《学年第一学期第十讲机器人导论.ppt》由会员分享，可在线阅读，更多相关《学年第一学期第十讲机器人导论.ppt（23页珍藏版）》请在三一文库上搜索。
1、2012-2013学年第一学期第十讲 机器人导论,王国利 信息科学与技术学院 中山大学,地图表示/Map Representation,里程计、航迹推算/Odometry, Dead Reckoning 基于外部传感器的定位, 信标或路标 基于概率地图的定位,5.5,Perception,信念表示/ Belief Representation,a) 连续地图 单一假设 b) 连续地图 多重假设 d) 离散地图 概率分布 d) 离散拓扑地图 概率分布,5.4,单一假设信念/Single-hypothesis Belief Continuous Line-Map,5.4.1,单一假设信念/Sing
2、le-hypothesis Belief Grid and Topological Map,5.4.1,网格表示-多假设/ Grid-base Representation - Multi Hypothesis,20 cm2的网格,5.4.2,Courtesy of W. Burgard,地图表示/Map Representation,地图的精度与应用 特征精度与地图精度 精度与计算复杂 连续/分解：具体抽象,5.5,环境表示/Representation of the Environment,环境的表示/Environment Representation 连续度量 x,y,q 离散度量 度
3、量网格 离散拓扑 拓扑网格 环境建模/Environment Modeling 裸传感数据, e.g. 机关测距数据, 灰度图像数据 数据规模大, 单个数据低水平区分度 利用所有获取的数据 低层次特征, e.g. 几何特征 中等数据规模, 平均水平的区分度 过滤出有用的信息, 仍然有歧义性 高层次特征, e.g. 门, 车, 埃菲尔铁塔 小规模数据, 高区分度 过滤出有用的信息, 歧义性小，但未必充分,5.5,地图表示 Map Representation: Continuous Line-Based,建筑图/Architecture map 线段表示/Representation with
4、set of infinite lines,5.5.1,地图表示 Map Representation: Decomposition (1),精确地胞元分解/Exact cell decomposition,5.5.2,地图表示 Map Representation: Decomposition (2),固定胞元分解/Fixed cell decomposition 窄通道消失/Narrow passages disappear,5.5.2,地图表示 Map Representation: Decomposition (3),适应胞元分解/Adaptive cell decomposition
5、,5.5.2,地图表示 Map Representation: Decomposition (4),固定胞元分解 Example with very small cells,5.5.2,Courtesy of S. Thrun,地图表示 Map Representation: Decomposition (5),拓扑分解/Topological Decomposition,5.5.2,地图表示 Map Representation: Decomposition (6),拓扑分解/Topological Decomposition,节点,连接 (弧),5.5.2,地图表示 Map Represe
6、ntation: Decomposition (7),拓扑分解/Topological Decomposition - 传感：根据拓扑图检测位置 - 控制：结点之间的移动能力,5.5.2,发展现状/State-of-the-Art: Current Challenges in Map Representation,现实世界是动态的/Real world is dynamic 感知面临的主要挑战/Perception is still a major challenge 出现误差不可抗拒 难以提取有用信息 穿越空旷地带/Traversal of open space 如何创建拓扑关系/How t
7、o build up topology (boundaries of nodes) 传感器融合/Sensor fusion ,5.5.3,概率地图实现的定位/ Probabilistic, Map-Based Localization (1),考虑机器人在已知的环境中移动 当开始移动时, 即从以精确已知的位置出发, 可以使用里程计跟踪其位置。 然而，经过一段时间，其位置信息将有可能变得不确定了. 可以通过观察环境更新或修正其位置信息。 环境观察的方式可以与里程计融合， 实现机器人位置的更好估计。,5.6.1,概率地图实现的定位/ Probabilistic, Map-Based Localiz
8、ation (2),动作更新/Action update 动作模型/action model ACT 这里 ot: 编码器测量值, st-1: 先验信念状态（prior belief state） 不确定性增长 感知更新/Perception update 感知模型/perception model SEE 这里 it: 外部感受传感器输入, s1: 更新信念状态 不确定性降低,5.6.1,概率地图实现的定位/ Probabilistic, Map-Based Localization (3),5.6.1,Perception,概率地图实现的定位,移动过程改善信念的 不确定性,5.6.1,概率
9、地图实现的定位/ Probabilistic, Map-Based Localization (4),给定 位置估计/the position estimate 协方差/its covariance for time k, 当前控制输入/the current control input 当前观测/the current set of observations 地图/the map 计算 新的位置估计 协方差,5.6.1,实现定位的五个环节/ The Five Steps for Map-Based Localization,1. 基于里程计及先前的估计实现的预测 2. 传感器完成的在线观测 3. 预测和地图完成对测量的预测 4. 观测与地图的匹配 5. 估计 更新位置 (后验位置估计),5.6.1,