A. Fast SLAM演算法的核心思想是什麼
FastSLAM演算法的核心思想是:
SLAM(),也稱為CML(),即時定位與地圖構建,或並發建圖與定位。
問題可以描述為:將一個機器人放入未知環境中的未知位置,是否有辦法讓機器人一邊逐步描繪出此環境完全的地圖,同時一邊決定機器人應該往哪個方向行進。例如掃地機器人就是一個很典型的SLAM問題,所謂完全的地圖(aconsistentmap)是指不受障礙行進到房間可進入的每個角落。SLAM最早由Smith、Self和Cheeseman於1988年提出。由於其重要的理論與應用價值,被很多學者認為是實現真正全自主移動機器人的關鍵。
B. 粒子濾波的粒子濾波的發展
Unscented Kalman濾波器(UKF)是Julier等人提出的。EKF(Extended Kalman Filter)使用一階Taylor展開式逼近非線性項,用高斯分布近似狀態分布。UKF類似於EKF,用高斯分布逼近狀態分布,但不需要線性化只使用少數幾個稱為Sigma點的樣本。這些點通過非線性模型後,所得均值和方差能夠精確到非線性項Taylor展開式的二階項,從而對非線性濾波精度更高。Merwe等人提出使用旅敗斗UKF產生PF的重要性分布,稱為Unscented粒子濾波器(UPF),由UKF產生的重要性分布與真實狀態PDF的支集重疊部分更大,估計精度更高。
Rao-Blackwellised粒子濾波器(RBPF)
在高維狀態空間中采樣時,PF的效率很低。對某些狀態空間模型,狀態向量的一部分在其餘部分的條件下的後驗分布可以用解析方法求得,例如某些狀態是條件線性高斯模型,可用Kalman濾波器得到條件後驗分布,對另外部分狀態用PF,從而得到一種混合濾波器,降低了PF采樣空間的維數,RBPF樣本的重要性權的方差遠遠低於SIR方法的權的方差,為使用粒子濾波器解決 SLAM問題提供了理論基礎。而Montemerlo等人在2002年首次將Rao-Blackwellised粒子濾波器應用到機器人SLAM中,並取名為FastSLAM演算法。該演算法將SLAM問題分解成機器人定位問題和基於位姿估計的環境特徵位置估計問題,用粒子濾波演算法做整個路徑的位置估計,用EKF估計環境特徵的位置,每一個EKF對應一個環境特徵。該方法融合EKF和概率方法的優點,既降低了計算的復雜度,又具有較好的魯棒性。
最近幾年,粒子方法又出現了一些新的發展,一些領域用傳統的分析方法解決不了的問題,現在可以藉助基於粒子模擬的方法來解決。在動態系統的模型選擇、故障檢測、診斷方面,出現了基於粒子的假設檢驗、粒子多模型、粒子似然度比檢測等方法。在參數估計方面,通常把靜止的參數作為擴展的狀態向量的一部分,但是由於參數是靜態的,粒子會很快退枯鉛化成一個樣本,為避免退化,常用的方法有給靜態參數人為增加動態雜訊以及Kernel平滑方法,而Doucet等提出的點估計方法避免對參數直接采樣,在粒子框架下使用最大似然估計(ML)以及期望值最大(EM)演算法直接估計未拆磨知參數。