我在哪儿?(本地化问题)

作者Mihir Acharya,2022年12月15日

14次查看(过去30天)|0个赞|0个评论

自主导航与布莱恩·道格拉斯:第4部分

这篇文章来自布莱恩•道格拉斯,YouTube内容创造者控制系统和独立的应用程序。

在以前的文章,我谈到了自主导航所需的功能。在接下来的三个职位,我们将更详细地探索这些功能之一——本地化。在这第一篇文章中,我们将介绍什么是本地化,什么样的信息,我们需要完成它。

我想开始一个定义。一辆车的构成其位置和取向的结合。车在哪里,哪个方向是面对。例如,如果一辆车可以绕其纵轴旋转和移动在平坦的2 d平面,那么它可以用一个三元素向量描述。其2 d平面上的位置(X和Y距离一些已知的参考帧),和它的方向(角度θ+ X轴)。

需要描述构成元素的数量增加的自由度(自由度)系统中增加。举个例子,一个自治飞机可能需要六个元素来描述其构成:纬度、经度和海拔位置,滚,音高,偏航方向。具有多个自由度的机械臂可能需要比这更多的元素。

本地化

本地化是估算的过程。它的发现每个位置和姿态的价值元素的汽车有一个理解的位置和方向是面对相对于周围的地标。

简单地说,如果我们给车辆的地图环境,它应该能够找出在地图。

后来在这个博客系列中,我们将讨论如何做本地化当我们不已经有一个环境的地图。这就是所谓的同时定位和地图(大满贯)的问题。现在,我们将假定汽车只需要找出它是在一个地图。

那么,什么是地图吗?

地图是一个模型的环境(展望未来,我将使用地图和模型互换在谈到如何代表环境。),需要的形式取决于我们如何想代表世界。地图,我们定义对我们如此重要的地标性建筑,建立坐标系,我们可以使用它来量化关系这些地标。

地标可以是任何实物的数量。例如,他们可能会被墙的位置如果车辆需要大楼里的导航。我们可以定义一个坐标系,是参考的一个角落的房间,墙上有我们可以模型二进制占用网格。这种类型的模型将环境划分为离散的小区域,然后分配一个“1”与墙占领的地区,' 0 '没人居住的地方。

定位将由传感距离和方向的墙壁环境和匹配你所看到的二进制占用网格来决定你在哪里。

然而,汽车的姿势并不总是与一个具有里程碑意义的描述一样容易想象一堵墙。例如,我们已经说过,一个飞行汽车可能描述其构成与纬度、经度,高度,滚,俯仰和偏航。这些值描述车辆的位置有关大地坐标系统,并与当地的一个垂直的方向,当地水平(LVLH)坐标系统。在这种情况下,地图非常简单,我们只需要代表地球的形状。我们不需要离散二进制占用网格提供的细节,而将它作为一个连续的表面模型使用一个球体,一个扁球,一个高阶球谐模型,或任何其他类型的地形图。

本地化为这个可以用GPS车辆发现纬度,经度,高度,和加速度计找下来,指南针找到北。

快速回顾一下,如果车辆的环境地图,然后定位传感环境和确定的过程在地图位置和姿态。

示例场景

为了更好地理解这一点,让我们走过一个假想的本地化问题。我们有一个机器人,是一个办公大楼四处游荡。给出机器人地图构建的一个二进制的形式占用网格。因此,它知道墙壁和家具的总体布局,但它不知道最初是在地图上的什么地方,它可以是任何地方。问题是,机器人需要使用传感器和运动模型来估计其姿势,确定其位置和取向建筑物内。

这个机器人有一个激光雷达传感器返回的视野内的对象的距离。所以,如果传感器看着角落里,两扇门,它可能会返回一个点云的点左边的画。我们可以匹配这个模式的地图右边的环境并确定可能的机器人位置和姿态。

除了噪声测量,机器人也有办法死去的估计它的位置使用测程法数据。航迹推算是未来当一个位置计算使用过去的位置和相对速度和角速率测量。例如,如果你知道机器人正面临北和移动1米每秒,3秒后你可以估计,在北部的位置是3米。你可以有一些信心,机器人不需要再观察环境。

航迹推算可以在较短的时间框架的成功,但由于噪音相对测量,误差随时间而增长,需要通过测量纠正姿势相对于环境。更深入的理解航迹推算,结账传感器融合和跟踪视频3号,我们将从GPS绝对测量与IMU的相对测量。

我们有两个可能的方法来确定位置;我们有一个嘈杂的激光雷达传感器感知特性,我们可以比较的地图环境我们有嘈杂的测程法估计机器人是如何移动的数据。如果您熟悉卡尔曼滤波器,您可能认识到混合与嘈杂的噪声测量过程模型正是用于。如果你不熟悉卡尔曼滤波器,可以加速通过观察这一点MATLAB技术演讲系列,但你不需要太多经验去理解这篇文章的其余部分。