我在哪里?(本土化问题)

저자Mihir Acharya,2022年12月15日

102회조회(최근30일)|0좋아|0댓글

Brian Douglas的自主导航:第4部分

本文来自布莱恩•道格拉斯他是YouTube控制系统和自主应用的内容创作者。

在以前的文章，我谈到了自主导航所必需的能力。在接下来的三篇文章中，我们将更详细地探讨其中一种功能——本地化。在第一篇文章中，我们将讨论什么是本地化，以及我们需要什么样的信息来完成本地化。

我想从定义开始。一辆车的构成是它的位置和方向的结合。它指的是车辆所在的位置以及它面对的方向。例如，如果一辆车可以绕其垂直轴旋转，并在平面二维平面上移动，那么它的姿态可以用三元向量来描述。它在2D平面上的位置(与某个已知参考系的X和Y距离)，以及它的方向(偏离+X轴的角度)。

描述姿态所需的元素数量随着系统自由度(DOF)的增加而增加。例如，一架自动驾驶飞机可能需要六个元素来描述它的姿态:纬度、经度和高度表示位置，滚转、俯仰和偏航表示方向。一个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

定位是估计姿态的过程。它正在寻找每个位置和方向元素的值，这样车辆就能了解它所处的位置以及相对于周围地标的方向。

简单地说，如果我们给车辆一个环境地图，它应该能够找出它在地图中的位置。

在本博客系列的后面，我们将讨论在没有环境地图的情况下如何进行本地化。这就是所谓的同时定位和映射(大满贯)的问题。现在，我们假设车辆只需要在已有的地图中找出它的位置。

那么，什么是地图呢?

地图是环境的模型(接下来，在讨论如何表示环境时，我将交替使用地图和模型。)它所采用的形式取决于我们想要如何表现这个世界。通过地图，我们定义了对我们重要的地标，并建立了一个坐标系统，我们可以用它来量化我们与这些地标的关系。

地标可以是任何物理的东西。例如，如果车辆需要在建筑物内导航，它们可能是墙壁的位置。我们可以定义一个坐标系统它指向房间里的一个角落我们可以用a来模拟墙壁二元占用网格．这种类型的模型将环境划分为离散数量的较小区域，然后将有墙壁占用的区域分配为“1”，将未占用的区域分配为“0”。

然后，定位将包括感知环境墙壁的距离和方向，并将你所看到的与二进制占用网格相匹配，以确定你所处的位置。

然而，一辆车的姿态并不总是与一个像墙一样容易想象的地标相联系。例如，我们已经说过，飞行器可以用纬度、经度、高度、滚转、俯仰和偏航来描述它的姿态。这些值描述了车辆相对于的位置大地坐标系统，它的方向与局部垂直，局部水平(LVLH)坐标系。在这种情况下，地图非常简单，因为我们只需要表示地球的形状。我们不需要二元占用网格提供的离散细节，而是可以使用球体、扁圆球体、高阶球面谐波模型或任何其他类型的地形图将其建模为连续曲面。

这个飞行器的定位可以用GPS来找到纬度，经度和高度，用加速度计来找到下面，用指南针来找到北方。

简要回顾一下，如果车辆拥有环境地图，那么定位就是感知环境并在该地图中确定位置和方向的过程。

示例场景

为了更好地理解这一点，让我们来看看一个假设的本地化问题。我们有一个机器人在办公大楼里闲逛。机器人得到了一个以二元占用网格形式的建筑地图。因此，它知道墙壁和家具的大致布局，但它不知道最初它在地图上的位置——它可能在任何地方。问题是机器人需要使用它的传感器和运动模型来估计它的姿势，也就是确定它在建筑物中的位置和方向。

这个机器人有一个激光雷达传感器，可以返回视野内物体的距离。因此，如果传感器正在观察一个角落和两扇门，它可能会返回一个点云，看起来像左边的图。我们可以将这种模式与右侧的环境地图相匹配，并确定机器人可能的位置和方向。

除了测量噪声外，机器人还有一种方法死去的估计它的位置使用里程测量数据。航位推测法是指使用过去的位置和相对测量(如速度和角速度)来计算未来的位置。例如，如果你知道机器人面向北方，并以每秒1米的速度移动，3秒后，你可以估计出该位置在它原来位置以北3米的位置。你可以对机器人在那里有一定的信心，而不必再次观察环境。

航位推算可以在较短的时间框架内使用，并取得了很大的成功，但由于相对测量中的噪声，误差会随着时间的推移而增加，需要通过测量相对于环境的姿态来纠正。要更深入地了解航迹推算，请查看传感器融合和跟踪视频3，其中我们结合了来自GPS的绝对测量和来自IMU的相对测量。

我们有两种可能的方法来确定位置;我们有一个有噪声的激光雷达传感器，它可以感知我们可以与环境地图进行比较的特征，我们有噪声里程测量数据，可以估计机器人是如何移动的。如果你熟悉卡尔曼滤波器，您可能会认识到，混合有噪声的测量和有噪声的过程模型正是它的用途。如果你不熟悉卡尔曼滤波器，你可以通过观看这个视频来加快速度MATLAB技术讲座系列，但你不需要太多的经验来理解这篇博客的其余部分。