在SLAM领域中,为了克服稀疏特征地图不能提供详尽环境信息的缺点,从观测信息的物理意义出发,提出了全局观测地图模型.其基本思想是在稀疏特征地图中嵌入全局密集地图信息,采用位移准则、特征准则和传感器量程准则提取必要的观测信息,然...在SLAM领域中,为了克服稀疏特征地图不能提供详尽环境信息的缺点,从观测信息的物理意义出发,提出了全局观测地图模型.其基本思想是在稀疏特征地图中嵌入全局密集地图信息,采用位移准则、特征准则和传感器量程准则提取必要的观测信息,然后对观测信息进行去噪、转换,接着根据观测信息的物理意义和机器人位姿估计的不确定性获取环境的全局密集地图,可视化后得到环境的二值地图、灰度地图或颜色地图.将全局观测地图模型与EKF-SLAM算法相结合,提出了GOE-SLAM算法,采用Car Park Dataset对GOE-SLAM进行了实验验证,结果表明GOE-SLAM生成了可信的密集地图,并且GOE-SLAM的计算复杂度与EKF-SLAM相当.展开更多
对于移动机器人研究领域来说,现阶段研究热点是如何在全球定位系统失效的情况下同时定位与地图构建(simultaneous localization and mapping,SLAM)。对于单个机器人SLAM已经有很多解决方案,然而当转移到多机器人平台时,对于存在的问题...对于移动机器人研究领域来说,现阶段研究热点是如何在全球定位系统失效的情况下同时定位与地图构建(simultaneous localization and mapping,SLAM)。对于单个机器人SLAM已经有很多解决方案,然而当转移到多机器人平台时,对于存在的问题又面临很多新的挑战。本文首先分析了多机器人SLAM,着重探讨了多机器人SLAM后端优化算法。分析了多机器人SLAM研究过程中遇到的不同问题,以及现阶段这些问题的处理算法。讨论了多机器人SLAM中扩展卡尔曼滤波、扩展信息滤波、粒子滤波、基于图优化的SLAM、地图融合等后端优化算法的研究现状,分析了算法的优缺点,并提出了未来发展的方向。展开更多
When solving the problem of simultaneous localization and mapping(SLAM) ,a standard extended Kalman filter(EKF) is subject to linearization errors and causes optimistic estimation.This paper proposes a submap algorith...When solving the problem of simultaneous localization and mapping(SLAM) ,a standard extended Kalman filter(EKF) is subject to linearization errors and causes optimistic estimation.This paper proposes a submap algorithm,which builds a weighted least squares(WLS) constraint between two adjacent submaps according to the different estimations of the common features and the relationship between the vehicle poses in the corresponding submaps.By establishing the constraint equation after loop closing,re-linearization is implemented and each submap's reference frame tends to its equilibrium position quickly.Experimental results demonstrate that the algorithm could get a globally consistent map and linearization errors are limited in local regions.展开更多
文摘在SLAM领域中,为了克服稀疏特征地图不能提供详尽环境信息的缺点,从观测信息的物理意义出发,提出了全局观测地图模型.其基本思想是在稀疏特征地图中嵌入全局密集地图信息,采用位移准则、特征准则和传感器量程准则提取必要的观测信息,然后对观测信息进行去噪、转换,接着根据观测信息的物理意义和机器人位姿估计的不确定性获取环境的全局密集地图,可视化后得到环境的二值地图、灰度地图或颜色地图.将全局观测地图模型与EKF-SLAM算法相结合,提出了GOE-SLAM算法,采用Car Park Dataset对GOE-SLAM进行了实验验证,结果表明GOE-SLAM生成了可信的密集地图,并且GOE-SLAM的计算复杂度与EKF-SLAM相当.
文摘对于移动机器人研究领域来说,现阶段研究热点是如何在全球定位系统失效的情况下同时定位与地图构建(simultaneous localization and mapping,SLAM)。对于单个机器人SLAM已经有很多解决方案,然而当转移到多机器人平台时,对于存在的问题又面临很多新的挑战。本文首先分析了多机器人SLAM,着重探讨了多机器人SLAM后端优化算法。分析了多机器人SLAM研究过程中遇到的不同问题,以及现阶段这些问题的处理算法。讨论了多机器人SLAM中扩展卡尔曼滤波、扩展信息滤波、粒子滤波、基于图优化的SLAM、地图融合等后端优化算法的研究现状,分析了算法的优缺点,并提出了未来发展的方向。
基金the Knowledge Innovation Program of Shanghai Science and Technology Committee (No.08510708300)the Ph.D.Programs Foundation of Ministry of Education of China (No.20070248097)
文摘When solving the problem of simultaneous localization and mapping(SLAM) ,a standard extended Kalman filter(EKF) is subject to linearization errors and causes optimistic estimation.This paper proposes a submap algorithm,which builds a weighted least squares(WLS) constraint between two adjacent submaps according to the different estimations of the common features and the relationship between the vehicle poses in the corresponding submaps.By establishing the constraint equation after loop closing,re-linearization is implemented and each submap's reference frame tends to its equilibrium position quickly.Experimental results demonstrate that the algorithm could get a globally consistent map and linearization errors are limited in local regions.
