amcl--里程计运动模型

里程计运动模型

里程计模型使用相对运动信息 (relative motion information) , 该信息山机器 人内部里程计测量。更具体地,在时间间隔 (t-1, t] 内,机器人从位姿 x_{t-1} 前进到位姿x_t。里程计反馈了从\bar{x}_{t-1}=(\bar{x},\bar{y},\bar{\theta })^T\bar{x}_{t}=(\bar{x}',\bar{y}',\bar{\theta' })^T的相对前进。这 里" - "代表其是嵌在机器入内部坐标的,该坐标系与全局世界坐标的关系是 未知的。在状态估计中利用这个信息的关键就是\bar{x}_{t-1}\bar{x}_{t}之间的相对差(基于对 术语“差异”的合适定义)是真实位姿x_{t-1}x_t之间差异的一个很好的估计器。 因此,运动信息u_t也由下式给定: 

u_t=\begin{pmatrix} \bar{x}_{t-1}\\ \bar{x}_t \end{pmatrix}

为了提取相对距离,u_t被转变成三个步骤的序列:旋转、直线运动(平移) 和另一个旋转。下图 5.7给出了这样的分解:初始旋转 \delta_{rot1}、平移 \delta_{trans}和第二次旋转 \delta_{rot2},这三个参数足以组成由里程计编码的相对运动的统计量。 

amcl--里程计运动模型_第1张图片

   概率运动模型假定这三个参数被相对独立的噪声污染。程序 5.5 给 出了由里程计计算 p(x_t| u_t,x_{t-1})的算法。该算法将初始位姿 x_{t-1} 、从机器人里程计获得的一对位姿u_t=[\bar{x}_{t-1} \bar{x}_t ]^T及一个假定的最终姿态x_t 作为输入,其输出是数值概率p(x_t| u_t,x_{t-1})

amcl--里程计运动模型_第2张图片

你可能感兴趣的:(amcl--里程计运动模型)