要理解实施SLAM所涉及的许多复杂问题,需要花费大量的研究时间。因此,希望能够以清晰简洁的方式呈现主题,同时尽量减少理解文档所需的先决条件。在读完这篇文章之后,实际上应该可以坐下来执行基本的冲击。

 

SLAM可以通过多种方式实现。首先,可以使用大量不同的硬件。其次,slam更像是一个概念,而不是一个算法。SLAM中涉及到许多步骤,这些不同的步骤可以使用许多不同的算法来实现。在大多数情况下,我们解释这些不同步骤的单一方法,但提示其他可能的方法,以便进一步阅读。

 

写这篇文章的动机主要是帮助我们更好地理解Slam。通过教授一门学科,人们总是能获得更好的知识。第二,现有的大满贯论文大多是理论性的,主要集中在小满贯领域的创新,这当然是他们的目的。本文的目的是非常实际的,并集中在一个简单的,基本的SLAM算法,可以作为一个起点,以更好地了解SLAM。对于在Slam中有一些背景知识的人,我们在这里提出了一个使用EKF(扩展卡尔曼滤波器)的Slam的完整解决方案。通过完成,我们并不意味着完美。我们的意思是,我们涵盖了启动和运行实现所需的所有基本步骤。必须指出的是,SLAM还没有完全解决,而且在该领域仍有大量的研究正在进行。

 

为了便于启动,提供了所有代码,所以基本上只是下载、编译、插入硬件(Sick激光扫描仪、ER1机器人)和执行应用程序;即插即用。我们已经使用了Microsoft Visual C,代码将在.NET Framework 1.1版中编译。大多数代码非常简单,几乎可以作为伪代码读取,因此移植到其他语言或平台应该很容易。

 

术语slam是同时本地化和映射的缩写。它最初是由休·杜兰特·怀特和约翰·J·伦纳德根据史密斯、赛尔夫和奇森曼早期的研究成果开发的。杜兰特·怀特和伦纳德最初称之为“smal”,但后来改变了它以产生更好的影响。SLAM关注的是用移动机器人绘制未知环境的地图,同时使用

 

SLAM由多个部分组成:地标提取、数据关联、状态估计、状态更新和地标更新。有很多方法可以解决每个较小的部分。我们将展示每个部分的示例。这也意味着可以用一种新的方法来更换某些零件。作为一个例子,我们将用两种不同的方法来解决地标提取问题,并对这些方法进行评述。其思想是,您可以使用我们的实现,并通过使用您自己的新方法来扩展它。我们决定把重点放在室内环境中的移动机器人上。您可以选择更改其中的一些算法,以便在不同的环境中使用。

 

SLAM适用于二维和三维运动。我们只考虑二维运动。

 

如果读者已经熟悉SLAM入门级的一般概念,例如通过大学级别的课程了解该主题,这将非常有帮助。对这一领域的研究有很多很好的介绍,包括。了解一点扩展卡尔曼滤波器(EKF)也很有帮助;介绍来源是。背景信息总是有帮助的,因为它可以让你更容易地理解本教程,但并不严格要求你理解所有的内容。

资源类型:pdf
资源大小:403.93KB
所属分类:
上传时间:2019/01/31