小豆包的学习之旅：传感器观测模型

合集 - SLAM(55)

1.个人资源索引2018-03-032.SLAM学习笔记（1）基本概念2015-08-063.SLAM学习笔记（2）SLAM算法2015-08-214.[ROS]2 尝试编译OrbSLAM2016-01-185.[ROS]1 小乌龟2016-01-186.SLAM最近的工作2015-11-057.SLAM学习笔记（3）相关概念2015-09-168.[SLAM]2D激光线特征提取2016-07-169.[SLAM] GMapping SLAM源码阅读（草稿）2016-07-0110.[QGLViewer]First Demo2016-06-2911.SLAM数据集2016-06-2312.[SLAM]2D激光扫描匹配方法2016-06-1513.[g2o]一个备忘2016-04-2114.[ROS] slam_gmapping2016-01-2415.[ROS]3 Linux编程练习2016-01-2016.Linux学习和ROS安装（1）2017-12-1917.小豆包的学习之旅：机器人定位2017-05-02

18.小豆包的学习之旅：传感器观测模型2017-04-21

19.Kinect2.0相机标定2017-04-1020.小豆包的学习之旅：里程计运动模型2017-04-0321.小豆包的学习之旅：入门篇2017-04-0222.Kinect2.0点云数据获取2017-03-3023.[硬件]Robot运动控制2017-03-2224.[硬件]Urg_viewer数据读取2017-03-1425.[硬件]三维点云数据获取2017-03-0426.Kinect2.0获取数据2017-02-1527.ndt histogram_direction2016-09-0828.rplidar & hector slam without odometry2016-08-2629.rplidar测试2016-08-1230.[原创]NDT方法在SLAM中的应用2016-08-0831.[SLAM]Karto SLAM算法学习（草稿）2016-07-2232.ROS学习备忘2018-07-1833.[ROS]激光驱动安装2018-07-1634.OrbSLAM2采集点云数据2018-03-2635.Cartographer源码阅读(8)：imu_tracker2018-03-2136.[硬件]点云数据采集22018-03-1937.Cartographer源码阅读(9)：图优化的前端——闭环检测2018-03-0838.Cartographer源码阅读(7)：轨迹推算和位姿推算的原理2018-03-0839.Ethzasl MSF源码阅读(3)：MSF_Core和PoseMeasurement2018-03-0740.Ethzasl MSF源码阅读(2)：百川汇海2018-03-0641.Ethzasl MSF源码阅读(1)：程序入口和主题订阅2018-03-0442.Cartographer源码阅读(6)：LocalTrajectoryBuilder和PoseExtrapolator2018-02-2543.Cartographer源码阅读(5)：PoseGraph位姿图2018-02-2444.Cartographer源码阅读(4)：Node和MapBuilder对象22018-01-1045.Cartographer源码阅读(3)：程序逻辑结构2017-12-2946.Cartographer源码阅读(2)：Node和MapBuilder对象2017-12-2847.Cartographer源码阅读(1)：程序入口2017-12-2848.实时Cartographer测试(1) - rplidar2017-12-2149.Cartographer安装2017-12-2050.ROS安装（2）2017-12-2051.[ROS]一些传感器数据读取融合问题的思考2017-05-0652.小豆包的学习之旅：占用概率栅格地图和cost-map2017-05-0253.小豆包的学习之旅：开发记录2017-04-2954.[概述]移动机器人自主探索2017-04-1855.MRPT编译2017-04-14

收起

　　传感器观测模型，主要针对激光测距传感器进行说明。

1.Beam Model 测量光束模型

　　激光测量光束模型是对激光测量过程的近似物理描述，激光测距仪沿激光发出的光束测量周围物体的距离。该模型将一条沿光束进行的测量$p(z_{t}|x_{t},m)$表达为四种概率密度的混合。认为存在四种类型的测量误差。

 

2.Likehood Field 似然场模型

 　　主要思想是将激光传感器扫描的端点投影到地图的全局坐标系下。机器人$t$时刻的位姿为$x_{t}=(x,y,\theta)^T$，传感器的安装位置相对于机器人的中心坐标$(x_{k,sens}    y_{k,sens})^T$，激光光束相对于机器人的朝向(Heading direction)的角度为$\theta_{k,sens}$。激光测量端点的坐标为$z_{t}^k$，相对于激光器中心。激光扫描到的点投影到地图的全局坐标系坐标为$(x_{z_t^k} y_{z_t^k})$.

$$\left( {\begin{array}{*{20}{c}} {{x_{z_t^k}}}\\ {{y_{z_t^k}}} \end{array}} \right) = \left( {\begin{array}{*{20}{c}} x\\ y \end{array}} \right) + \left( {\begin{array}{*{20}{c}} {\cos \theta }&{ - \sin \theta }\\ {\sin \theta }&{\cos \theta } \end{array}} \right)\left( {\begin{array}{*{20}{c}} {{x_{k,sens}}}\\ {{y_{k,sens}}} \end{array}} \right) + z_t^k\left( {\begin{array}{*{20}{c}} {\cos (\theta + {\theta _{k,sens}})}\\ {\sin (\theta + {\theta _{k,sens}})} \end{array}} \right)$$

　　该模型认为存在三种类型的噪声和不确定性。即：测量误差$p_{hit}$，最大测量距离$p_{max}$，背景噪声$p_{rand}$

　　（1）测量误差$p_{hit}$,描述的是测量点到对应地图上物体之间存在的误差。

$${{\rm{p}}_{{\rm{hit}}}}\left( {{\rm{z}}_t^k|{x_t},m} \right) = {\varepsilon _{{\sigma _{hit}}}}\left( {dist} \right)$$

　　（2）最大测量距离$p_{max}$，激光的最大观测会产生很大的似然值。

　　（3）用一个均匀分布$p_{rand}$描述观测中的随机噪声

　　已知t时刻位姿$x_t$和地图m的情况下，则观测到$z_t^k$的概率$p(z_t^k|x_{t},m)$

$${\rm{p}}\left( {{\rm{z}}_t^k|{x_t},m} \right) = {z_{hit}} \cdot {p_{hit}} + {z_{rand}} \cdot {p_{rand}} + {z_{\max }} \cdot {p_{\max }}$$

　　其中$z_{hit}$，$z_{rand}$，$z_{max}$为权重。

 

---

总结：

　　机器人的运动模型主要是对机器人的运动过程进行建模，利用的是传感器对机器人运动的观测数据（如里程计）。

　　激光传感器的作用主要是感知周围环境，获取的扫描数据在SLAM过程中有两个作用：一是构建地图（占用概率栅格地图）；另外一个是扫描匹配，优化里程计获取的机器人位姿，扫描匹配是建立局部子图和全局地图位置关系的过程，常用到的就是传感器观测模型。[SLAM]2D激光扫描匹配方法

　　地图的更新时一个增量过程，每个时刻扫描的新的观测数据都要融合到现有的地图中，占用概率栅格地图介绍了一种增量更新地图的方法。