PuddleRubbish的博客

由于分辨率的设置，有可能去除小的可通行区域。可以使用自适应分辨率的地图缓解。同时，栅格地图是非参模型，也就是说由很多栅格组成（这话听起来有点奇怪hhh）。随着地图的增大，内存需求急剧增加。地图即为环境的空间模型。环境地图是机器人进行定位和规划的前提。定位可以用特征地图（视觉），规划可以用栅格地图。把环境分解成一个一个的小栅格，每个栅格有两种状态：占用(Occupied)或者空闲(free)，适合进行路径规划。

基于图优化的SLAM算法比较完善的匹配系统，包含建图和定位目前效果最好的开源激光SLAM系统有人在专门的维护，不断增加新的特性。

每一个粒子都包含自己的栅格地图。对于稍微大一点的环境来说，每一个粒子都会占用比较大的内存。如果机器人的里程计误差比较大，即proposal分布跟实际分布相差较大，则需要较多的粒子才能比较好的表示机器人位姿的后验概率分布，会造成内存爆炸。要保持粒子的数量在一个比较小的数值。提升proposal分布采样的位姿质量。粒子耗散问题，因此每一次进行重采样都有一定的随机性。随着重采样次数的加多，粒子的多样性会耗散掉，即最终的所有粒子都来自同一个粒子或者少数的几个粒子的复制。

实现上述插值的一种方法，主要特点为把插值多项式表示成基函数的线性组合：基函数l。

中近距离精度较高，距离越近，精度越高价格便宜远距离精度较差易受干扰一般在室内使用由于雷达特性，α与L已标定，β为通过雷达内参数投影得出，设AB距离为L，A至垂足间的距离为L1，B至垂足间的距离为L2把激光看成一个激光束。激光束射到物体上返回得到的距离，由于噪声的存在，通常呈高斯分布，如图a所示，d在期望值附近形成高斯分布。通过raytracking得到期望距离。图b为激光束碰到障碍物的情况，此时得出的d小于期望距离。一般用指数分布来描述这种情况。

自由度为3（即X,Y,θ），但是驱动数只有2个（即VL,VR，左轮速度和右轮速度)。欠驱动系统造成差分模型的平移运动和旋转运动是耦合的，无法单独分解运动。差分底盘只能做一种运动——圆弧运动。对于纯旋转而言，r趋于0，实际上还是两个圆弧运动。，提高机器人导航的精度和可靠性。通过标定，可以确定里程计的误差模型和参数，从而对机器人的位移和姿态进行更准确的计算。Ax=b的每一行代表一个约束，列代表未知数的维数。表示激光雷达测得的第i帧与第j帧的相对位置关系，即u_i。同理，u_i则为由里程计测量得到的同一关系。