科学观察SLAM有何功能?利用了什么方法?与无人驾驶汽车有什么关联?
基于Kalman滤波的SLAM方法利用包含无人驾驶汽车位姿向量和环境特征向量的增广向量表示空间环境,将无人驾驶汽车运动与环境特征的关系描述为两个非线性模型,即无人驾驶汽车运动模型和观测模型 。 无人驾驶汽车控制信号输入到系统运动模型中,实现无人驾驶汽车的运动 。 Kalman滤波算法根据系统模型实现无人驾驶汽车位姿的预测,同时无人驾驶汽车根据系统观测模型获得对环境特征的观测 。 预测特征和观测特征之间要进行数据关联匹配的处理,选择最佳匹配特征,用于对无人驾驶汽车位姿的更新,而候选匹配特征被认为是对环境观测获得的新特征,用于对地图的增广 。
本文插图
Kalman滤波假设系统是线性系统,但是实际中无人驾驶汽车的运动模型与观测模型都是非线性的,因此通常采用EKF方法 。 EKF通过一阶Taylor展开,以近似表示非线性模型 。 基于EKF的SLAM,可以归纳为一个循环迭代的估计-校正过程:首先通过运动模型估计无人驾驶汽车的新位置,并通过观测模型估计可能观测的环境特征,然后计算实际观测和估计观测间的误差,综合系统协方差计算Kalman滤波参数K,并用K对前面估计的无人驾驶汽车位置进行校正,最后将新观测环境特征加入地图 。 扩展Kalman滤波最大的缺陷是假设系统中的不确定性符合高斯分布,因此对系统中的其他模型的噪声无能为力 。 更进一步说,KF/EKF无法处理相关性问题,即数据关联问题 。
本文插图
严重情况下,数据关联的不准确将导致算法发散 。 应用EKF同时进行地图创建与定位所面临的最主要问题是定位的实时性问题 。 因为位姿和基于外部传感器信息的环境特征具有不确定性,用不确定的位姿去更新特征地图和用不确定的环境特征去更新位姿,它们的相关性度量是必需的,且无人驾驶汽车与环境特征之间的相关性不能独立传播 。 因此,在位姿与环境特征更新过程中,需计算车辆与环境特征、环境特征与环境特征之间的交叉相关性对应的协方差矩阵 。 降低计算复杂度的研究主要集中在减少次要特征、改进地图表示和更新等方面 。
本文插图
【科学观察SLAM有何功能?利用了什么方法?与无人驾驶汽车有什么关联?】本文为***作者原创 , 未经授权不得转载
推荐阅读
- 大脑|科学家首次记录到人去世前15分钟脑电波:揭示大脑最后的想法
- 生物|翼展超过2.5米、能飞也能爬!1.7亿年前古物种化石被科学家发现
- 病毒|科学家发现阿尔茨海默病潜在病因:鼻子中的细菌会感染大脑
- 科学|楼上无人!夜深人静时为什么总能听到有弹珠落地滚动的声音?
- 免疫力|科学家发现免疫系统与长相之间的关系:越健康的人越有吸引力
- 黑洞|科学家计算出宇宙中黑洞数量:4000亿亿个
- 移植|科学家首次将双猪肾移植到人体:能产生尿液
- 生科医学|世界上最长寿男性去世 终年112岁零341天:科学家发现或让人类“永生”秘密
- 肥胖|科学家发现新减肥疗法:数周体重下降25% 只对肥胖者有效
- 打嗝|打嗝被"吓一跳"就好了?到底有没有科学依据?终于清楚了