[ROS#10]Hector SLAM教學

第 11 屆 iThome 鐵人賽

DAY 11

AI & Data

ROS新手挑戰AI&Data組系列第 11 篇

11th鐵人賽

kate cheng

2019-09-25 22:09:52

9627 瀏覽

分享至

參考資料:
1. ROS SLAM #2 Hector SLAM (2D地圖建置)
2. SLAM：經典2D_SLAM演算法比較：Hector slam、gmapping、cartographer
3. hector_slam
4. ROS中開源激光slam（2D）[gmapping hector karto cartographer]
5. Hector SLAM算法学习与代码解析

• Hector SLAM演算法原理解析
Hector slam利用高斯牛頓方法解決scan-matching問題
#特色: 不需要里程計；可以結合IMU數據使用；沒有閉環檢測部分,精確度高；柵格地圖

優點	缺點
不需要使用里程計，但在不平坦的區域建圖會存在運用的可行性；利用已經獲得的地圖對鐳射束點陣進行優化, 估計鐳射點在地圖的表示,和佔據網格的概率；利用高斯牛頓方法解決scan-matching 問題，獲得鐳射點集對映到已有地圖的剛體變換（x,y,theta）；為避免區域性最小而非全域性最優，使用多解析度地圖；導航中的狀態估計加入慣性測量系統（IMU），利用EKF濾波	需要雷達（LRS）的更新頻率較高，但測量噪聲小；在製圖過程中，需要robot速度控制在比較低的情況下，建圖效果才會比較理想，這也是它沒有迴環（loop close）的一個後遺症；且在里程計資料比較精確的時候，無法有效利用里程計資訊。

優點

缺點

不需要使用里程計，但在不平坦的區域建圖會存在運用的可行性；利用已經獲得的地圖對鐳射束點陣進行優化, 估計鐳射點在地圖的表示,和佔據網格的概率；利用高斯牛頓方法解決scan-matching 問題，獲得鐳射點集對映到已有地圖的剛體變換（x,y,theta）；為避免區域性最小而非全域性最優，使用多解析度地圖；導航中的狀態估計加入慣性測量系統（IMU），利用EKF濾波

需要雷達（LRS）的更新頻率較高，但測量噪聲小；在製圖過程中，需要robot速度控制在比較低的情況下，建圖效果才會比較理想，這也是它沒有迴環（loop close）的一個後遺症；且在里程計資料比較精確的時候，無法有效利用里程計資訊。

備註: hector_slam通過最小二乘法匹配掃描點，且依賴高精度的鐳射雷達資料，因此掃描角很小且噪聲較大的Kinect是不行的，匹配時會陷入區域性點，地圖比較混亂。

• Hector node graph

• Particle Filter Flow(粒子過濾器)
以粒子的方式模擬機器人位置分佈的概率。每個粒子代表一個機器人分佈的可能，存儲所有歷史時刻的pose,map,和對應的weight。
#也就是說
如果粒子數量無限多，那總有一個粒子代表真實，那它的軌跡和地圖就是所求。
剛開始粒子權重都一樣，但隨着不同的輸入與觀測與地圖的對應差異，越接近真實的機器人表示的粒子權重會增加，反之逐漸減小。

• Score、Weight、Update map
sanmatcher匹配好壞的評價標準: 就是調整當前幀激光束對應的位置，使得激光束與前面生成的gridmap儘量的重合，重合越高，分數越高，越具有參考價值。
當前開源算法中scanMatcher採取的方法主要是以下四種：

scanMatcher 主要涉及兩個評價函數: 一個是score 用於優化調整粒子pose作爲參考；一個是likelihoodAndScore 用於確定優化後的每個粒子pose對應的權重更新作爲參考。