嘿!您似乎在 United States,您想使用我们的 English 网站吗?
Switch to English site
Skip to main content

      无论是在以前的美国大片中,还是在如今的汽车无人驾驶中,大家都见识过机器人或者汽车能够自主行驶,也应该会产生疑问他们是如何做到的,今天小编就带领大家了解一下SLAM技术吧。

       SLAM(Simultaneous localization and mapping)即同步定位与地图构建,科研人员希望机器人从未知环境的未知地点出发,在运动过程中通过重复观测到的地图特征(比如,墙角,柱子等)定位自身位置和姿态,再根据自身位置增量式的构建地图,从而达到同时定位和地图构建实现自主定位与导航。

       SLAM技术主要涉及两个问题,一是地图构建,核心问题:这个世界长什么样?地图构建的核心部分是环境的表达方式以及传感器数据的解释。二是定位,核心问题:我在哪?典型的解包含以下两个方面:(1)追踪——通常机器人的初始位置已知;(2)全局定位——通常只给出很少,甚至不给出有关于起始位置环境特征的先验信息。

SLAM的关键技术:

1.地图的表示方式:栅格表示,几何特征表示,拓扑图表示。

2.不确定性信息处理方法。

3.数据的关联:为了获得全局的环境地图和实现自主定位,还需将不同时间不同地点的数据进行匹配和联合,存在局部数据之间的关联问题,也存在着局部数据与全局数据之间的匹配与关联。

4.自定位

5.探索全局路径规划

       全局路径规划算法的选取比较依赖于创建的地图模型和移动机器人的性能特征,在不同的环境模型和机器人系统下,每种路径规划方法有其各自的优点和缺点。迄今为止,没有任何一种全局路径规划方法可以适用于所有的环境和移动机器人系统,然而将不同的规划方法相结合,取其各自的优势,往往可以达到很好的路径规划效果,并且己经成为现在路径规划方式的一个发展方向。在一定区域内,按一定规则设置人工路标,规划好机器人的行走路径,利用新型人工路标来构建导航地图,并将首次的地图信息存储,在下次的实验中,机器人利用存储的地图信息,实现自主导航。在导航的过程中,又能构建新的地图。而视觉传感器由于其信息量大的特点,SLAM是以后移动机器人自主导航的发展趋势。  

       SLAM问题可用如下过程来描述:移动机器人在自身位置不确定的情况下和未知环境中运动时,逐步构建周围环境的地图,同时利用此地图信息对机器人的位姿进行估计,进而实现自主定位和导航。对依靠机器人自身传感器(里程计、视觉传感器、超声和歌光传感器)实现定位提供了一种新的解决方法,是真正意义上的全自主导航。

今天小编给大家讲了有关SLAM的概念以及关键技术,具体的应用实例,敬请关注后续的内容。

 

 

yangtianyu 还没写个人简介...
DesignSpark Electrical Logolinkedin