Introduction to SLAM

Simultaneous Localization and Mapping

Graph-based SLAM using pose graphs

Graph-based SLAM with landmarks

Robust optimization in SLAM

Relative pose estimation using vision

What is SLAM

同时定位映射问题，我们将引入最小二乘，首先，这是我们用来进行状态估计的主要技术。然后我们研究一种2Ｄ SLAM问题，这种问题比较容易解决。掌握并理解激光测距仪，然后我们可以缓解问题。将使问题更笼统，从而在我们的数据中出现异常值关联，然后我们还研究如何获取状态估计。

伴随着三个问题,localization Mapping ＳＬＡＭ
定位是估计位姿的问题，就是我在哪里的问题
建图是构建一个世界是什么样子的地图
ＳＬＡＭ是以上两个问题同时进行，同时解决定位和建图问题。
这是富有挑战的，因为我们通常需要有一个地图来很好的估计我们的位姿，另一方面，我们需要有一个好的位姿估计来构建一个地图。所以我们两个任务有依赖。如果我们有一个地图，那么我们定位就很简单。如果我们有一个好的位姿，那么建图就很简单。但是如果你想同时解决这两个问题，这将会变得富有挑战性和更棘手。
为了解决我们执行的大多数导航任务而设计的fation一个重要的部分，并已在许多的不同的设置中使用，基本上是大多数应用程序的关键要素。

Computing the robot’s poses and the map of the environment at the same time
Localization:estimating the robot’s location
Mapping:building a map
SLAM:building a map and localizing the robot simultaneously

Simultaneous Localization and Mapping or SLAM

Build a map of the environment from a mobile sensor platform
At the same time, localize a mobile sensor platform in the map build so far
Online variant of the bundle adjustment problem for arbitrary sensors

SLAM Applications

SLAM is central to a range of indoor, outdoor, air and underwater applications for both manned and automous vehicles.

Definition of the SLAM Problem

Given

The robot’s controls

u1:T=u1,u2,u3,...,uTu_{1:T} = {u_1,u_2,u_3,...,u_{T}}u1:T=u1,u2,u3,...,uT

Observations
z1:T=z1,z2,z3,...,zTz_{1:T}={z_1,z_2,z_3,...,z_T}z1:T=z1,z2,z3,...,zT
Wanted
- Map of the environment
  m
- Path of the robot
  x0:T=x0,x1,x2,...,xTx_{0:T}={x_0,x_1,x_2,...,x_T}x0:T=x0,x1,x2,...,xT

Probalilistic Approaches

Uncertainty in the robot’s motions and observations
Use the probability theory to explicitly represent the uncertainty
我的运动充满了不确定性和运动的不确定性，观察将影响我们实际拥有的整个地图的不确定性，所以归结为估计X和概率分布P给定，所以我们将其视为给定的所有观察结果和所有控制命令，所以从SLAM的概率观点来看，一切都归为估计这种概率分布。

In the Probabilistic World

Estimate the robot’s path and the map
p(x0:t,m∣z1:T,u1:T)p(x_{0:t},m|z_{1:T,u_{1:T}})p(x0:t,m∣z1:T,u1:T)


P	distribution
x0:Tx_{0:T}x0:T	path
m	map
Z1:TZ_{1:T}Z1:T	observations
u1:Tu_{1:T}u1:T	controls

从图形角度来看，像贝叶斯网络这样的图形模型是一种可以说的方式，说明概率分布或者说明依赖关系之间的概率分布，所以我们这里有不同的圈子，圆圈指的是您从此处看到的变量。在不同的点，我们有不同的控制命令，U。观察和我们的地图，我们可以读取该图中的错误，作为影响，因此例如控制命令会影响下一个脉冲，所以如果我在某处并且正在执行控制命令，这是一个对已知的下一个观测结果卷曲的影响，因此也处于我所处的位置xtx_txt会影响我的下一个观测结果ztz_tzt。

Full SLAM vc. Online SLAM

Full SLAM estimates the entire path
p(x0:T,m∣z1:T,u1:T)p(x_{0:T},m|z_{1:T},u_{1:T})p(x0:T,m∣z1:T,u1:T)
Online SLAM seeks to recover only the most recent pose
p(xt,m∣z1:t,u1:t)p(x_t,m|z_{1:t},u_{1:t})p(xt,m∣z1:t,u1:t)

机器人在环境中行驶，他根据地图做出决定，他可以构建，但是对之前的位置并不感兴趣，只对我现在在哪里感兴趣，以便做出正确的决定。这是我们不再参考online-SLAM的地方

Oneline SLAM
Online SLAM means marginalizing out the previous poses
p(xt,m∣z1:t,u1:t)=∫...∫p(z0:t,m∣z1:t,u1:t)dxt−1...dx0p(x_t,m|z_{1:t},u_{1:t})= \int ... \int p(z_{0:t,m|z_{1:t},u_{1:t}})dx_{t-1}...dx_0p(xt,m∣z1:t,u1:t)=∫...∫p(z0:t,m∣z1:t,u1:t)dxt−1...dx0
Integrals are typically solved recursively, one at at time

full-SLAM 分布，然后只有当前时间的位姿实际存在

因此，这种online-SLAM的图像化模型基本上可以归结为m和xt+1x_{t+1}xt+1变量整合其他变量

Summary

Mapping is the task of modeling the environment
Localization means estimating the robot’s pose
SLAM = simultaneous localization and mapping
Full SLAM vs. Online SLAM

波恩大学Cyrill Stachniss SLAM课程相关推荐

德国波恩大学于鹏组根系与微生物互惠方向招收博士研究生
德国波恩大学农学院根系功能生物学(Root Functional Biology)课题组招收博士研究生德国波恩大学于鹏课题组从事根系功能生物学研究,主要方向为根系发育过程响应外界环境胁迫应答机制,根 ...
大学计算机课第二章内容总结,第四周市政系《大学计算机基础》课程总结
本周大一的新生终于在漫长的等待.报到.军训之后开始了大学课程的学习,在 <大学计算机基础>课程的学习中,其实只是需要大学确立一种新的学习思想:计算机是人类智慧的结晶,它给予我们这样一种工具 ...
斯坦福大学2019年NLP课程上线，下周二开课 | 附PPT+视频
晓查发自凹非寺量子位出品 | 公众号 QbitAI 斯坦福2019年的深度学习NLP课程开课啦!从1月8日开始,每周二和周四下午,都会有一节长达2小时20分钟的讲座.课程的PPT和视频资源将 ...
大学计算机基础教材建设,《大学计算机基础》课程建设与教材编写.pdf
<大学计算机基础>课程建设与教材编写.pdf 高教论坛 Dec. 2004. No. 6 2004 年 12 月第 6 期 Higher Education Forum ·教学改革与实践· ...
【CS231n】斯坦福大学李飞飞视觉识别课程笔记（四）：图像分类笔记（上）
[CS231n]斯坦福大学李飞飞视觉识别课程笔记由官方授权的CS231n课程笔记翻译知乎专栏--智能单元,比较详细地翻译了课程笔记,我这里就是参考和总结. [CS231n]斯坦福大学李飞飞视觉识别课 ...
【CS231n】斯坦福大学李飞飞视觉识别课程笔记（六）：线性分类笔记（上）
[CS231n]斯坦福大学李飞飞视觉识别课程笔记由官方授权的CS231n课程笔记翻译知乎专栏--智能单元,比较详细地翻译了课程笔记,我这里就是参考和总结. [CS231n]斯坦福大学李飞飞视觉识别课 ...
【CS231n】斯坦福大学李飞飞视觉识别课程笔记（五）：图像分类笔记（下）
[CS231n]斯坦福大学李飞飞视觉识别课程笔记由官方授权的CS231n课程笔记翻译知乎专栏--智能单元,比较详细地翻译了课程笔记,我这里就是参考和总结. [CS231n]斯坦福大学李飞飞视觉识别课 ...
【CS231n】斯坦福大学李飞飞视觉识别课程笔记（十九）：卷积神经网络笔记（下）
[CS231n]斯坦福大学李飞飞视觉识别课程笔记由官方授权的CS231n课程笔记翻译知乎专栏--智能单元,比较详细地翻译了课程笔记,我这里就是参考和总结. [CS231n]斯坦福大学李飞飞视觉识别课 ...
大学应用计算机应用基础课程介绍,《大学计算机应用基础》课程教学大纲
<大学计算机应用基础>课程教学大纲 1 <大学计算机应用基础>课程教学大纲一.课程说明 1．课程编码 2．课程性质: 本课程是我校非计算机专业学生必修的一门公共基础课. 3． ...

波恩大学Cyrill Stachniss SLAM课程