同时定位与地图构建(SLAM)概述Ⅱ.pdf

《同时定位与地图构建(SLAM)概述Ⅱ.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、同时定位与地图构建(SLAM)概述Ⅱ回顾定位跟踪，全局定位，绑架问题卡尔曼滤波二次型跟踪，全局定位，绑架问题同时定位与地图构建闭环回路尺度：分割空间至重叠区域，采用重路由算法未提及的问题特征探索提纲拓扑地图隐马尔可夫模型尺度不变特征变换基于视觉的定位拓扑地图思想构建一个量化地图，该地图中的节点代表具有相似性质的传感器数据标识，节点之间的变换表示这期间的机器人控制行为拓扑的优越性可以解决全局定位问题可以解决绑架问题类似于人所构建地图支持度量性的定位可以表述为隐马尔可夫模型(HMM)隐马尔可夫模型(HMM)已知条件作业域可以表示为一系列的变量状态定义了任意

2、给定状态之后什么后继状态可达状态的改变包括行为行为可观，状态不可观你想尽量搞清楚一系列机器人行为例子部分语音的标识，自然语言解析，语音识别，场景分析，定位/路径估计隐马尔可夫模型概述什么是隐马尔可夫模型找到最可能状态序列的算法一个动作序列的概率似然算法(计算所有可能的状态路径)训练马尔可夫模型的算法只能工作在状态结构能够被定义为FSM的问题，此时某一时刻单独行为能够作为状态之间的变换本身是一种非常流行的算法，原因在于该算法与行为序列长度成线性关系。隐马尔可夫模型用概率表示节点链接弧的有限状态机，其中玛丽有一个小台灯和一只大狗罗杰点了一份羔羊咖喱和一个热

3、狗约翰做了一份热狗咖喱寻找极大似然路径Viterbi算法：对于一组t-1长度的动作序列，在线性时间按内找到：Viterbi算法：对于每一个状态，找到终止于该状态的最有可能的状态序列行为序列的概率令为概率，因此必须从初始状态开始否则隐马尔可夫的前向概率隐马尔可夫模型的训练算法给定训练序列，调整HMM的状态转移概率，使得这组行为序列的可能性最大训练序列隐状态直觉上….猜想一组状态转移概率通过比较每次迭代的交叉熵来计算这种“提升”。当交叉熵在某一次迭代中降低至小于某当计算状态转移情况时，一先验阈值参数时，计算结束。利用他们的概率按比例分配状态转移情况交叉熵定

4、义为：？问题在于我们并不知道转移的概率是多少！尺度不变特征变换内容：尺度空间极值提取关键点删剪及定位方向指派关键点描述符SIFT中的尺度空间目的：物体可以在许多级的细节中被识别出来长距离对应于低的探测限制不同类型的信息在每一个级别中都可能获得思想：在一副图像中每一探测级别提取信息内容。细节的减少通过高斯模糊来实现：为输入图像.为该图像在尺度下的形式为2D高斯函数，其方差为尺度不变特征不变性质：尺度平面旋转对比度光照大量特征高斯差分空间尺度(下一倍频)尺度(第一倍频)高斯差分高斯尺度空间尺度计算差分空间中的局部极值每个为一个特征尺度和平面旋转的不变性针对

5、稳定性的剪裁去除候选特征低对比度不稳定的边界响应方向指派对于每一个特征在中找到围绕的某一固定像素区域计算梯度直方图；并命名为对于极大值80%内的，定义特征基于视觉的SLAM参考读物：可预测的视觉自定位在当前位置计算SIFT特征利用立体视觉来定位3D特征运动基于里程计和卡尔曼滤波来预测新的位置基于机器人的运动来预测SIFT特征的位置找到SIFT特征，并且找到每一个特征的3D位置根据每一个匹配的特征来计算机器人当前的位置估计基于视觉的定位在机器人探索新环境时获得视频序列以位置和空间中他们的联系来构建环境的模型拓扑定位–通过位置的识别实现度量性定位–通过计算

6、当前场景和最可能位置的表述的相对位姿同一个位置？全局拓扑，局部几何问题：独立位置的表述学习代表性位置的特征学习这些位置之间的关系每一个观测场景由一系列SIFT特征表述这些位置对应于子序列，使得特征能够成功匹配位置上的空间关系是通过位置图来捕捉的图像匹配每幅图像包含10-150个特征每一个特征找到具有差别性的最近邻特征图像距离对应于成功匹配特征数的比例分割视频序列状态的过渡取决于探索的过程位置子序列中的特征能够被成功的匹配位置表述：具有代表意义的图像集合及其关联特征图像匹配给定一副图像，它究竟是从哪一位置获得的呢？认知－投票机制对于每一个在探索过程中获得

7、的代表性图像计算匹配的特征数目具有最多匹配数目的位置被定义为最可能的位置拓扑模型中的马尔可夫定位探索未知之间的空间关系离散状态集位置和方向离散行为集转移方程，离散马尔可夫模型马尔可夫定位位置的后验概率观测概率观测概率位置变换概率矩阵隐马尔可夫识别在实验测试中的识别效率提高到82%至96%位置内的度量性定位给定位置对应的最近视图建立关键点直接按的对应关系概率匹配，结合几何，关键点描述符和内在的尺度计算关于参考视图的相对位置总结我们介绍了什么？支撑方法卡尔曼滤波隐马尔可夫模型尺度不变特征定位与地图构建基本SLAM大尺度SLAM拓扑地图基于视觉的定位及SLA

8、M