-
1
-
-
-
?/p>
3
?/p>
同时定位与制图(
SLAM
)算?/p>
3.1
同时定位与制图算法介?/p>
移动机器人的定位和地图创建是机器人领域的热点研究问题,也是导航中
重要环节?/p>
对于已知环境中的机器人自主定位和已知机器人位置的地图创建?/p>
经有了一些实用的解决方法?/p>
然而在很多环境中机器人不能利用全局定位系统
进行定位
,
而且事先获取机器人工作环境的地图很困难,甚至是不可能的。这?/p>
机器人需要在自身位置不确定的条件下,在完全未知环境中,创建地图同时利
用该地图进行自主定位和导航?/p>
这就是移动机器人的同时定位与地图创建
(
SLAM
)
问题,也称为
CML (Concurrent Mapping and Localization)
。该研究?/p>
域的代表人物?/p>
Smith
?/p>
Self
?/p>
Cheeseman
[23]
。由?/p>
SLAM
算法具有重要的理
论与应用价值,被很多学者认为是实现真正全自主移动机器人的关键。近几年
来,
其研究取得了很大的进展,
并已应用于各种不同的环境?/p>
如:
室内环境
[24 ][25]
?/p>
水下
[26 ][27]
以及室外环境
[28 ][29]
?/p>
3.1.1 SLAM
算法性质
SLAM
算法有很多重要的属性,影响着地图特征和机器人位置估计中的?/p>
确定性。包括:状态估计的收敛性,估计过程的一致性,状态协方差矩阵更新
的计算复杂度
[23]
?/p>
收敛性:
SLAM
算法具有三个重要的收敛性,这三个关键的收敛结果是:
A.
地图协方差矩阵的任意子矩阵地行列式随着每一次观测单调下降;
B.
在极限情
况下?/p>
随着观测数量的增加,
特征估计变得完全相关?/p>
C.
地图的精度与第一个特
征被观测时机器人的位置精度有关。这些结果表明:随着观测数量的增加,?/p>
图估计的不确定性将降低到有限的误差范围内,地图特征的关系将是完全确?/p>
的?/p>
一致性:为了维护
SLAM
算法估计的一致性,对状态协方差矩阵进行更新