移动机器人学 课件第六章 移动机器人定位与建图.pptx

华南理工大学自动化科学与工程学院《移动机器人学》

华南理工大学自动化科学与工程学院第六章移动机器人定位与建图

6.移动机器人定位与建图地图构建和定位是移动机器人自主导航的关键基础问题。SLAM技术通过迭代优化机器人位姿和环境地图，解决了两者相互影响的难题。SLAM方法可分为滤波SLAM和图优化SLAM，传感器上分为激光SLAM和视觉SLAM。激光SLAM因其高精度和实时性广泛应用于自动驾驶、AGV和扫地机器人等领域。本章研究SLAM问题的数学描述及基于改进RBPF的SLAM方法的实现原理，并概述栅格地图构建。重点分析基于Gmapping算法的激光雷达建图及ORB-SLAM3视觉算法。

6.1SLAM理论基础SLAM核心思想SLAM的核心思想是通过机器人或车辆的传感器数据，实时完成自身位姿估计和环境地图的构建。在未知环境中，SLAM利用传感器检测运动信息和环境特征，通过特征匹配和数据关联不断更新全局地图，从而实现自主定位与导航。这一技术在机器人自主导航、无人驾驶等领域具有重要意义。SLAM系统框图

6.1SLAM理论基础SLAM概率模型SLAM的概率模型通过贝叶斯滤波和马尔可夫假设描述机器人在未知环境中的定位和建图不确定性。通过结合运动模型和观测模型，贝叶斯滤波计算状态和地图的后验概率分布，不断更新以减小不确定性。SLAM问题原理图马尔可夫假设简化了计算复杂度，使得SLAM可以实时运行。此外，SLAM还使用因子图和回环检测来提高精度，并结合深度学习增强鲁棒性。

6.1SLAM理论基础SLAM概率模型根据概率论原理，SLAM问题可以建模成P(xt,M|Z0:t,U0:t)机器人当前时刻t下的位姿xt状态转移方程可以描述为xt=f(xt?1,ut)+Vt机器人t时刻的状态转移概率分布如下P(xt,M|xt?1,U0:t)=P(xt,M|xt?1,ut)=F(xt?1,ut)+Vt

6.1SLAM理论基础SLAM概率模型根据机器人传感器测量数据，当前时刻机器人对路标位置的观测方程可以描述为zt=h(xt,M)+Wt基于贝叶斯估计理论，结合机器人的观测方程（6-4）得到如下的观测信息的概率分布：P(zt|xt,M)=H(xt,M)+Wt

6.1SLAM理论基础SLAM概率模型通过递归的方式得到SLAM问题的预测公式和更新公式，即机器人联合后验概率密度分布，具体如下：P(xt,M|Z0:t?1,U0:t)=P(xt,M|xt?1,ut)P(xt?1,M|Z0:t?1,U0:t?1)dxt?1预测公式：更新公式：

6.2基于改进RBPF粒子滤波的SLAM算法Rao-Blackwellized粒子滤波算法Rao-Blackwellized粒子滤波（RBPF）算法结合了Rao-Blackwellized估计与粒子滤波，适用于高维非线性非高斯状态估计问题。通过条件独立性假设将高维状态空间分解为低维子空间，每个子空间使用粒子滤波独立估计，从而降低计算复杂性并提高估计精度。RBPF通过迭代采样和权重更新，逐步逼近真实状态分布，避免粒子退化。相比传统粒子滤波，RBPF算法在精度和效率上具有优势，适用于复杂系统，但需要根据具体问题调整算法参数以优化性能。

6.2基于改进RBPF粒子滤波的SLAM算法Rao-Blackwellized粒子滤波算法基于RBPF的SLAM（RBPF-SLAM）问题实际上是计算机器人位姿和地图的联合概率分布的问题，通过RBPF分解为对机器人位姿的后验概率分布和地图概率分布，最后通过两者乘积获得。联合后验概率分布如下：

6.2基于改进RBPF粒子滤波的SLAM算法Rao-Blackwellized粒子滤波算法RBPF算法的5个步骤总结如下：粒子初始化：根据机器人的运动模型，通过运动状态转移概率估计生成N个独立粒子，并为每个粒子分配初始权重。重要性采用：根据建议分布函数将上一时刻的粒子代入当前时刻，生成新的粒子。重要性权重更新：更新每个粒子的权重，权重反映了粒子与真实后验分布的匹配程度，通过观测数据（如激光雷达）计算得到。重采样：为了避免粒子退化，重采样步骤根据粒子权重选择权重大的粒子，丢弃权重小的粒子，所有粒子权重重设为1/N。更新地图：根据机器人的位姿和观测数据，更新地图中的路标信息。

6.2基于改进RBPF粒子滤波的SLAM算法基于改进RBPF的Gmapping算法传统Gmapping算法：通过粒子滤波（ParticleFilter,PF）估计机器人的位姿，并结合激光雷达数据构建环境地图。粒子滤波：基于大