| 首先看看，为什么要用SLAM。 当机器人在一个环境中需要重复移动，而且在移动前只有很少的一部分环境的信息，仅仅使用航位推算（dead-reckoning）是远远不够的。 在这过程中，任何可以被重复测量到的特征物都可以作为路标。通常，可以通过超声波传感器，激光传感器和视觉传感器来辨识特征的一些几何特征，比如点、线、平面等。 在实际运行当中，这些几何特征都可以被考虑进去，这就引起了另外一个话题“传感器融合（sensor fusion）”。 在考虑使用传感器之前，有一点必须要明确，就是
使用传感器的数据建立地图的时候，必须要考虑到以上的特点，否则建立的地图的很可能和实际的相差甚远。到目前为止，有两种地图的建立方法是比较有效的。 1)首先，由人控制机器人游历一遍工作环境，传感器记录下所有的数据，然后等游历完成之后再进行离线处理来获得地图。Thrun etal在这方面取得了不少的进展。 2）然而，很多情况下都没有可能对环境进行事先的建图，很有可能就是机器人一进入工作环境就必须要面对未知的物体。这样，机器人就必须要将这些新的信息整合到刚创建的地图中去。而且，这些新信息的特征量必须是一个常数，一个不随着时间变化的常数。随后的地图建立就是递归估计这些特征在整个地图中的位置，由于机器人可以找到这些特征并相对精确的测得与特征物之间的位置，这样它就可以获得在地图中的准确位置了。 这第二种方法就是“同步定位以及建图”的基本过程了。在这过程中，1个基本条件就是必须能够监测，并能够分辨环境中的特征点。另外一个也是最重要的假设就是，所有的特征点都会被“重复”的检测到。这里就限制了SLAM的应用场合。如果说，在t时刻，机器人移动到位置A(t)，检测到了特征点S1，然后S1被加入到地图中，并根据航位推算获得相对前面特征点S的位置（Xs-s1，Ys-s1），但是，如果机器人在接下去的运行中再也没机会检测到S1点以前的特征点的话，接下去所获得S2，S3 ....将都将仅根据S1到S的信息获得。也就是说，对于那些机器人只能或者只需要运行一次的工作场景来说，SLAM和普通的航位推算一点差别都没有。其误差也将是累计的。 另外一个情况就是如果在的具有相同特征而且它们的间距很小的情况下，比如被一群间距很小的红色的彩球围着，SLAM也会抓狂的。根据SLAM原理推算出来，当它看到一个红球A时，它估算到自己相对于红球A的位置，然后移动了一定距离，航位推算告诉机器人移动了一定距离，但是当它发现在几乎相同距离和角度的地方又有一个红球，如果移动的距离不大，那EKF会不会将这段移动当作系统误差而忽略到，结果就是，实际上机器人在兜圈，但是SLAM却告诉机器人，你还在原地没动。这就好像你坐在火车上，看到迎面驶来的火车，你会觉得自己是静止的一样。 以上纯粹是看了SLAM之后的乱想，还没有经过验证，记下来看看若干年之后是否会有变化。 |
联系客服
