中财网第三代雷影:SLAM基本原理的介绍
来源：百度文库 编辑：中财网 时间：2024/05/03 22:42:03
一直没有时间好好具体研究一下SLAM，以前只是知道一个大概，对其细节实现没有涉及。由于接下去的研究方向将是一个可应用的实际产品，所以，定位问题将是一定要解决的。
SLAM（Simultaneous Localization And Mapping ）中文称 "同步定位及建图" 是目前在机器人定位方面的热门研究课题。到目前为止，也取得了不少进展。
定位(localization):机器人必须知道自己在环境中位置。
建图(mapping): 机器人必须记录环境中特征的位置（如果知道自己的位置）
SLAM：机器人在定位的同时建立环境地图
其基本原理是运过概率统计的方法，通过多特征匹配来达到定位和减少定位误差的。基本的SLAM应用的kalman filter。以下是说明：
说明：机器人在定位误差随着机器人的移动而增加。
说明：机器人在定位误差随着机器人的移动而增加，但是由于有了路标的纠正，其误差相对就小了很多。
说明：通过2次对路标的测定，其定位误差已经大大减少
说明：经过3次误差校正，其定位精度已经很好了，但是随着路标位置的丢失，其定位误差又一次的扩大了。
SLAM的基本过程为：
1）使用extend kalman filter （EKF) 进行定位
2）获取所有的路标和机器人的位置信息作为先决条件
3）使用矢量方程来存储路标和机器人的位置
4）通过循环迭代来减少每次的误差量
图1：初始位置
（由于机器人相对于路标A的位置为估计值，所以路标A用圆圈表示A的实际的可能值在圆圈内）
图2：机器人移动到新位置
（在新的位置，机器人相对于A的真实值可能落在圈内）
图3：路标C被观测到
（在新的位置，路标C被观测到，路标C的相对于A的位置也是一个估计值（更大的圈）
图4：路标B被观测到
图4：机器人返回到初始位置
（此时机器人的位置相对于没有移动前更加不确定，一个超大的椭圆表示了其可能的真实位置值范围）
图5：对A点的重新测量
（通过对A的重新测量，图4中的超大椭圆值被大大的缩小了，其位置真值落入了一个比较小的范围内）
图6：对B点的重新测量
（通过对B的重新测量，机器人的位置点被重新估计，其位置真值范围又进一步缩小，同时B和C点的位置真值范围也大大缩小了）
通过上面这个例子，SLAM的基本原理是有点眉目了。但是其具体的实现就需要运用kalman filter。下次将专门研究一下kalman filter，看看是如何实现的。