Новости отрасли
0102030405
Как робот может найти, составить карту и передвигаться в неизвестной среде?
2023-12-08
1. Предисловие С быстрым развитием компьютерных технологий, углублением исследований роботов и расширением спроса людей на роботов в центре внимания исследований оказались роботы, которые могут разумно передвигаться и самостоятельно перемещаться. Существует несколько практических решений для автономной локализации робота в известной среде и создания карты известного положения робота. Однако во многих средах робот не может использовать глобальную систему позиционирования для позиционирования, и заранее получить карту рабочей среды робота сложно. В это время роботу необходимо создать карту в совершенно неизвестной среде в условиях неопределенного положения и использовать карту для автономного позиционирования и навигации. Технология Slam (синхронное позиционирование и построение карты) считается основной и ключевой технологией для создания по-настоящему автономного мобильного робота.
Робот начинает двигаться из неизвестного положения в неизвестной среде. В процессе движения он определяет свое местоположение в соответствии с оценкой положения и данными датчиков, постепенно совершенствуется и строит полную карту. Это хлопковый процесс. При ударе робот использует свой собственный датчик для идентификации знака объекта в неизвестной среде, а затем оценивает глобальные координаты робота и знака объекта в соответствии с относительным положением между роботом и знаком объекта и показаниями одометра. Это онлайн-позиционирование и создание карты должны поддерживать подробную информацию между роботом и объектным знаком. В последние годы исследование удара добилось большого прогресса и было применено к различным средам, таким как роботы, AR, VR, БПЛА, автопилот и так далее.2. Ключевые проблемы шлема 2.1 Представление карты В настоящее время общие методы представления карты можно грубо разделить на три категории: представление сетки, представление геометрической информации и представление топологии. Каждый метод имеет свои преимущества и недостатки. (1) Карта с геометрической информацией Представление карты с геометрической информацией означает, что робот собирает информацию о восприятии окружающей среды, извлекает более абстрактные геометрические элементы, такие как сегменты линий или кривые, и использует эту геометрическую информацию для описания окружающей среды. преимущество: более компактен и удобен для определения местоположения и распознавания целей; Геометрический метод использует фильтр Калмана для получения высокой точности и небольшого объема вычислений в локальной области; Недостатки: извлечение геометрической информации требует дополнительной обработки перцептивной информации, а для получения результатов требуется определенный объем перцептивных данных; Трудно поддерживать точную информацию о координатах на большой территории; (2) Сетка-карта Сетка-карта предназначена для разделения всей среды на несколько сеток одинакового размера и указания, есть ли препятствия для каждой сетки. Преимущество: легко создавать и поддерживать, а также пытаться сохранить все виды информации обо всей среде; С помощью карты можно удобно осуществлять самостоятельное позиционирование и планирование пути; Недостатки: Когда количество сеток увеличивается (в крупномасштабной среде или когда среда разделена на детали), становится сложно поддерживать карту. В то же время существует большое пространство поиска в процессе позиционирования. Если нет хорошего упрощенного алгоритма, трудно реализовать приложение в реальном времени. (3) Топологическая карта Топологические карты очень абстрактны, особенно когда среда велика и проста. В этом методе среда представляется в виде графа в смысле топологии, а узлы графа соответствуют характерному состоянию и местоположению в среде. Если между узлами существует прямой путь соединения, он эквивалентен дуге, соединяющей узлы на рисунке. Преимущество: способствует дальнейшему планированию пути и задач; Пространство для хранения и поиска относительно невелико, а эффективность вычислений высока; Можно использовать множество зрелых и эффективных алгоритмов поиска и рассуждения; Недостатки: При использовании должно быть основано на идентификации и сопоставлении узлов топологии. Например, когда в окружающей среде есть два очень похожих места, методу карты топологии будет сложно определить, являются ли они одной и той же точкой;2.2 описание неопределенной информации. Когда окружающая среда совершенно неизвестна, если робот хочет построить карту и пройтись, он должен получать информацию с помощью других датчиков, таких как одометр, гидролокатор, лазерный дальномер, зрение и так далее. Из-за ограничений самого датчика существует различная степень неопределенности в сенсорной информации. Например, погрешность лазерного дальномера в основном связана с погрешностью измерения расстояния и погрешностью измерения угла, вызванной вращением отражателя и рассеянием лазера. Как показано на рисунке выше, неопределенность воспринимаемой информации неизбежно приведет к невозможности полной точности построенной модели среды. Аналогично, при принятии решений на основе модели и восприятия возникает неопределенность, то есть неопределенность транзитивна. Методы измерения неопределенности в основном включают измерение вероятности, измерение доверия, измерение возможности, нечеткое измерение и теорию доказательств. В настоящее время при построении карт АМР широко используются вероятностная мера и нечеткая мера. Существует две основные формы измерения вероятности: (1) Неопределенная информация описывается вероятностными характеристиками, такими как среднее значение, дисперсия и ковариация. Преимущество этого метода измерения состоит в том, что такие вероятностные характеристики, как среднее значение, имеют четкое геометрическое значение, а недостаток состоит в том, что не определена дискретная формула расчета вероятностных характеристик; (2) Вероятностная модель используется для описания неопределенной информации, в основном с использованием правила Байеса и гипотезы Маркова. Преимущество этого метода измерения заключается в том, что положение, положение и информация об окружающей среде робота описываются моделью случайной вероятности, а надежность очень хорошая. Недостатком является то, что объем вычислений вероятностной модели очень велик, и априорная вероятность модели должна быть известна заранее, что затрудняет ее практическое применение.2.3 извлечение особенностей местоположения и окружающей среды Самолокализация мобильных роботов тесно связана с моделированием окружающей среды. Точность модели среды зависит от точности позиционирования, а реализация позиционирования неотделима от модели среды. В неизвестной среде робот не имеет никаких ориентиров и может полагаться только на свои собственные неточные датчики для получения внешней информации, точно так же, как слепой, ищущий ощупью незнакомую среду. В этом случае позиционирование затруднено. Как позиционирование карты, так и создание карты с позиционированием легко решить, но позиционирование без карты и создание карты без позиционирования подобны задаче «куриного яйца». В существующих исследованиях решения таких проблем можно разделить на две категории: (1) Полагаясь на внутренние датчики для оценки собственного движения, внешние датчики (такие как лазерный дальномер, зрение и т. д.) используются для восприятия окружающей среды. , анализируйте полученную информацию, извлекайте особенности окружающей среды и сохраняйте их. На следующем этапе их собственная позиция корректируется путем сравнения особенностей окружающей среды. Но этот метод зависит от возможности получить характеристики окружающей среды. (2) Используя различные внутренние датчики (включая одометр, компас, акселерометр и т. д.), которые имеются отдельно, ошибка позиционирования снижается за счет объединения разнообразной информации датчиков. Большинство используемых алгоритмов слияния основаны на фильтре Калмана. Поскольку эти методы не обращаются к внешней информации, после длительного роуминга накопление ошибок будет большим. Методы выделения экологических характеристик включают в себя: 1) . Преобразование Хафа — это своего рода метод обнаружения линий и других кривых на основе серого изображения. Для этого метода требуется группа заранее подготовленных конкретных кривых, по которым можно осуществлять поиск, и он генерирует параметры кривой в соответствии с группой кривых на отображаемом сером изображении. 2) . Кластерный анализ — это инструмент обнаружения данных, который эффективен для неклассифицированных выборок. В то же время его цель — разделить целевые объекты на естественные категории или кластерные классы на основе сходства или расстояния. Когда категория извлекаемого объекта неизвестна, технология кластеризации является более эффективной технологией по сравнению с houghtransform. Кластерные классы должны быть ориентированы на «сплоченность», а не на фрагментацию и разобщенность. Характеристики окружающей среды иногда трудно выделить. Например, когда характеристики окружающей среды недостаточно очевидны или сенсорной информации мало, трудно получить характеристики окружающей среды на основе информации одноразового восприятия.2.4 Ассоциация данных Ассоциация данных заключается в сопоставлении двух меток объектов, чтобы определить, соответствуют ли они одному и тому же объекту в среде. Объединение данных в Slam в основном необходимо для решения трех задач: (1) Сопоставление карт; (2) Сопоставление характерных знаков; (3) Обнаружение новых признаков; Хотя объединение данных хорошо решено в области отслеживания целей и объединения датчиков, эти методы требуют большого объема вычислений и не могут удовлетворить требования Slam в реальном времени. Сложность ассоциации данных между М знаками и картами с n знаками экспоненциальна при М. Если предположить, что каждому наблюдаемому знаку I соответствует возможное совпадение, то для М знаков необходимо искать правильное совпадение в экспоненциальном пространстве =. Пространство поиска ассоциации данных связано со сложностью окружающей среды и ошибкой позиционирования робота. Увеличение сложности среды увеличит m, а увеличение ошибки увеличит Ni.2,5 накопительная ошибка Ошибки в слэме в основном связаны с тремя аспектами: (1) ошибка наблюдения; (2) Ошибка одометра; (3) Ошибки, вызванные неправильным сопоставлением данных; Когда робот находится в среде известной карты, он может компенсировать ошибку одометра, наблюдая за меткой объекта с известным положением. Каждое наблюдение приводит к тому, что ошибка положения робота стремится к сумме ошибки наблюдения и ошибки положения объектной метки. Однако в шлеме, поскольку положение робота и положение характерного знака в окружающей среде неизвестны, информация наблюдения не может эффективно исправить ошибку одометра, а ошибка положения робота увеличивается с расстоянием перемещения робот. Увеличение ошибки положения робота приведет к неправильной ассоциации данных, что увеличит ошибку положения метки объекта; в свою очередь, ошибка метки объекта увеличит ошибку положения робота. Таким образом, ошибка положения робота тесно связана с ошибкой положения характерного знака. Взаимодействие между ними приводит к тому, что оценка положения робота и метки объекта приводит к накопленной ошибке, из-за которой трудно обеспечить согласованность карты. 3. Реализация метода Slam. В настоящее время методы Slam можно грубо разделить на две категории: (1) Методы, основанные на вероятностной модели: полный Slam на основе фильтра Калмана, фильтра сжатия, FastSLAM и т. д. (2) Методы невероятностной модели: sm -slam, сопоставление сканирования, объединение данных на основе нечеткой логики и т. д.3.1 метод реализации на основе фильтра Калмана. С статистической точки зрения, slam — это задача фильтрации, то есть оценка текущего состояния системы по начальному состоянию системы, а также информации наблюдения и управляющей информации (показания одометра) от 0 до t. В Slam состояние системы состоит из позы робота R и информации карты m (включая информацию о положении каждой метки объекта). Предполагая, что модель движения и модель наблюдения системы являются линейными моделями с гауссовским шумом, а состояние системы подчиняется распределению Гаусса, удар можно реализовать с помощью фильтра Калмана. SLAM на основе фильтра Калмана включает в себя два этапа: прогнозирование и обновление состояния системы. В то же время ему также необходимо управлять картографической информацией, например добавлять новые объекты и удалять объекты. Фильтр Калмана предполагает, что система является линейной, но на практике модель движения и модель наблюдения робота нелинейны. Поэтому обычно используется расширенный фильтр Калмана. Расширенный фильтр Калмана приблизительно представляет нелинейную модель посредством расширения Тейлора первого порядка. Еще один фильтр Калмана, подходящий для нелинейных моделей, — это UKF (фильтр Калмана без запаха). UKF использует условное распределение Гаусса для аппроксимации апостериорного распределения вероятностей. По сравнению с EKF, UKF имеет более высокую точность линеаризации и не требует расчета матрицы Якоби. Фильтр Калмана стал основным методом реализации удара. Его ковариационная матрица содержит неопределенную информацию о положении робота и карте. Когда робот непрерывно наблюдает характерные признаки в окружающей среде, определитель любой подматрицы ковариационной матрицы монотонно уменьшается. Теоретически, когда количество наблюдений стремится к бесконечности, ковариация каждой метки признака связана только с ковариацией исходного положения робота. Временная сложность фильтра Калмана равна O(). Поскольку робот может одновременно наблюдать только несколько меток объектов, временная сложность SLAM на основе фильтра Калмана может быть оптимизирована как O (), а N представляет количество меток объектов на карте.3.2 метод локальной подкарты Метод локальной подкарты разбивает удар на несколько более мелких подзадач с точки зрения пространства. При использовании метода подкарт следует учитывать следующие проблемы: (1) Как разделить подкарты; (2) Как представить отношения между подкартами; (3) Как перенести информацию с дополнительной карты на глобальную карту и можно ли гарантировать согласованность глобальной карты; Самый простой метод локальной подкарты — разделить глобальную карту на независимые подкарты, включающие фиксированное количество маркеров объектов, без учета взаимосвязи между подкартами, и реализовать slam в каждой подкарте соответственно. Временная сложность этого метода составляет O (1). Однако из-за потери полезной информации, представляющей корреляцию между различными подкартами, этот метод не может обеспечить глобальную согласованность карты. В этом отношении Леонард и др. Предлагаемый метод DSM (несвязанное стохастическое отображение). Каждая дополнительная карта в DSM сохраняет собственную оценку положения робота. Когда робот входит в другую подкарту B из одной подкарты a, метод на основе EKF используется для передачи информации из подкарты a в подкарту B; Б. Уильямс и др. Предложен метод Slam, основанный на CLSF (ограниченный локальный фильтр подкарт). CLSF создает дополнительную карту с известными глобальными координатами на карте. Во время движения робота для обновления положения объектных меток на роботе и локальной подкарте используется только информация наблюдения, а информация о локальной подкарте передается на глобальную карту через определенный интервал времени. Хотя эксперименты показывают, что эти два алгоритма имеют хорошую производительность, теоретически не доказано, что они могут поддерживать согласованность карт. Дж. Гивант и др. Предложен алгоритм оптимизации слэма cekf (сжатый расширенный фильтр Калмана) без потери информации. Cekf делит наблюдаемые метки на части A и B. A представляет собой область, прилегающую к текущему положению робота, которая называется активной подкартой. Когда робот перемещается по активной подкарте a, положение робота и подкарты a обновляются в реальном времени с использованием информации наблюдения, и влияние информации наблюдения на подкарту B регистрируется рекурсивным способом; Когда робот покидает активную подкарту a, информация наблюдения передается на подкарту B без потерь, чтобы одновременно обновить подкарту B и одновременно создать новую активную подкарту. Время расчета этого метода состоит из двух частей: удар на подкарте активности, временная сложность которой равна O (), что представляет собой количество меток признаков на подкарте активности a; Временная сложность обновления подкарты B равна O (), что соответствует количеству меток объектов на карте B. Когда временной интервал слияния подкарт велик, cekf может эффективно уменьшить количество вычислений удара.3.3 метод декорреляции Другой способ уменьшить сложность Slam — игнорировать некоторые элементы с меньшими значениями в ковариационной матрице, представляющей корреляционную связь, и превратить ее в разреженную матрицу. Однако из-за потери информации также потеряется целостность карты. Однако если представление ковариационной матрицы можно изменить так, чтобы многие ее элементы были близки или равны нулю, ее можно смело игнорировать. На этой идее основан фильтр SLAM на основе расширенной информации (EIF). EIF – это информационное выражение EKF. Разница между ними в том, что они представляют информацию в разных формах. EIF использует обратную матрицу ковариационной матрицы для представления неопределенной информации в формате Slam, которая называется информационной матрицей. Слияние двух несвязанных информационных матриц можно просто выразить как сложение двух матриц. Каждый недиагональный элемент в информационной матрице представляет собой связь ограничений между роботом и признаком признака или между знаком признака и знаком признака. Эти отношения ограничений могут обновляться локально через отношения сигналов состояния системы. Это локальное обновление делает информационную матрицу приближенной к разреженной матрице, и ошибка, вызванная ее прореживанием, очень мала. Согласно этому, S. Thrun et al. Предложил метод Slam, основанный на фильтре разреженной информации seif (фильтр расширенной разреженной информации), и доказал, что временная сложность Slam с использованием матрицы разреженной информации равна O (1). Хотя EIF может эффективно снизить временную сложность Slam, все еще существуют некоторые проблемы с представлением и управлением картографической информацией. Во-первых, среднее значение состояния системы может быть рассчитано только приближенно за постоянное время; Во-вторых, в методе slam, основанном на EIF, добавление и удаление меток признаков неудобно.
Робот начинает двигаться из неизвестного положения в неизвестной среде. В процессе движения он определяет свое местоположение в соответствии с оценкой положения и данными датчиков, постепенно совершенствуется и строит полную карту. Это хлопковый процесс. При ударе робот использует свой собственный датчик для идентификации знака объекта в неизвестной среде, а затем оценивает глобальные координаты робота и знака объекта в соответствии с относительным положением между роботом и знаком объекта и показаниями одометра. Это онлайн-позиционирование и создание карты должны поддерживать подробную информацию между роботом и объектным знаком. В последние годы исследование удара добилось большого прогресса и было применено к различным средам, таким как роботы, AR, VR, БПЛА, автопилот и так далее.2. Ключевые проблемы шлема 2.1 Представление карты В настоящее время общие методы представления карты можно грубо разделить на три категории: представление сетки, представление геометрической информации и представление топологии. Каждый метод имеет свои преимущества и недостатки. (1) Карта с геометрической информацией Представление карты с геометрической информацией означает, что робот собирает информацию о восприятии окружающей среды, извлекает более абстрактные геометрические элементы, такие как сегменты линий или кривые, и использует эту геометрическую информацию для описания окружающей среды. преимущество: более компактен и удобен для определения местоположения и распознавания целей; Геометрический метод использует фильтр Калмана для получения высокой точности и небольшого объема вычислений в локальной области; Недостатки: извлечение геометрической информации требует дополнительной обработки перцептивной информации, а для получения результатов требуется определенный объем перцептивных данных; Трудно поддерживать точную информацию о координатах на большой территории; (2) Сетка-карта Сетка-карта предназначена для разделения всей среды на несколько сеток одинакового размера и указания, есть ли препятствия для каждой сетки. Преимущество: легко создавать и поддерживать, а также пытаться сохранить все виды информации обо всей среде; С помощью карты можно удобно осуществлять самостоятельное позиционирование и планирование пути; Недостатки: Когда количество сеток увеличивается (в крупномасштабной среде или когда среда разделена на детали), становится сложно поддерживать карту. В то же время существует большое пространство поиска в процессе позиционирования. Если нет хорошего упрощенного алгоритма, трудно реализовать приложение в реальном времени. (3) Топологическая карта Топологические карты очень абстрактны, особенно когда среда велика и проста. В этом методе среда представляется в виде графа в смысле топологии, а узлы графа соответствуют характерному состоянию и местоположению в среде. Если между узлами существует прямой путь соединения, он эквивалентен дуге, соединяющей узлы на рисунке. Преимущество: способствует дальнейшему планированию пути и задач; Пространство для хранения и поиска относительно невелико, а эффективность вычислений высока; Можно использовать множество зрелых и эффективных алгоритмов поиска и рассуждения; Недостатки: При использовании должно быть основано на идентификации и сопоставлении узлов топологии. Например, когда в окружающей среде есть два очень похожих места, методу карты топологии будет сложно определить, являются ли они одной и той же точкой;2.2 описание неопределенной информации. Когда окружающая среда совершенно неизвестна, если робот хочет построить карту и пройтись, он должен получать информацию с помощью других датчиков, таких как одометр, гидролокатор, лазерный дальномер, зрение и так далее. Из-за ограничений самого датчика существует различная степень неопределенности в сенсорной информации. Например, погрешность лазерного дальномера в основном связана с погрешностью измерения расстояния и погрешностью измерения угла, вызванной вращением отражателя и рассеянием лазера. Как показано на рисунке выше, неопределенность воспринимаемой информации неизбежно приведет к невозможности полной точности построенной модели среды. Аналогично, при принятии решений на основе модели и восприятия возникает неопределенность, то есть неопределенность транзитивна. Методы измерения неопределенности в основном включают измерение вероятности, измерение доверия, измерение возможности, нечеткое измерение и теорию доказательств. В настоящее время при построении карт АМР широко используются вероятностная мера и нечеткая мера. Существует две основные формы измерения вероятности: (1) Неопределенная информация описывается вероятностными характеристиками, такими как среднее значение, дисперсия и ковариация. Преимущество этого метода измерения состоит в том, что такие вероятностные характеристики, как среднее значение, имеют четкое геометрическое значение, а недостаток состоит в том, что не определена дискретная формула расчета вероятностных характеристик; (2) Вероятностная модель используется для описания неопределенной информации, в основном с использованием правила Байеса и гипотезы Маркова. Преимущество этого метода измерения заключается в том, что положение, положение и информация об окружающей среде робота описываются моделью случайной вероятности, а надежность очень хорошая. Недостатком является то, что объем вычислений вероятностной модели очень велик, и априорная вероятность модели должна быть известна заранее, что затрудняет ее практическое применение.2.3 извлечение особенностей местоположения и окружающей среды Самолокализация мобильных роботов тесно связана с моделированием окружающей среды. Точность модели среды зависит от точности позиционирования, а реализация позиционирования неотделима от модели среды. В неизвестной среде робот не имеет никаких ориентиров и может полагаться только на свои собственные неточные датчики для получения внешней информации, точно так же, как слепой, ищущий ощупью незнакомую среду. В этом случае позиционирование затруднено. Как позиционирование карты, так и создание карты с позиционированием легко решить, но позиционирование без карты и создание карты без позиционирования подобны задаче «куриного яйца». В существующих исследованиях решения таких проблем можно разделить на две категории: (1) Полагаясь на внутренние датчики для оценки собственного движения, внешние датчики (такие как лазерный дальномер, зрение и т. д.) используются для восприятия окружающей среды. , анализируйте полученную информацию, извлекайте особенности окружающей среды и сохраняйте их. На следующем этапе их собственная позиция корректируется путем сравнения особенностей окружающей среды. Но этот метод зависит от возможности получить характеристики окружающей среды. (2) Используя различные внутренние датчики (включая одометр, компас, акселерометр и т. д.), которые имеются отдельно, ошибка позиционирования снижается за счет объединения разнообразной информации датчиков. Большинство используемых алгоритмов слияния основаны на фильтре Калмана. Поскольку эти методы не обращаются к внешней информации, после длительного роуминга накопление ошибок будет большим. Методы выделения экологических характеристик включают в себя: 1) . Преобразование Хафа — это своего рода метод обнаружения линий и других кривых на основе серого изображения. Для этого метода требуется группа заранее подготовленных конкретных кривых, по которым можно осуществлять поиск, и он генерирует параметры кривой в соответствии с группой кривых на отображаемом сером изображении. 2) . Кластерный анализ — это инструмент обнаружения данных, который эффективен для неклассифицированных выборок. В то же время его цель — разделить целевые объекты на естественные категории или кластерные классы на основе сходства или расстояния. Когда категория извлекаемого объекта неизвестна, технология кластеризации является более эффективной технологией по сравнению с houghtransform. Кластерные классы должны быть ориентированы на «сплоченность», а не на фрагментацию и разобщенность. Характеристики окружающей среды иногда трудно выделить. Например, когда характеристики окружающей среды недостаточно очевидны или сенсорной информации мало, трудно получить характеристики окружающей среды на основе информации одноразового восприятия.2.4 Ассоциация данных Ассоциация данных заключается в сопоставлении двух меток объектов, чтобы определить, соответствуют ли они одному и тому же объекту в среде. Объединение данных в Slam в основном необходимо для решения трех задач: (1) Сопоставление карт; (2) Сопоставление характерных знаков; (3) Обнаружение новых признаков; Хотя объединение данных хорошо решено в области отслеживания целей и объединения датчиков, эти методы требуют большого объема вычислений и не могут удовлетворить требования Slam в реальном времени. Сложность ассоциации данных между М знаками и картами с n знаками экспоненциальна при М. Если предположить, что каждому наблюдаемому знаку I соответствует возможное совпадение, то для М знаков необходимо искать правильное совпадение в экспоненциальном пространстве =. Пространство поиска ассоциации данных связано со сложностью окружающей среды и ошибкой позиционирования робота. Увеличение сложности среды увеличит m, а увеличение ошибки увеличит Ni.2,5 накопительная ошибка Ошибки в слэме в основном связаны с тремя аспектами: (1) ошибка наблюдения; (2) Ошибка одометра; (3) Ошибки, вызванные неправильным сопоставлением данных; Когда робот находится в среде известной карты, он может компенсировать ошибку одометра, наблюдая за меткой объекта с известным положением. Каждое наблюдение приводит к тому, что ошибка положения робота стремится к сумме ошибки наблюдения и ошибки положения объектной метки. Однако в шлеме, поскольку положение робота и положение характерного знака в окружающей среде неизвестны, информация наблюдения не может эффективно исправить ошибку одометра, а ошибка положения робота увеличивается с расстоянием перемещения робот. Увеличение ошибки положения робота приведет к неправильной ассоциации данных, что увеличит ошибку положения метки объекта; в свою очередь, ошибка метки объекта увеличит ошибку положения робота. Таким образом, ошибка положения робота тесно связана с ошибкой положения характерного знака. Взаимодействие между ними приводит к тому, что оценка положения робота и метки объекта приводит к накопленной ошибке, из-за которой трудно обеспечить согласованность карты. 3. Реализация метода Slam. В настоящее время методы Slam можно грубо разделить на две категории: (1) Методы, основанные на вероятностной модели: полный Slam на основе фильтра Калмана, фильтра сжатия, FastSLAM и т. д. (2) Методы невероятностной модели: sm -slam, сопоставление сканирования, объединение данных на основе нечеткой логики и т. д.3.1 метод реализации на основе фильтра Калмана. С статистической точки зрения, slam — это задача фильтрации, то есть оценка текущего состояния системы по начальному состоянию системы, а также информации наблюдения и управляющей информации (показания одометра) от 0 до t. В Slam состояние системы состоит из позы робота R и информации карты m (включая информацию о положении каждой метки объекта). Предполагая, что модель движения и модель наблюдения системы являются линейными моделями с гауссовским шумом, а состояние системы подчиняется распределению Гаусса, удар можно реализовать с помощью фильтра Калмана. SLAM на основе фильтра Калмана включает в себя два этапа: прогнозирование и обновление состояния системы. В то же время ему также необходимо управлять картографической информацией, например добавлять новые объекты и удалять объекты. Фильтр Калмана предполагает, что система является линейной, но на практике модель движения и модель наблюдения робота нелинейны. Поэтому обычно используется расширенный фильтр Калмана. Расширенный фильтр Калмана приблизительно представляет нелинейную модель посредством расширения Тейлора первого порядка. Еще один фильтр Калмана, подходящий для нелинейных моделей, — это UKF (фильтр Калмана без запаха). UKF использует условное распределение Гаусса для аппроксимации апостериорного распределения вероятностей. По сравнению с EKF, UKF имеет более высокую точность линеаризации и не требует расчета матрицы Якоби. Фильтр Калмана стал основным методом реализации удара. Его ковариационная матрица содержит неопределенную информацию о положении робота и карте. Когда робот непрерывно наблюдает характерные признаки в окружающей среде, определитель любой подматрицы ковариационной матрицы монотонно уменьшается. Теоретически, когда количество наблюдений стремится к бесконечности, ковариация каждой метки признака связана только с ковариацией исходного положения робота. Временная сложность фильтра Калмана равна O(). Поскольку робот может одновременно наблюдать только несколько меток объектов, временная сложность SLAM на основе фильтра Калмана может быть оптимизирована как O (), а N представляет количество меток объектов на карте.3.2 метод локальной подкарты Метод локальной подкарты разбивает удар на несколько более мелких подзадач с точки зрения пространства. При использовании метода подкарт следует учитывать следующие проблемы: (1) Как разделить подкарты; (2) Как представить отношения между подкартами; (3) Как перенести информацию с дополнительной карты на глобальную карту и можно ли гарантировать согласованность глобальной карты; Самый простой метод локальной подкарты — разделить глобальную карту на независимые подкарты, включающие фиксированное количество маркеров объектов, без учета взаимосвязи между подкартами, и реализовать slam в каждой подкарте соответственно. Временная сложность этого метода составляет O (1). Однако из-за потери полезной информации, представляющей корреляцию между различными подкартами, этот метод не может обеспечить глобальную согласованность карты. В этом отношении Леонард и др. Предлагаемый метод DSM (несвязанное стохастическое отображение). Каждая дополнительная карта в DSM сохраняет собственную оценку положения робота. Когда робот входит в другую подкарту B из одной подкарты a, метод на основе EKF используется для передачи информации из подкарты a в подкарту B; Б. Уильямс и др. Предложен метод Slam, основанный на CLSF (ограниченный локальный фильтр подкарт). CLSF создает дополнительную карту с известными глобальными координатами на карте. Во время движения робота для обновления положения объектных меток на роботе и локальной подкарте используется только информация наблюдения, а информация о локальной подкарте передается на глобальную карту через определенный интервал времени. Хотя эксперименты показывают, что эти два алгоритма имеют хорошую производительность, теоретически не доказано, что они могут поддерживать согласованность карт. Дж. Гивант и др. Предложен алгоритм оптимизации слэма cekf (сжатый расширенный фильтр Калмана) без потери информации. Cekf делит наблюдаемые метки на части A и B. A представляет собой область, прилегающую к текущему положению робота, которая называется активной подкартой. Когда робот перемещается по активной подкарте a, положение робота и подкарты a обновляются в реальном времени с использованием информации наблюдения, и влияние информации наблюдения на подкарту B регистрируется рекурсивным способом; Когда робот покидает активную подкарту a, информация наблюдения передается на подкарту B без потерь, чтобы одновременно обновить подкарту B и одновременно создать новую активную подкарту. Время расчета этого метода состоит из двух частей: удар на подкарте активности, временная сложность которой равна O (), что представляет собой количество меток признаков на подкарте активности a; Временная сложность обновления подкарты B равна O (), что соответствует количеству меток объектов на карте B. Когда временной интервал слияния подкарт велик, cekf может эффективно уменьшить количество вычислений удара.3.3 метод декорреляции Другой способ уменьшить сложность Slam — игнорировать некоторые элементы с меньшими значениями в ковариационной матрице, представляющей корреляционную связь, и превратить ее в разреженную матрицу. Однако из-за потери информации также потеряется целостность карты. Однако если представление ковариационной матрицы можно изменить так, чтобы многие ее элементы были близки или равны нулю, ее можно смело игнорировать. На этой идее основан фильтр SLAM на основе расширенной информации (EIF). EIF – это информационное выражение EKF. Разница между ними в том, что они представляют информацию в разных формах. EIF использует обратную матрицу ковариационной матрицы для представления неопределенной информации в формате Slam, которая называется информационной матрицей. Слияние двух несвязанных информационных матриц можно просто выразить как сложение двух матриц. Каждый недиагональный элемент в информационной матрице представляет собой связь ограничений между роботом и признаком признака или между знаком признака и знаком признака. Эти отношения ограничений могут обновляться локально через отношения сигналов состояния системы. Это локальное обновление делает информационную матрицу приближенной к разреженной матрице, и ошибка, вызванная ее прореживанием, очень мала. Согласно этому, S. Thrun et al. Предложил метод Slam, основанный на фильтре разреженной информации seif (фильтр расширенной разреженной информации), и доказал, что временная сложность Slam с использованием матрицы разреженной информации равна O (1). Хотя EIF может эффективно снизить временную сложность Slam, все еще существуют некоторые проблемы с представлением и управлением картографической информацией. Во-первых, среднее значение состояния системы может быть рассчитано только приближенно за постоянное время; Во-вторых, в методе slam, основанном на EIF, добавление и удаление меток признаков неудобно.