《概率机器人》里程计运动模型gmapping中代码解析

2024-08-25 06:32

本文主要是介绍《概率机器人》里程计运动模型gmapping中代码解析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

里程计运动模型(odometery motion model)用距离测量代替控制。实际经验表明虽然里程计虽然仍存在误差,但通常比速度运动模型更加的精确。相比于速度运动模型运动信息 ut

(x¯t1x¯t)

为了提取相对的距离, ut 被转变为三个步骤的序列:旋转,平移,另一个旋转,
测距模型
上图就是里程计的测距模型,同样这些旋转和平移都是有噪声的。
首先由里程计算 p(xt|ut,xt1) 的算法,算法的输入是机器人的初始位姿 xt1 ,从机器人里程计获得的一对位姿 ut=(x¯t1,x¯t) ,以及一个假定的最终姿态 xt ,输出的数值概率是 p(xt|ut,xt1)

这里写图片描述

算法的2-4行是从里程计的读数获取相对运动参数 (δrot1 δtrans δrot2)T
第5-7行是相同的,就是计算位姿为 xt1 xt 的相对运动参数,
第8-10行是计算误差概率,
第11行返回各自的误差概率P1 ,P2 ,P3相乘得到的组合误差概率,假定不同误差源之间是相互独立的,变量 α1 α4 是指定机器人运动噪声的机器人的特定参数。
基于里程计运动模型的采样算法

这里写图片描述

数学推导:根据上上面的图应该不难推导出算法中的 (δrot1 δtrans δrot2)T ,为了建立运动误差模型,假设旋转和平移的“真”值是测量值减去均值为0 方差为 b2 的独立噪声 ϵb2 得到也就是上述算法中的5-7行,为了计算旋转和平移的真值引入了误差参数 α1 α4 ,所以实际位置 xt ,从 xt1 经过初始旋转 δ^rot1 跟随平移距离 δ^trans 和另一个旋转 δ^rot2 得到

这里写图片描述
这里的时刻t的位姿用 xt1=(x y θ)T
那么根据给定的运动模型采样算法,,对于不同的误差参数也会有不同的概率分布:
这里写图片描述
第一个模型的采样参数是中等的,可以说是正常的,第二个和第三个扥别是比较大的平移和旋转的误差所造成的。

Gmapping中实现里程计运动模型的采样程序如下:

这个函数的输入是机器人的当前位姿pnew和上一时刻的机器人的位姿pold,

OrientedPoint 
MotionModel::drawFromMotion(const OrientedPoint& p, const OrientedPoint& pnew, const OrientedPoint& pold) const{double sxy=0.3*srr;  //srr我理解为两轮子里程计的方差OrientedPoint delta=absoluteDifference(pnew, pold); //具体如下面的介绍OrientedPoint noisypoint(delta);//存储噪声估计noisypoint.x+=sampleGaussian(srr*fabs(delta.x)+str*fabs(delta.theta)+sxy*fabs(delta.y));noisypoint.y+=sampleGaussian(srr*fabs(delta.y)+str*fabs(delta.theta)+sxy*fabs(delta.x));noisypoint.theta+=sampleGaussian(stt*fabs(delta.theta)+srt*sqrt(delta.x*delta.x+delta.y*delta.y));noisypoint.theta=fmod(noisypoint.theta, 2*M_PI);if (noisypoint.theta>M_PI)noisypoint.theta-=2*M_PI;return absoluteSum(p,noisypoint);
}

首先解释一下函数:

OrientedPoint delta=absoluteDifference(pnew,pold);double 

具体的 内容如下

orientedpoint<T,A> absoluteDifference(const orientedpoint<T,A>& p1,const orientedpoint<T,A>& p2){orientedpoint<T,A> delta=p1-p2;delta.theta=atan2(sin(delta.theta), cos(delta.theta));double s=sin(p2.theta), c=cos(p2.theta);return orientedpoint<T,A>(c*delta.x+s*delta.y, -s*delta.x+c*delta.y, delta.theta);
}

就是计算位姿的变化量,这个OrientedPoint delta的计算 结果对应的理论公式的结果就是

(xx)cosθ+(yy)sinθ(xx)sinθ+(yy)cosθΔθ

计算新旧帧的绝对误差.具体就不再深入。
那么对于其中的三行代码是分别给位姿的三个两添加噪声进去,为什么要这样写呢?

noisypoint.x+=sampleGaussian(srr*fabs(delta.x)+str*fabs(delta.theta)+sxy*fabs(delta.y));noisypoint.y+=sampleGaussian(srr*fabs(delta.y)+str*fabs(delta.theta)+sxy*fabs(delta.x));noisypoint.theta+=sampleGaussian(stt*fabs(delta.theta)+srt*sqrt(delta.x*delta.x+delta.y*delta.y));

首先我们对sampleGaussian( b2 )函数已经是有了解了,这个意思就是以均值为0 方差为 b2 的近似的正态分布的采样算法。所以这些括号里的都是计算方差的,为什么参数不同呢?仔细看看就能找到规律了,但是明白之前的一篇博客里是有对srr srt str stt这些高斯模型参数的设置的,分别代表delta的三个变量之间的方差而已。
接下来的程序

noisypoint.theta=fmod(noisypoint.theta, 2*M_PI);if (noisypoint.theta>M_PI)noisypoint.theta-=2*M_PI;

百度一下fmod()函数是对浮点型数据进行取模运算,就是计算
noisypoint.theta/2*M_PI的余数。 因为要把角度差限定在 [π π] 之间。
最后是返回累计的噪声:
absoluteSum(p,noisypoint);
这个函数的实现代码是

template <class T, class A>
orientedpoint<T,A> absoluteSum(const orientedpoint<T,A>& p1,const orientedpoint<T,A>& p2){double s=sin(p1.theta), c=cos(p1.theta);return orientedpoint<T,A>(c*p2.x-s*p2.y,s*p2.x+c*p2.y, p2.theta) + p1;

P1是当前机器人的位姿,前面的c*p2.x-s*p2.y, s*p2.x+c*p2.y, p2.theta是分别在P1的位姿上加上各自的噪声分量。

*这是我个人的理解,可能有一些偏差,或者错误,有错误还请指正,当然不喜勿喷

这篇关于《概率机器人》里程计运动模型gmapping中代码解析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1104806

相关文章

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

Springboot @Autowired和@Resource的区别解析

《Springboot@Autowired和@Resource的区别解析》@Resource是JDK提供的注解,只是Spring在实现上提供了这个注解的功能支持,本文给大家介绍Springboot@... 目录【一】定义【1】@Autowired【2】@Resource【二】区别【1】包含的属性不同【2】@

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

java之Objects.nonNull用法代码解读

《java之Objects.nonNull用法代码解读》:本文主要介绍java之Objects.nonNull用法代码,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录Java之Objects.nonwww.chinasem.cnNull用法代码Objects.nonN