機器人學 —— 機器人感知（Mapping）

　　對於移動機器人來講，最吸引人的莫過於SLAM，堪稱Moving Robot 皇冠上的明珠。Perception 服務於 SLAM，Motion Plan基於SLAM。SLAM在移動機器人整個問題框架中，起着最爲核心的做用。爲了專一於Mapping，此章咱們假設 Location 是已知的。

一、Metric Map

　　軌跡規劃任務是再Metric Map的基礎上完成的。固然，層次最高的是語意圖，語意圖是將來研究的熱點方向。獲取Metric Map 的難度最大之處在於：一、傳感器噪聲（May be solved by PGM； 二、機器人在移動（Location 問題）；

　　常見的MAP是基於UGV而言的， 使用的地圖是Occupancy Map，與以前在軌跡規劃欄目中的圖同樣，以 0 表示沒法到達的區域，以 1 表示能夠達到的區域。

　　

 

二、傳感器噪聲問題的Naive Solution

　　解決傳感器噪聲問題的方法是對傳感器進行建模，其模型爲機率模型：

　　

　　對於給定的觀測，其factor 如上，當連續N次觀測到同一個xy的值時，利用 factor product，便可得到n次觀測的Joint CPD ，在Joint CPD 上運行MAP算法，便可得到最終的地圖了。在通解的基礎上，確實是這樣設計算法的，可是咱們目前面對的Mapping 問題還太Naive，不須要如此複雜的手段。

　　

　　此處定義了一個odd，表示發生與否可能性的比值。換言之，就是傳感器出錯的機率比，這是一個能夠估計的量。好比傳感器測出有物體的odd是2，沒物體的odd是3.

　　依據Beyes 公式把Odd展開：

　　

　　其中，p(m = 1|z)/p(m = 0/z) 表示的是測量完成後 odd 的值，它等於  這次測量值 + 以前的odd。

　　換言之，咱們只要定義好先驗圖與log-odd-meas，就能夠了。

三、Mapping Algorithm

　　全部的東西老是提及來容易作起來難。即便是如此Naive的Map，真正Coding仍是很難的。尤爲是如何高效的實現Map的更新，此外，機器人每次發出的激光線達上千條，每一個位姿都要更新上前個點。對此問題，我設計了並行算法，即便在並行的條件下，生成一次Map也要近20s.

　　算法流程以下：

　　一、將激光擊中的點變換到全局座標系下

　　二、利用Breshenman 算法，獲取激光經過的路徑

　　三、獲取Occupied Map 與 Free Map

　　四、更新Map.

　　左圖是單次測量的圖，也就是機器人一個位姿的測量結果。顯然，在靠近機器人的地方，噪聲嚴重。右圖是機器人在空間中移動後最終的Map。

四、3D Mapping

　　對於2維地圖，咱們採用 free+occupy 的形式儲存空間中的障礙物。然而有障礙物的地方畢竟仍是少數，或者說，地圖是稀疏的。

　　對於3維數據而言，咱們用3維的空間來描述顯然不划算，由其是當空間巨大時。此時咱們選擇的地圖，或者說是數據結構是kd-tree 與 OcTree. 此部份內容在點雲相關博客中有過介紹，不贅述。