资源描述：
《基于Cortex-A53平台的激光雷达SLAM实现》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、基于Cortex-A53平台的激光雷达SLAM实现自主移动机器人⑴引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SLAMS"(SimultaneousLocalizationandMapping),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,-是基于相机的SLAM;二是基于激光雷达⑻的SLAMO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
2、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
3、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扩展卡尔曼滤波与粒子滤波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⑹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
4、一个很严重的问题⑼,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St表示为：o.(1)(2)(3)ov)，叫，…，旺}其中，每一个粒子£[1WkWN)都是F时刻的一
5、个具体状态M表示/时刻粒子集中的第斤个粒子，如果对应一个机器人的状态，就表示机器人的位置和方向八是粒子集中的粒子总数。把运动模型/3:"
6、{:;心)应用到t-时刻的后验粒子＜：；上，得到t时刻的先验粒子的概率密度，均表示从一1时刻到F时刻作用的运动控制。根据一阶马尔科夫模型「时刻粒子的先验状态只取决于1时刻的后验状态文：;和当前的运动控制4。把观测模型P(zt
7、.r；ir)应用到/时刻的先验粒子上，通过计算粒子得到观测值3的概率大小就可以得到这个粒子的权重大小。根据粒子的权重在当前粒子集中进行重采样。每个粒子被采
8、样的概率与其权重成正比，重采样后的f时刻后验粒子的概率密度为一定数量服从此分布的粒子组成的粒子集就可以反映状态的概率密度分布P(xtzt)o粒子滤波的算法描述如下：(1)基于初始概率密度函数P(M),初始概率密度分布会在下一小节进行说明，随机生成艸个粒子，记作WkWg由于此时没有观测值可用，所以认为此时得到的粒子即为初始时刻后验分布中的粒子是合理的，所有粒子的权重均为1AV；(2)对每个粒子，根据运动模型执行状态更新获得时(k)・刻的先验粒子®(IWZrWN)；(3)执行测量更新，把测量值应用到粒子上。以观测值为
9、条件计算每个粒子得到此观测值的概率密度P(zt
10、x；ir)，从而得到每个粒子的权重£';(4)把粒子的权重归一化：仏)心=(2)基于.重采样后就得到了一组服从P(如
11、為)概率密度分布的粒子，粒子集的统计学特性就反映了状态的概率密度函数的统计学特性，主要关注其均值ET和和协方差Cov[x；b均用算数平均来近似：N昭"占£(3)(3)在进行下一次的状态更新与测量更新步骤之前，(&)给重采样后的所有粒子重新设置权重卩=1/A,重复执2.2基于粒子滤波的SLAM的实现步骤SLAM是这样的一个过程：当机器人处于一个未知环境中
12、且自身位置未知时，移动机器人在向前运动过程中可以构建环境地图，并同时利用构建的地图来估计自身的位置。本文中的SLAM是基于粒子滤波算法来实现的。在一个陌生的环境中，机器人位置的初始信度未知，所以认为机器人可能位于当前环境中的任何一个位置。从表示当前环境的状态空间的均匀分布中随机采样N个粒子来表示机器人的初始信度分布。本文中用于地图构建的SLAM算法描述如下：
