波恩大学Cyrill Stachniss SLAM课程

向右看齐 2022-11-18 13:57 97阅读 0赞

# Introduction to SLAM #

Simultaneous Localization and Mapping

## Graph-based SLAM using pose graphs ##

## Graph-based SLAM with landmarks ##

## Robust optimization in SLAM ##

## Relative pose estimation using vision ##

## What is SLAM ##

同时定位映射问题，我们将引入最小二乘，首先，这是我们用来进行状态估计的主要技术。然后我们研究一种2Ｄ SLAM问题，这种问题比较容易解决。掌握并理解激光测距仪，然后我们可以缓解问题。将使问题更笼统，从而在我们的数据中出现异常值关联，然后我们还研究如何获取状态估计。

伴随着三个问题,localization Mapping ＳＬＡＭ  
定位是估计位姿的问题，就是我在哪里的问题  
建图是构建一个世界是什么样子的地图  
ＳＬＡＭ是以上两个问题同时进行，同时解决定位和建图问题。  
这是富有挑战的，因为我们通常需要有一个地图来很好的估计我们的位姿，另一方面，我们需要有一个好的位姿估计来构建一个地图。所以我们两个任务有依赖。如果我们有一个地图，那么我们定位就很简单。如果我们有一个好的位姿，那么建图就很简单。但是如果你想同时解决这两个问题，这将会变得富有挑战性和更棘手。  
为了解决我们执行的大多数导航任务而设计的fation一个重要的部分，并已在许多的不同的设置中使用，基本上是大多数应用程序的关键要素。

*  **Computing** the robot’s poses and the map of the environment at the same time
 *  **Localization**:estimating the robot’s location
 *  **Mapping**:building a map
 *  **SLAM**:building a map and localizing the robot simultaneously

## Simultaneous Localization and Mapping or SLAM ##

*  **Build a map** of the environment from a mobile sensor platform
 *  At the same time, **localize** a mobile sensor platform in the map build so far
 *  **Online** variant of the bundle adjustment problem for **arbitrary sensors**

## SLAM Applications ##

*  SLAM is central to a range of indoor, outdoor, air and underwater applications for both manned and automous vehicles.

## Definition of the SLAM Problem ##

Given

*  The robot’s controls

u 1 : T = u 1 , u 2 , u 3 , . . . , u T u\_\{1:T\} = \{u\_1,u\_2,u\_3,...,u\_\{T\}\} u1:T=u1,u2,u3,...,uT

*  Observations  
     z 1 : T = z 1 , z 2 , z 3 , . . . , z T z\_\{1:T\}=\{z\_1,z\_2,z\_3,...,z\_T\} z1:T=z1,z2,z3,...,zT
 *  Wanted
    
     *  Map of the environment  
        m
     *  Path of the robot  
         x 0 : T = x 0 , x 1 , x 2 , . . . , x T x\_\{0:T\}=\{x\_0,x\_1,x\_2,...,x\_T\} x0:T=x0,x1,x2,...,xT

## Probalilistic Approaches ##

*  Uncertainty in the robot’s motions and observations
 *  Use the probability theory to explicitly represent the uncertainty  
    我的运动充满了不确定性和运动的不确定性，观察将影响我们实际拥有的整个地图的不确定性，所以归结为估计X和概率分布P给定，所以我们将其视为给定的所有观察结果和所有控制命令，所以从SLAM的概率观点来看，一切都归为估计这种概率分布。

## In the Probabilistic World ##

Estimate the robot’s path and the map  
 p ( x 0 : t , m ∣ z 1 : T , u 1 : T ) p(x\_\{0:t\},m|z\_\{1:T,u\_\{1:T\}\}) p(x0:t,m∣z1:T,u1:T)

<table> 
 <thead> 
 <tr> 
 <th></th> 
 <th></th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td>P</td> 
 <td>distribution</td> 
 </tr> 
 <tr> 
 <td> x 0 : T x_{0:T} x0:T</td> 
 <td>path</td> 
 </tr> 
 <tr> 
 <td>m</td> 
 <td>map</td> 
 </tr> 
 <tr> 
 <td> Z 1 : T Z_{1:T} Z1:T</td> 
 <td>observations</td> 
 </tr> 
 <tr> 
 <td> u 1 : T u_{1:T} u1:T</td> 
 <td>controls</td> 
 </tr> 
 </tbody> 
</table>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NDQ3J1bm5lcg_size_16_color_FFFFFF_t_70]从图形角度来看，像贝叶斯网络这样的图形模型是一种可以说的方式，说明概率分布或者说明依赖关系之间的概率分布，所以我们这里有不同的圈子，圆圈指的是您从此处看到的变量。在不同的点，我们有不同的控制命令，U。观察和我们的地图，我们可以读取该图中的错误，作为影响，因此例如控制命令会影响下一个脉冲，所以如果我在某处并且正在执行控制命令，这是一个对已知的下一个观测结果卷曲的影响，因此也处于我所处的位置 x t x\_t xt会影响我的下一个观测结果 z t z\_t zt。

## Full SLAM vc. Online SLAM ##

*  Full SLAM estimates the entire path  
     p ( x 0 : T , m ∣ z 1 : T , u 1 : T ) p(x\_\{0:T\},m|z\_\{1:T\},u\_\{1:T\}) p(x0:T,m∣z1:T,u1:T)
 *  Online SLAM seeks to recover only the most recent pose  
     p ( x t , m ∣ z 1 : t , u 1 : t ) p(x\_t,m|z\_\{1:t\},u\_\{1:t\}) p(xt,m∣z1:t,u1:t)

机器人在环境中行驶，他根据地图做出决定，他可以构建，但是对之前的位置并不感兴趣，只对我现在在哪里感兴趣，以便做出正确的决定。这是我们不再参考online-SLAM的地方

*  Oneline SLAM
 *  Online SLAM means marginalizing out the previous poses  
     p ( x t , m ∣ z 1 : t , u 1 : t ) = ∫ . . . ∫ p ( z 0 : t , m ∣ z 1 : t , u 1 : t ) d x t − 1 . . . d x 0 p(x\_t,m|z\_\{1:t\},u\_\{1:t\})= \\int ... \\int p(z\_\{0:t,m|z\_\{1:t\},u\_\{1:t\}\})dx\_\{t-1\}...dx\_0 p(xt,m∣z1:t,u1:t)=∫...∫p(z0:t,m∣z1:t,u1:t)dxt−1...dx0
 *  Integrals are typically solved recursively, one at at time

full-SLAM 分布，然后只有当前时间的位姿实际存在

因此，这种online-SLAM的图像化模型基本上可以归结为m和 x t + 1 x\_\{t+1\} xt\+1变量整合其他变量

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NDQ3J1bm5lcg_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NDQ3J1bm5lcg_size_16_color_FFFFFF_t_70 2]

## Summary ##

*  Mapping is the task of modeling the environment
 *  Localization means estimating the robot’s pose
 *  SLAM = simultaneous localization and mapping
 *  Full SLAM vs. Online SLAM

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NDQ3J1bm5lcg_size_16_color_FFFFFF_t_70]: /images/20221022/7ed7694e99ad4b47865df3977942fd95.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NDQ3J1bm5lcg_size_16_color_FFFFFF_t_70 1]: /images/20221022/6110c4b413d84aaba74f425e923c7186.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NDQ3J1bm5lcg_size_16_color_FFFFFF_t_70 2]: /images/20221022/7d15b68cc0c248c7aa2ae628f8c28023.png