英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
同步定位和建图:第一部分
同步定位和建图(SLAM)问题提出移动机器人是否有可能被放置在未知环境中的未知位置，以及机器人是否有可能逐步构建该环境的一致地图，同时确定其在该地图中的位置。SLAM问题的解决方案被视为移动机器人社区的“圣杯”，因为它将提供让机器人真正自主的手段
SLAM问题的“解决方案”是机器人界在过去十年中取得的显著成功之一。SLAM作为一个理论问题，已经以多种不同的形式被阐述和解决。从室内机器人到室外、水下和空中系统，SLAM也在许多不同的领域得到了应用。在理论和概念层面上，SLAM现在可以被认为是一个已经解决的问题。然而，在实际实现更一般的SLAM解决方案方面，特别是在使用丰富的地图作为SLAM算法的一部分方面，仍然存在大量问题。
SLAM的这两个部分的教程和研究的目的是提供对这个快速增长的领域的广泛的介绍。第一部分(本文)首先简要介绍了SLAM的早期发展历史。公式化部分介绍了标准贝叶斯形式的SLAM问题的结构，并解释了SLAM过程的演化过程。解决方案部分通过使用扩展卡尔曼滤波(EKF-SLAM)和Rao-Blackwellized粒子滤波(FastSLAM)来描述SLAM问题的两个关键计算解决方案。在本教程的第二部分中讨论了SLAM问题的其他最新解决方案。应用部分描述了一些真实世界中重要的SLAM实现，并强调了可以实现传感器数据和软件可以自由向下加载以供其他研究人员研究。本教程的第二部分描述了SLAM中计算、收敛和数据关联方面的主要问题。这些都是过去五年来SLAM研究领域的主要关注点。
一、slam问题的历史
概率SLAM问题起源于1986年在加州旧金山举行的IEEE机器人与自动化会议。这是一个概率方法刚刚开始被引入机器人和人工智能(AI)的时代。许多研究人员一直在研究将估计理论方法应用于建图和定位问题;这些人包括Peter Cheeseman, Jim Crowley, and Hugh DurrantWhyte。在会议期间，许多纸质桌布和餐巾纸上充斥着关于一致性建图的长时间讨论。在此过程中，Raja Chatila、Oliver Faugeras、Randal Smith和其他人也为对话做出了有益的贡献。
这次谈话的结果是认识到一致的概率建图是机器人的一个基本问题，需要解决的主要概念和计算问题。在接下来的几年里，他们发表了许多重要的论文。Smith和Cheesman[39]和durant - whyte[17]的工作为描述地标之间的关系和处理几何不确定性建立了一个统计基础。这项工作的一个关键因素是要表明，在地图上不同地标位置的估计值之间必须有高度的相关性，而且这些相关性确实会随着连续的观测而增强。
与此同时，Ayache和Faugeras[1]正在进行视觉导航的早期工作，Crowley[9]和Chatila以及Laumond[6]正在使用卡尔曼滤波类型的算法进行基于声纳的移动机器人导航。这两方面的研究有很多共同点，不久之后，Smith等人发表了具有里程碑意义的论文[40]。本文表明，当一个移动机器人在一个未知的环境中移动时，通过对地标的相对观测，这些地标的估计都是必然相关的，因为在估计车辆位置[27]时存在常见的误差。其含义是深远的:一个统一的完整的定位和建图问题的解决方案将需要一个由车辆姿态和每个地标位置组成的联合状态，并在每次地标观测后更新。反过来，这将需要估计器使用一个巨大的状态向量(按照地图中保持的地标数量的顺序)，并以地标数量的平方进行计算。
至关重要的是，这项工作并没有研究地图的收敛特性或其稳态行为。事实上，事实上，当时人们普遍认为，估计的地图误差不会收敛，而是呈现出无限的误差增长的无规则运动。因此,考虑到建图计算的复杂度的问题，不知道地图的收敛性，研究者转而专注于一系列的近似一致的建图问题，假定或甚至迫使地标最小化或消除之间的相关性，因此，将整个滤波器简化为一系列与车辆滤波器分离的地标(例如[28]和[38])。也正是由于这些原因，关于联合的定位和建图问题的理论工作暂时停止了，工作的重点往往是将建图或定位作为单独的问题。
概念上的突破来自于这样一种认识：建图和定位的组合问题，一旦被表述为一个单独的估计问题，实际上是收敛的。最重要的是，人们认识到，大多数研究人员试图最小化的地标之间的相关性实际上是问题的关键部分，相反，这些相关性增长得越多，解决方案就越好。SLAM问题的结构、收敛结果和缩写SLAM的创造首先出现在1995年国际机器人研究研讨会[16]上的一份移动机器人调查报告中。收敛的基本理论和许多初始结果是由Csorba[10]提出的[11]，已经有几个小组在进行建图和定位工作，特别是在麻省理工学院[29]的，Zaragoza[4]，[5]，悉尼[20]的ACFR，[45]，和其他[7]，[13]，开始认真地研究在室内、室外和水下环境中的slam问题，也叫做并发建图和定位(CML)。
此时，工作的重点是提高计算效率和解决数据关联或循环关闭中的问题。1999年国际机器人研究研讨会(ISRR rsquo;99)[23]是召开第一次SLAM会议的重要会议地点，基于卡尔曼滤波的SLAM方法与由Thrun[42]引入的概率定位和建图方法在一定程度上实现了融合。2000年IEEE机器人与自动化国际会议(ICRA)上的SLAM研讨会吸引了15位研究人员，聚焦于算法复杂性、数据关联和实现的挑战等问题。2002年ICRA的SLAM研讨会吸引了150位兴趣和应用上广泛的研究人员。由Henrik Christiansen在斯德哥尔摩的瑞典皇家理工学院举办的2002年夏季研讨会吸引了来自世界各地的所有关键研究人员和大约50名博士，在建设该领域取得了巨大的成功。近年来，人们对SLAM的兴趣呈指数级增长，在ICRA和IROS继续举办研讨会。SLAM夏季研讨会于2004年在图卢兹开办，并将于2006年在英国牛津开办。
二、SLAM问题的公式和结构
SLAM是一个移动机器人可以建立一个环境地图，同时利用这个地图推断其位置的过程。在SLAM中，平台的轨迹和所有地标的位置都是在线估计的，不需要任何位置的先验知识。
2.1前言
考虑一个移动机器人在环境中移动，使用位于机器人上的传感器对大量未知地标进行相对观察，如图1所示。在时刻k，定义如下量:
图1关键的SLAM问题。需要同时估计机器人和地标位置。真实的位置永远不为人知，也无法直接测量。在真正的机器人和地标位置之间进行观察。
◆xk描述车辆位置和方向的状态向量
◆uk:控制向量，在时刻k- 1开始将车辆驱动到k时刻的状态xk
◆mi一个描述第i个地标位置的向量，其真实位置假设为随时间不变
◆zik: 在k时刻从第i个地标位置的车辆上进行的观测。当同一时刻有多个地标观测时，或者特定的地标与讨论无关时，观测将被简单地写成zk。
此外，还定义了以下集合:
◆X0:k= {X0, X1，hellip;hellip;，Xk} = {X0—k-1, Xk}:车辆位置历史记录
◆U0:k = {U0, U1，hellip;hellip;，Uk} = {U0—k-1, Uk}:控制输入历史
◆m = {m0, m1，hellip;hellip;，mn}所有地标的集合
◆Z0:k = {Z0, Z1，hellip;hellip;，Zk} = {Z0—k-1, Zk}:所有地标观测值的集合。
2.2概率slam
在概率形式中，同步定位和建图(SLAM)问题要求计算所有时间k的概率分布。
P(xk, m|Z0:k, U0:k, x0) (1)
这个概率分布描述了地标位置和车辆状态(时刻k)的联合后验密度，给出了在k之前的记录观测和控制输入，以及车辆的初始状态。通常，SLAM问题的递归解决方案是可取的。从k-1时刻的分布P(xk-1, m|Z0:k-1, U0:k-1)的估计值开始，根据控制uk观测Zk，使用贝叶斯定理计算联合后验。这种计算要求定义状态转换模型和观测模型，分别描述控制输入和观测的影响。
观测模型描述了车辆位置和地标位置已知的情况下进行观测zk的概率，一般以下面形式描述
P(zk|xk, m) (2)
可以合理地假设，一旦定义了车辆位置和地图，给定地图和当前车辆状态，观察值就有条件地独立了。
车辆的运动模型可以用下面形式的状态转换的概率分布来描述
P(xk|xkminus;1, uk) (3)
也就是说，假设状态转换是一个马尔科夫过程，其中下一个状态xk仅依赖于前一个状态xk-1，实施的控制uk并且独立于观测值和地图。
SLAM算法现在以标准的两步递归(顺序)预测(时间更新)修正(测量-更新)形式实现:
Time-update
= (4)
Measurement Update
(5)
方程(4)和(5)提供了一个递归程序计算联合后验概率P(xk, m|Z0:k, U0:k, x0)机器人状态xk和地图m在一个时刻k上基于观察Z0: k和所有控制输入包括时间等于k。这个递归是车辆模型函数P(xk|xkminus;1, uk)和一个观察模型P(zk|xk, m)。
值得注意的是，建图问题可以表述为计算条件密度P(m|X0:k, Z0:k ，U0:k).，这假设车辆的位置xk在任何时候都是已知的(或至少是确定的)，取决于初始位置的知识。然后，通过融合来自不同位置的观测数据构建地图m。相反地，定位问题可以表述为计算概率分布P(xk |Z0:k, U0:k, m)，这假设地标位置是确定的，目标是计算车辆相对于这些地标位置的估计。
2.3概率slam的结构
为了简化本节的讨论，我们将去掉(1)中的历史变量的条件设置，并将地图和车辆位置上所需的联合后验值写成P(xk, m| zk)，甚至在上下文允许的情况下写成P(xk, m)。
观测模型P(zk|xk, m)明确了观测对车辆和地标位置的依赖关系。由此可见，联合后验不能以明显的方式进行分割，事实上，从早期关于一致建图[17]，[39]的论文中我们知道，这样的分割会导致不一致的估计。然而，SLAM问题的结构比从这些方程中直接得出的要复杂得多。
再次参考图1，我们可以看到，在地标之间，估计的和真实的地标位置之间的大部分误差是共同的，实际上是单一来源造成的; 当进行地形观测时，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235860]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
