移动机器人建图与导航代码实现——1.Hector SLAM

Hector SLAM

这一部分利用hector slam完成建图和定位，暂无全局定位功能，使用2D激光雷达和里程计。测试中使用的GUI改编自https://www.cnblogs.com/scomup/p/7074847.html 。

整体分为4步：
1.motion prediction，即估计当前姿态和上一时刻的变化量
2.scan matching，通过激光点云修正上一步的估计，也是该算法的重点
3.map update，更新地图
4.pose update，更新姿态

地图

首先我们需要确定地图的格式，采用栅格地图。设一个二维数组\(\overline{M}\)，值域为\([-\infty, +\infty]\)，数值越大，表示该点为障碍物的概率越大，反之越小。将其映射到\((0, 1)\)上，可以看作概率，因此设\(M_{ij} = \frac{e^{\overline{M}_{ij}}}{1+e^{\overline{M}_{ij}}}\)，即可看作是概率栅格地图。源码在GridMap.py中，地图更新部分有很慢的Python实现，在注释部分中，也有较快的C++实现(c_extern/map_update.cpp)，测试效率差30倍。

地图更新

考虑激光点云中的一个点\(P\)和当前机器人位置\(Q\)，\(P\)附近的点是障碍物的概率应该增大，从\(Q\)到\(P\)线的点是障碍物的概率应该减小。

motion prediction

这一步是为了将激光点云粗略地从机器人坐标系映射到世界坐标系。设k时刻的里程计对应变换矩阵为\(T_k\)，经过修正的姿态为\(\widetilde{\xi}_k\)，则可以初步估计k+1时刻姿态为\(\widetilde{\xi}_kT^{-1}_kT_{k+1}\)。

scan matching

设激光点云有n个点，我们希望估计一个姿态\(\xi=\begin{bmatrix}x\\y\\ \theta\end{bmatrix}\)，使得点云尽可能分布在障碍物上，使用最小二乘，即求

\(\xi=argmin_{\xi}\sum_{i=0}^n[1-M(S_i(\xi))]^2\),

其中\(S_i(\xi)\)表示第i个点在姿态\(\xi\)下的坐标，\(M\)为已有的地图。设姿态变化量为\(\Delta\xi\)，优化目标为

\(\sum_{i=0}^n[1-M(S_i(\xi+\Delta\xi))]^2\)，

对其泰勒展开

\(\sum_{i=0}^n[1-M(S_i(\xi))-\nabla M(S_i(\xi))\frac{\partial S_i(\xi)}{\partial \xi}\Delta \xi]^2\)

求偏导并令为0

\(2\sum_{i=0}^n[\nabla M(S_i(\xi))\frac{\partial S_i(\xi)}{\partial \xi}]^T[1-M(S_i(\xi))-\nabla M(S_i(\xi))\frac{\partial S_i(\xi)}{\partial \xi}\Delta \xi]=0\)

求得

\(\Delta\xi=H^{-1}\sum_{i=1}^n[\nabla M(S_i(\xi))\frac{\partial S_i(\xi)}{\partial \xi}]^T[1-M(S_i(\xi))]\)

其中

\(H=\sum_{i=1}^n[\nabla M(S_i(\xi))\frac{\partial S_i(\xi)}{\partial \xi}]^T[\nabla M(S_i(\xi))\frac{\partial S_i(\xi)}{\partial \xi}]\)

更新姿态为\(\xi=\xi+\Delta\xi\)。

这一部分代码见SLAM.py。

栅格地图上偏微分求法

\begin{align*} \nabla M(S_i(\xi))\frac{\partial S_i(\xi)}{\partial \xi} =&\begin{bmatrix} \frac{\partial M(S_i(\xi))}{\partial x}\\ \frac{\partial M(S_i(\xi))}{\partial y}\\ \frac{\partial M(S_i(\xi))}{\partial \theta} \end{bmatrix}\\ =&\begin{bmatrix} \frac{\partial M(S_i(\xi))}{\partial x}\\ \frac{\partial M(S_i(\xi))}{\partial y}\\ (-xsin\theta-ycos\theta)\frac{\partial M(S_i(\xi))}{\partial x} + (xcos\theta-ysin\theta)\frac{\partial M(S_i(\xi))}{\partial y} \end{bmatrix}\\ =&\begin{bmatrix} 1 & 0\\ 0 & 1\\ -xsin\theta-ycos\theta & xcos\theta-ysin\theta \end{bmatrix} \begin{bmatrix} \frac{\partial M(S_i(\xi))}{\partial x}\\ \frac{\partial M(S_i(\xi))}{\partial y} \end{bmatrix} \end{align*}

其中的

\[ \begin{bmatrix} \frac{\partial M(S_i(\xi))}{\partial x} \\ \frac{\partial M(S_i(\xi))}{\partial y} \end{bmatrix} \]

可以用附近的四个点做双线性插值，不妨设\(S_i(\xi)=\begin{bmatrix}x\\y\end{bmatrix}\)，
则有

\begin{align*} \frac{\partial M(S_i(\xi))}{\partial x} \approx&([y]+1-y)(M_{[x]+1,[y]}-M_{[x],[y]})+(y-[y])(M_{[x]+1,[y+1]}-M_{[x],[y+1]}) \end{align*} \begin{align*} \frac{\partial M(S_i(\xi))}{\partial y} \approx&([x]+1-x)(M_{[x],[y]+1}-M_{[x],[y]})+(x-[x])(M_{[x]+1,[y+1]}-M_{[x+1],[y]}) \end{align*}

转载于:https://www.cnblogs.com/7391-KID/p/10903392.html