有一天，我会放开双手，任由汽车带着我遨游山河。
有一天，我会放松身心，透过车窗去看这美丽景色。
无人驾驶，随着科技的不断进步倍受关注，它不再是一个遥不可及的设想，也不再是只有在科幻片里才能看到的景象。它已经开始慢慢进入人们的生活。
我曾向你提及无人驾驶技术（驰骋在科技之海，无人驾驶也可一往无前。），我相信，你已经有了初步了解，但是，仅仅初步的了解远远无法满足你对无人驾驶的求知欲。
我们要说的，是无人驾驶车涉及的技术之一——SLAM自主建图技术。
SLAM自主建图 · 技术
（对道路路面信息、障碍物进行数据建模，生成高精度地图。）
1、栅格图(grid maps)：将地图分为m*n的栅格，每个栅格内的数值代表是否被占用。
2、地标图(landmark-based maps)：基于地标建图，已知某些标志物在地图中的确定位置。
1、占用图(occupancy maps)：对于每个栅格单元，代表是否被占用。
2、反射图(reflection maps)：对于每个单元，表示传感器束反射的概率。
构建 · 地图
②预测测量量：基于①得到的预测位置，预测应该得到哪些测量量。
③测量：测量当前真实环境信息。
④数据融合：利用EKF将②、③中的信息融合。
⑤更新机器人状态：根据④的结果，更新机器人位置状态，收敛误差。
⑥更新地图：根据④、⑤，更新地图数据。
算法介绍
建图开始时，将机器人当前位置设为已知的起始点，此时建立一个3x1的向量Xk，一个3x3的矩阵Ck。Xk代表已知点，Ck代表已知点之间的关系。
随着机器人的移动及环境信息的输入，将更新的地标信息m1、m2、...添加到Xk、Ck中。
矩阵Ck中，对角线Cr、Cm1、Cm2、...Cmn代表不同的地标信息，其他元素代表对应行、列上地标信息的位置关系。比如Cm1m2代表Cm1地标与Cm2地标的位置关系。
建图 · 算法
2. gmapping-slam: tutorial
3. karto_slam
karto_slam是基于图优化的方法，用高度优化和非迭代cholesky矩阵进行稀疏系统解耦作为解。图优化方法利用图的均值表示地图，每个节点表示机器人轨迹的一个位置点和传感器测量数据集，箭头的指向的连接表示连续机器人位置点的运动，每个新节点加入，地图就会依据空间中的节点箭头的约束进行计算更新。
4. core_slam
看完上述关于SLAM自主建图技术的讲解，有没有感觉对无人驾驶汽车的了解更进一步呢？
- 本文固定链接: http://www.rosrobot.cn/?id=353
- 转载请注明: znjrobot 于 北京智能佳科技有限公司 发表
《本文》有 0 条评论