A flexible and scalable slam system with full 3d motion estimation 论文学习记录
这篇论文系统框架，栅格多阈值，更新同步与伪数据，扫描匹配起始点，协方差交叉融合的思想还是值得借鉴的。
摘要
关注于搜救机器人建图定位与导航的框架性文章。 低计算资源的在线快速获取栅格地图； 结合鲁棒的激光扫描匹配方法和惯性传感器姿态估计系统。
快速地图梯度近似与多分辨率（类似图像金字塔）栅格地图，精确而不需要闭环检测。
介绍
2D slam 子系统与 3D 导航子系统组成。
相关研究工作
siam 前端 :估计机器人的实时在线运动 ，闭环检测 ；后端：进行使用前端优化之前的点进行图优化，图优化。
基于激光的室内多导航系统在无人机方面的论文。
[6] A. Bachrach, R. He, and N. Roy, “Autonomous flight in unknown indoor environments,” International Journal of Micro Air Vehicles, vol. 1, no. 4,pp. 217–228, 2009.
[7] S. Grzonka, G. Grisetti, and W. Burgard, “Towards a Navigation System for Autonomous Indoor Flying,” in IEEE Intern. Conf. on Robotics and Automation (ICRA), 2009.
[8] I. Dryanovski, W. Morris, and J. Xiao, “An open-source pose estimation system for micro-air vehicles,” in IEEE Intern. Conf. on Robotics and Automation (ICRA), 2011, pp. 4449–4454.
激光扫描匹配的方法：
Iterative Closest Point (ICP) ：源于3d 点云处理的方法，点相关性搜索代价高，须计算每个梯度。
Polar Scan Matching (PSM) ：利用激光极坐标表示的特性
The real-time correlative scan matching approach ： baseds can matching aligns scans to a mixture of normal distributions representing preceding scans.
参考论文
[11] Z. Zhang, “Iterative point matching for registration of free-form curves and surfaces,” Int. J. Comput. Vision, vol. 13, pp. 119–152, Oct 1994.
[12] A. Diosi and L. Kleeman, “Fast Laser Scan Matching using Polar Coordinates,” The International Journal of Robotics Research, vol. 26, no. 10, p. 1125, 2007.
[13] E. Olson, “Real-Time Correlative Scan Matching,” in IEEE Intern. Conf. on Robotics and Automation (ICRA), Jun 2009, pp. 4387–4393.
[14] P. Biber and W. Stra?er, “The Normal Distributions Transform: A New Approach to Laser Scan Matching,” in IEEE/RJS Intern. Conf. on Intelligent Robots and Systems, 2003.
系统概要
坐标系统： 右手法则
系统状态方程
 |
机体角速度w
加速度 a |
2D slam
a. 地图占据值与梯度近似：双线性线性插补
占据网格的离散性限制系统精度，不允许直接差值与求梯度（离散程度问题），采用双精度的方式进行插值。占据栅格地图值看作是在连续概率分布下的采样。
b . 扫描匹配 ：
将扫描数据与已经获取的地图进行对齐。现在的激光高扫描速率与低扫描距离噪声使得扫描注册结构相对精确。
高斯牛顿Gauss-Newton approach的方法进行扫描匹配 ：
[19] B. D. Lucas and T. Kanade, “An iterative image registration technique with an application to stereo vision (darpa),” in DARPA Image Understanding Workshop, Apr 981, pp. 121–130.
 |
 |
高斯牛顿的方法必须留意到这样的问题： 地图梯度的非平滑线性近似不能确保局部二次收敛。
高斯牛顿利用的是非线性方程的二阶泰勒展开进行，hessian矩阵体现的是梯度的梯度方向，比直接快速收敛快，但对初始点要求高，计算量有点大；但当问题非凸时，最速下降法的迭代方向能保证下降性，牛顿法就不一定了。也因此基本牛顿法没有全局收敛性。
见牛顿法为什么比梯度下降法求解需要的迭代次数更少？
高斯近似匹配不确定性解决： 点约束的slam后端图优化； 基于协方差估计的采样（类似UKF）；近似hessian矩阵，引入尺度因子；
c. 多分辨率地图表示
基于爬坡与梯度的算法都有局部最小的困扰。====》》类似于金字塔模型的多分辨率的栅格地图法。
不同分辨率的地图都会保存在内存中同时利用点估计进行对齐过程进行更新。 扫描对齐过程以粗糙地图水平开始，结果作为下一次的对其方式的开始。
3D 状态估计
导航滤波以常频率100hz运行，只要扫描匹配点和其它传感器到达保持同步更新。
a. navigation filter :同步与伪数据
测量更新无额外反馈使得系统不稳定的对策：阻止状态更新的无限增长(累积偏差)，设定一个变量阈值，当未达到时认为无测量到达，伪造（pseudo）一个零速进行更新.
b . slam intergration （合成) ：2d slam 与 3d ekf估计
3d ekf 点估计过程投影到2d平面，将其作为扫描匹配过程的起始点 ；
协方差交叉（converiance intersection CI）
简单卡尔曼测量更新假定统计中的独立测量误差导致过估计。 ====》》协方差交叉融合
结果
略。
论文地址：http://download.csdn.net/detail/zyh821351004/8986339
版权声明：本文为博主原创文章，未经博主允许不得转载。