算法 | FastSLAM 1.0

FastSLAM 1.0

內容

0. 摘要
1. 簡介
2. 算法
3. 示例

0. 摘要

基於特征的使用粒子濾波器的即時定位與建圖
FastSLAM – Feature-based SLAM with Particle Filters

關鍵詞：

• Rao-Blackwellization Particle Filter
• EKF for landmarks

1. 簡介

我們注意到粒子濾波器在一些最有效的機器人算法中占據着核心的地位。 這就產生了一個問題，粒子濾波器是否可以用於SLAM問題。不幸的是，粒子濾波器受限於空間維度，高斯類算法狀態估計問題的維度還在線性和二次方之間，而粒子濾波器則是指數級的。 直接將粒子濾波器應用於SLAM問題注定會，因為描述地圖時所需的大量變量而失效。

本章中算法建立在SLAM問題的一個重要特性上，到目前為止我們還沒有討論它。特別的，在已知關聯度的完全SLAM問題中，給定機器人位姿，在地圖中任意兩個不相交的特征集合之間， 存在着條件獨立性。換句話說，如果有條神諭告訴我們真正的機器人路徑，我們就可以不依賴於其它特征，來估計所有的特征位置。只有當不確定機器人位姿的時候，這些估計的依賴性才存在。 這一結構性的觀察，將使得我們有可能使用一種稱為Rao-Blackwellized particle filter(簡稱為RB濾波器)的粒子濾波器來解決SLAM問題。RB濾波器使用粒子集合來表示一些變量的后驗概率， 同時用高斯或者其它參數化的概率密度來表示剩下的所有變量。

• Proposed by Montemerlo et al. in 2002
• Each landmark is represented by a 2x2 EKF
• Each particle therefore has to maintain N individual EKFs

補充介紹：地標(Landmark)和占用柵格(Occupancy Grids)

• An occupancy grid makes no assumption about types of features.
• An occupancy grid (typically) has fixed resolution.
• An occupancy grid takes space and time the size of the environment to be mapped.

2. 算法

3. 示例

待補充。。。

參考

1. FastSLAM: An Efficient Solution to the Simultaneous Localization And Mapping Problem with Unknown Data Association
2. Probabilistic Robotics, Ch 13 The FastSLAM Algorithm
3. https://gaoyichao.com/Xiaotu/?book=probabilistic_robotics&title=pr_chapter13
4. http://ais.informatik.uni-freiburg.de/teaching/ws12/mapping/pdf/slam10-fastslam-4.pdf
5. http://www.cs.bilkent.edu.tr/~culha/ee780/