《第一学期第十二讲机器人导论.ppt》由会员分享，可在线阅读，更多相关《第一学期第十二讲机器人导论.ppt（36页珍藏版）》请在三一办公上搜索。
1、2012-2013学年第一学期第十二讲机器人导论,王国利信息科学与技术学院中山大学,卡尔曼滤波器定位/Kalman Filter Localization,5.6.3,卡尔曼滤波器/Introduction to Kalman Filter(3),动态预测(机器人移动)u=velocity w=noise 运动状态估计（离散）进一步融合,5.6.3,Kalman Filter for Mobile Robot Localization机器人位置预测/Robot Position Prediction,第一步,k+1 时刻机器人的位置是根据上一次位置以及 控制输入 u(k)产生的运动所确定:,f
2、:航迹函数,5.6.3,Kalman Filter for Mobile Robot Localization机器人位置预测/Robot Position Prediction:Example,5.6.3,f:航迹函数,Kalman Filter for Mobile Robot Localization观测/Observation,第二步，在k+1时刻从机器人传感器获得观测 Z(k+1)通常包含一组不同传感器提取出的信号 zj(k+1)可以表示裸数据，或者线、门，或路标等特征 目标参数通常在传感器坐标系S观测获得的因此观测必须变换到世界坐标系 W 下，或者 测量预测必须变换到传感器坐标系 S
3、中.由函数 hi 确定变换,5.6.3,Kalman Filter for Mobile Robot Localization观测/Observation:Example,激光扫描的裸数据,提取的直线,模型中提取的直线,Sensor(robot)frame,5.6.3,Kalman Filter for Mobile Robot Localization测量预测/Measurement Prediction,在下一步，采用预测的机器人位置 和地图 M(k)生成多个预测观测 zt 将他们变换到传感器坐标系下 定义测量预测为以下包含 ni 预测测量 函数 hi 是世界坐标到传感器坐标的变换,5.6
4、.3,Kalman Filter for Mobile Robot Localization测量预测/Measurement Prediction:Example,对于预测,只有在机器人视场内的墙被选择 可以通过连接单个直线到路径节点实现,5.6.3,Kalman Filter for Mobile Robot Localization测量预测/Measurement Prediction:Example,生成的测量预测必须变换到机器人坐标系R中 坐标变换可表示成 其雅克比为,5.6.3,Kalman Filter for Mobile Robot Localization匹配/Matchin
5、g,传感器获得的观测 zj(k+1)到地图存储目标 zt 的关联 每个测量预测计算新息:利用误差传播律可得到新息的方差 采用马氏（Mahalanobis）距离度量测量和预测关联的有效性,5.6.3,马氏（Mahalanobis）距离,Kalman Filter for Mobile Robot Localization匹配/Matching:Example,5.6.3,Kalman Filter for Mobile Robot Localization估计/Estimation:Applying the Kalman Filter,卡尔曼滤波器增益 更新机器人位置估计 其方差为,5.6.3,
6、Kalman Filter for Mobile Robot Localization估计/Estimation:1D Case,一维的情形 我们可以证明,5.6.3,Kalman Filter for Mobile Robot Localization估计/Estimation:Example,卡尔曼滤波器估计机器人位置:紫色是机器人位置的预测。绿色是新息 红色是机器人位置的更新,5.6.3,其它定位方法之一 人工信标/Localization Base on Artificial Landmarks,5.7.1,其它定位方法之一 人工信标/Localization Base on Arti
7、ficial Landmarks,其它定位方法之一人工信标/Localization Base on Artificial Landmarks,5.7.1,其它定位方法之一人工信标/Localization Base on Artificial Landmarks,5.7.1,其它定位方法之二三角测量/Positioning Beacon Systems:Triangulation,5.7.3,其它定位方法之二三角测量/Positioning Beacon Systems:Triangulation,5.7.3,其它定位方法之一 三角测量/Positioning Beacon Systems:
8、Triangulation,5.7.3,自主创建地图/Autonomous Map Building,自任意初始点出发,移动机器人能利用机载传感器自主探索环境,获得关于环境的信息,解释所处场景,构建合适的地图 并在地图上定位.SLAM同步定位与地图创建问题The Simultaneous Localization and Mapping Problem,5.8,地图创建/Map Building:如何建立地图/How to Establish a Map,1.手工2.自主创建地图 机器人学习地图 动机/Motivation:-手工:费力昂贵-适应动态变化的环境-不同感知手段产生不同视角,3.构
9、建地图的基本要求将新获得的传感信息融和到已有的世界模型中估计机器位置所需的信息和过程路径规划和导航（避障）所需的信息4.地图质量的度量拓扑的正确性测量的正确性然而:大多环境是可预测和不可预测特征 混合的产物 混合方法 基于模型的方法 vs.基于行为的方法,5.8,创建地图/Map Building:问题/The Problems,1.地图维护:保持对环境变化的跟踪e.g.茶桌消失了-e.g.测量每一个环境特征的信念,2.不确定性的表示和 推断机器人的位置-墙的位置墙的位置-机器人的位置位置特征的概率分布外加探索策略,5.8,一般创建地图的策略/General Map Building Sche
10、matics,5.8.1,地图的表示/Map Representation,M 是一组包含 n 个位置特征概率的集合每个特征表示为其协方差矩阵 St 以及相关的可信度因子 ct ct 在 0 到 1 之间，用于量化环境特征存在的信念其中 a 和 b 定义为学习和以往速率，ns 和 nu 是直到时刻 k 被匹配和不可观测预测的次数.,5.8.1,自主地图创建/Autonomous Map Building随机地图技术/Stochastic Map Technique,叠放的系统状态向量:状态的协方差矩阵:,5.8.1,自主地图创建/Autonomous Map BuildingExample o
11、f Feature Based Mapping(EPFL),5.8.1,环状的环境/Cyclic Environments,小的局部误差累积成任意大的全局误差!对导航没有太大关系然而,当环是封闭时,全局误差就成问题了,5.8.2,Courtesy of Sebastian Thrun,动态环境/Dynamic Environments,动态变化需要连续作图若可能提取高层特征，动态环境的作图更为容易e.g.人与墙之间的差异环境建模对于鲁棒性是至关重要的因素,5.8.2,地图创建/Map Building:探索与土创建/Exploration and Graph Construction,1.探索-提供正确的拓扑-必须识别已经访问过的位置-回溯未访问的位置,2.图创建节点放在哪里?基于拓扑的地图:at distinctive locationsMetric-based:where features disappear or get visible,5.8,其它定位方法之三对接/Positioning Beacon Systems:Docking,5.7.3,其它定位方法之四条形码/Positioning Beacon Systems:Bar-Code,5.7.3,其它定位方法之五定位信标系统/Positioning Beacon Systems,5.7.3,
