基于Cortex-A53平台的激光雷达SLAM实现

0引言

自主移动机器人是近几年的研究热点,要实现机器人的自主移动,关键是要实现SLAM(Simultancous Localization and Mapping),也就是同时定位与地图构建。

在移动机器人上实现SLAM目前有两种主流的方法,一是基于相机的SLAM;二是基于激光雷达的SLAM。在SLAM的实现中最常用的硬件处理器平台是Intelx86平台,如TurtleBot移动机器人上的硬件处理器平台就是一台笔记本。在移动机器人上实现SLAM的硬件成本比较高,这是自主移动机器人难以进入服务市场的主要原因之一。为了解决这个问题,本文在基于Cortex-A53的处理器平台上配以激光雷达实现了室内环境下的SLAM。

1关于用低成本实现SLAM的思考

在移动机器人中用嵌入式处理器实现SLAM是一种趋势,一是由于嵌入式处理器平台对工业现场环境有较好的适应性,二是成本相对较低。但是嵌入式处理器相对于SLAM问题来说,其性能不够高,所以在这种相对低性能的处理器上实现SLAM要解决的主要问题就是要降低计算量,并且需要对算法进行优化,使得所实现的SLAM能满足实际使用要求。基于激光雷达的SLAM相对于基于相机的SLAM来说,它的算法相对简单,计算量相对较小,对处理器的性能要求相对较低,所以才可以在性能较低的ARM平台上实现,所以选择用激光雷达作为SLAM的测量输入。

2基于粒子滤波的SLAM原理

2.1扩展卡尔曼滤波与粒子滤波

目前实现SLAM的两种最主要的方法是扩展卡尔曼滤波和粒子滤波。基于扩展卡尔曼滤波(EKF)的SLAM算法对非线性的运动模型和观测模型采用线性化来解决,其线性化的方法是在目标点附近做泰勒展开并去除其高阶部分,如果模型的非线性程度很大,就很容易使算法产生较大误差,因此非线性就成了这种SLAM算法中的一个很严重的问题,且EKF还是基于高斯假设的,运动模型和观测模型中的噪声都要满足高斯分布,这样使得算法的使用受到限制。粒子滤波中用一定大小的采样样本的频率分布来表示概率分布,当样本数量趋于无穷时,粒子集的概率密度函数可以近似于任意形式的概率密度分布,因此粒子滤波可以处理任意形式的状态空间模型,而不局限于高斯噪声模型。

在粒子滤波中,把从后验分布中获得的采样称作粒子,粒子是对真实世界中待确定的状态的一种假设。采样后的粒子集S,表示为:
基于Cortex-A53平台的激光雷达SLAM实现

余下内容需要下载观看

基于Cortex-A53平台的激光雷达SLAM实现-AGV吧
基于Cortex-A53平台的激光雷达SLAM实现
此内容为付费资源,请付费后查看
20积分
付费资源
© 版权声明
THE END
喜欢就支持一下吧
点赞15赞赏 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容