同步定位与地图构建.doc

同步定位与地图构建（来自维基百科自由的百科全书）同步定位与地图构建（SLAM或Simultaneouslocalizationandmapping）是一种概念：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的目的。目录1操作性定义2技术上的问题2.1地图构建2.2传感2.3定位2.4建模3相关文献4参见5参考资料6外部链接1操作性定义这里说的地图是用来在环境中定位以及描述当前环境以便于规划航线的一个概念；它通过记录以某种形式的感知获取的信息用以和当前的感知结果相比较以支撑对现实定位的评估。在定位评估方面地图提供的帮助程度与感知的精度和质量成反相关。地图通常反映了它被描绘出来的时刻的环境状态所以它并不一定反映它被使用的时刻的环境状态。在误差和噪音条件下定位和地图构建技术上的复杂度不支持两者同时获得连续的解。即时定位与地图构建（SLAM）是这样一个概念：把两方面的进程都捆绑在一个循环之中以此支持双方在各自进程中都求得连续解；不同进程中相互迭代的反馈对双方的连续解有改进作用。地图构建是研究如何把从一系列传感器收集到的信息集成到一个一致性的模型上的问题。它可以被描述为第一核心问题：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。与之相比定位是在地图上估测机器人的坐标和姿势形态的问题；换而言之机器人需要回答这里的第二核心问题我在哪？典型的解包含以下两个方面：追踪——通常机器人的初始位置已知；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。所以同步定位与地图构建（SLAM）被定义为以下问题：在建立新地图模型或者改进已知地图的同时在该地图模型上定位机器人。实际上这两个核心问题如果分开解决将毫无意义；必须同时求解。在机器人能够根据一系列观测值回答“这个世界长什么样”之前它需要知道的额外信息很多比如以下：它自身的运动学特征；信息的自动获得需要什么样的品质；附加的支持观测值能从哪些源得到。在没有地图或者方向参考的前提下对机器人的当前位置估测是一个复杂的任务。[1]这里的"位置"可以简单指代机器人的所处方位也可以包括它的姿势形态。2技术上的问题同步定位与地图构建（SLAM）可以被看做是一个鸡生蛋蛋生鸡的问题：完美的定位需要用到一个无偏差的地图；但这样的地图又需要精确的位置估测来描绘。这就是一个迭代数学问题解决策略的起始条件。作为对比原子轨道模型可以被看做一个在不精确的观测条件下说明足够多的结果的经典方法。再者由于多个传感器对机器人的相对运动的辨别存在固有的不确定性上一节提到的两个“核心问题”也不像看起来的那么简单。一般来说由于技术环境中总会考虑噪声所以SLAM方法要考虑的不只是数学上的紧凑解也包括与那些和结果相关的物理概念的相互作用。如果在地图构建的下一个迭代步骤中测得的距离和方向有可预知的一系列不精确度——通常由传感器有限的的精确度和外加的环境噪声所引起那么附加到地图上的所有特征都将会含有相应的误差。随着时间的推移和运动的变化定位和地图构建的误差累计增加将会对地图本身和机器人的定位、导航等能力的精度产生很大的扭曲。有许多技术能补偿这些误差比如那些能再现某些特征过去的值的方法（也就是说图像匹配法或者环路闭合检测法）或者对现有的地图进行处理——以融合该特征在不同时间的不同值。此外还有一些用于SLAM统计学的技术可起到作用包括卡尔曼滤波、粒子滤波（实际上是一种蒙特卡罗方法）以及扫描匹配的数据范围。2.1地图构建在机器人技术社区中SLAM的地图构建通常指的是建立与环境几何一致的地图。而一般算法中建立的拓扑地图只反映了环境中的各点连接关系并不能构建几何一致的地图。因此这些拓扑算法不能被用于SLAM。在实用中SLAM通常要被剪裁至适应可获得的资源于是可以看出它的目标不是完美而是操作实用性。已经发布的SLAM方法已被应用于无人机、无人潜艇、行星探测车、最近大热的家政机器人、甚至人体内部。[2]学界大致都认为SLAM问题的“正在得到解决”是过去十年间机器人研究领域的最重大成果之一。[3]该领域中仍有许多有待解决的难题比如图像匹配和计算复杂度等方面的相关问题。基于SLAM文献的最新研究进展中有一条值得注意就是对SLAM的概率论基础进行重新估测。这个充满了冒险家特质的方法大意如下：通过引入随机有限集的、多目标的贝叶斯滤波器使得基于特征的SLAM算法获得卓越的性能以此跳过对图像匹配的依赖；但作为代价测量中的假警报率和漏检率都会被提升。[4]这里面的算法是基于概率假设密度滤波的方法来改进的。[5]2.2传感SLAM研究中经常使用许多不同型号的传感器来获得地图数据。这些