![Page 1: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/1.jpg)
SS 2016
Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter
! Landmarkenbasiertes Fast-SLAM ! Gitterbasiertes Fast-Slam ! Optimierungen
Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-1
![Page 2: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/2.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-2
Landmarkenbasiertes SLAM – Problemstellung
! Roboter exploriert eine unbekannte, statische Umgebung.
! Gegeben Sensor- und Steuerdaten:
- d = u1, z1, u2, z2, ..., uk, zk
! Gesucht:
- Karte m mit M Landmarken: m = ℓ1,x, ℓ1,y, ..., ℓM,x, ℓM,y
- Weg des Roboters: x1, x2, ..., xk
![Page 3: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/3.jpg)
SS 2016
Warum ist SLAM ein schwieriges Problem?
Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-3
! Sowohl Positionen der Landmarken als auch Roboterweg sind unbekannt.
! Kartenfehler und Fehler im Roboterweg sind korreliert.
![Page 4: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/4.jpg)
SS 2016
Warum ist SLAM ein schwieriges Problem?
Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-4
! Die Zuordnung von Messdaten zu Landmarken (data association) sind in der Regel unbekannt.
! Roboter muss entscheiden, ob Messdaten einer bereits beobachteten Landmarke zugeordnet werden können oder einer noch nicht gesehenen Landmarke.
! Zuordnungsproblematik wird durch Fehler im Roboterweg verstärkt.
Unsicherheit in der Roboterposition
![Page 5: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/5.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-5
Partikelfilter für Selbstlokalisierung -Wiederholung
Position als Partikelmenge: ! Wahrscheinlichkeitsverteilung für Position
bel(xk) wird durch eine Partikelmenge χk dargestellt.
! Vorteil: beliebige Verteilungen möglich.
Generierung einer neuen Partikelmenge: ! Wende auf jeden Partikel Steuerbefehl an.
! Stelle aufgrund der Sensordaten fest, wie wahrscheinlich das Gewicht jedes Partikels ist und gewichte jeden Partikel damit.
! Resampling: ziehe N zufällige Partikel nach ihrem Gewicht.
Bei Positionstracking genügen etwa 100 Partikel: ! Es ist lediglich ein dreidimensionaler Vekor (x,y,φ) zu schätzen. ! Ungefähre Position ist bei Positionstracking bekannt.
![Page 6: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/6.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-6
Partikelfilter für SLAM (1)
! Prinzipiell kann ein Partikelfilter auch verwendet werden, um das SLAM-Problem zu lösen.
! Zustandsraum: {(x1:k , m) | mit m = ℓ1,x, ℓ1,y, ..., ℓM,x, ℓM,y }
Problem: ! Der Zustandsraum kann eine
Dimension von einigen Hundert haben. ! Die Partikelmenge hängt exponentiell
von der Dimension ab.
![Page 7: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/7.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-7
Partikelfilter für SLAM (2) SLAM kann trotzdem mit einem Partikelfilter gelöst werden: ! x1 = (0,0,0) ist bekannt. Daher Positions-Tracking
(keine globale Lokalisierung) ! Es gibt Abhängigkeiten zwischen x1:k und m. ! Die Partikel können daher aus einem kleineren Zustandsraum
gewählt werden.
€
p(x1:k,l1:M | z1:k,u1:k )= p(x1:k | z1:k,u1:k )⋅ p(l1:M | x1:k ,z1:k )
= p(x1:t | z1:t ,u1:t )⋅ p(li | x1:t ,z1:t )i=1
M
∏
Schlüssel liegt in folgender Gleichung:
Positionstracking-Problem Bei bekannten Positionen und Sensordaten sind Landmarken-positionen unabhängig
![Page 8: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/8.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-8
SLAM-Verfahren (1) ! Verwalte zu jedem Zeitpunkt t Partikelmenge χt:
...
! x1:k[p] ist der im Partikel p gespeicherte Roboterweg.
! In jedem Partikel p wird jede Landmarkenschätzung als normalverteilt angenommen: ℓi[p] ~ N(qi,k
[p], Σi,k[p]) (Position qi,k
[p] und Kovarianz Σi,k[p]
sind 2-dimensional!)
! Jede Landmarkenschätzung wird mit einem EKF-Filter zu jedem Zeitpunkt aktualisiert. Damit verwaltet jeder Partikel M 2-dimensionale EKF-Filter.
x1:k[1] Landmarke ℓ1[1] ... Partikel 1 Landmarke ℓ2[1] Landmarke ℓM[1]
x1:k[2] Landmarke ℓ1[2] ... Partikel 2 Landmarke ℓ2[2] Landmarke ℓM[2]
x1:k[N] Landmarke ℓ1[N] ... Partikel N Landmarke ℓ2[N] Landmarke ℓM[N]
![Page 9: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/9.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-9
SLAM-Verfahren (2) Algorithmus FastSLAM( χk-1, uk, zk):
for p = 1 to N do Integration des Steuerbefehls: xk
[p] = sampleMotionModel(uk,xk-1[p]);
Integration der Sensordaten: für jedes Sensordatum zk
j ermittle zugehörige Landmarke ℓi und integriere zk
j mit einem EKF, indem qi,k[p] und Σi,k
[p] aktualisiert werden; Gewicht für jeden Partikel berechnen: wk
[p] ergibt sich aus Wahrscheinlichkeit, dass von xk[p]
die Sensordaten zk beobachtet werden;
endfor
Resampling: χk= ∅;
for i = 1 to N do ziehe p zufällig mit Wahrscheinlichkeit wk
[p] ; χk = χk ∪ { <x1:k
[p], q1,k[p], Σ1,t
[p] , ..., qM,k[p], ΣM,k
[p] > }; endfor
return χk;
EKF ohne Vorhersageschritt (d.h. ohne Bewegungsmodell)
![Page 10: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/10.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-10
SLAM-Verfahren (3) Integration des Steuerbefehls:
Partikel 1
Partikel 2
Partikel 3
Landmarke 1 EKF-Filter
Landmarke 2 EKF-Filter
![Page 11: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/11.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-11
SLAM-Verfahren (4) Integration der Sensordaten:
Partikel 1
Partikel 2
Partikel 3
Landmarke 1 EKF-Filter
Landmarke 2 EKF-Filter
![Page 12: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/12.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-12
SLAM-Verfahren (5) Integration der Sensordaten und Gewichtung der Partikeln:
Partikel 1
Partikel 2
Partikel 3
Gewicht = 0.8
Gewicht = 0.4
Gewicht = 0.1
![Page 13: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/13.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-13
Zuordnung von Meßdaten zu Landmarken (1) ! Zu welchen Landmarken gehören die einzelnen Meßdaten:
! Die Zuordnungen werden für jeden Partikel getrennt durchgeführt:
![Page 14: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/14.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-14
Zuordnung von Meßdaten zu Landmarken (2)
Wurde der Sensorwert durch die rote oder die blaue Landmarke verursacht?
P(observation|red) = 0.3 P(observation|blue) = 0.7
! Wähle die wahrscheinlichste Zuordnung oder erzeuge eine zufällige Zuordnung gewichtsgesteuert.
! Falls die Wahrscheinlichkeit unter einem vorgegebenen Schwellenwert liegt, wird eine neue Landmarke eingeführt.
![Page 15: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/15.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-15
Kartierung des Viktoria-Parks, Toronto (1)
! 4 km langer Weg
! < 5 m RMS Positionsfehler
! 100 Partikeln
! Blau: GPS
! Gelb: FastSLAM
![Page 16: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/16.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-16
Kartierung des Viktoria-Parks, Toronto (2) Linkes Bild: mit Odometrie gemessener Weg.
Rechtes Bild: Blau: GPS Rot: FastSLAM
Blau: GPS
Rot: FastSLAM, wobei Odometriewerte durch zufällige Daten ersetzte wurden. D.h. es wurde eine extrem unzuverlässige Odometrie verwendet. Es zeigt sich die Robustheit des Verfahrens.
![Page 17: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/17.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-17
Vergleich EKF-SLAM und Fast-SLAM (1)
![Page 18: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/18.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-18
Vergleich EKF-SLAM und Fast-SLAM (2)
![Page 19: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/19.jpg)
SS 2016
Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter
! Landmarkenbasiertes Fast-SLAM ! Gitterbasiertes Fast-Slam ! Optimierungen
Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-19
![Page 20: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/20.jpg)
SS 2016
! Roboter exploriert eine unbekannte, statische Umgebung z.B. mit Laser-Scanner.
! Gegeben Sensor- und Steuerdaten:
- d = u1, z1, u2, z2, ..., uk, zk
! Gesucht:
- Belegheitsgitter m
- Weg des Roboters: x1, x2, ..., xk
Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-20
Gitterbasiertes SLAM - Problemstellung
![Page 21: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/21.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-21
Schlüsselüberlegung zu gitterbasiertes SLAM
€
p(x1:k,m | z1:k ,u1:k )= p(x1:k | z1:k,u1:k )⋅ p(m | x1:k,z1:k )
Das ist Positionstracking. Benutze MCL.
GridMapping bei bekannten Positionen.
Belegheitsgitter
![Page 22: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/22.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-22
Gitterbasiertes SLAM-Verfahren (1) ! Verwalte zu jedem Zeitpunkt tk Partikelmenge χk:
x1:k[1] Belegtheitsgitter m[1] Partikel 1
x1:k[2] Belegtheitsgitter m[2] Partikel 2
x1:k[N] Belegtheitsgitter m[N] Partikel N
...
! x1:k[p] ist der im Partikel p gespeicherte Roboterweg.
![Page 23: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/23.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-23
Gitterbasiertes SLAM-Verfahren (2) Algorithmus FastSLAM_OccupancyGrids( χk-1, uk, zk): for p = 1 to N do Integration des Steuerbefehls: xk
[p] = sampleMotionModel(uk,xk-1[p]);
Gewicht für jeden Partikel brechnen: wk
[p] = measurementModel(zk, xk[p], mk-1
[p]); Integration des Sensordaten:
mk[p] = updateOccupancyGrid(mk-1
[p], xk[p], zk);
endfor Resampling: χk= ∅;
for i = 1 to N do ziehe p zufällig mit Wahrscheinlichkeit wk
[p] ; χk = χk ∪ { <x1:k
[p], mk[p] > };
endfor return χk;
wie beim MCL-Algorithmus aus Kap. 8
![Page 24: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/24.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-24
Beispiel
Roboterweg und Karte von Partikel 1
3 Partikel
Roboterweg und Karte von Partikel 2
Roboterweg und Karte von Partikel 3
![Page 25: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/25.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-25
Beispiel
(a) Aufgrund der langen Strecke steigt die Unsicherheit in der Position. Die Partikel spreizen stark.
(b) Die Schleife wird geschlossen. Der Roboter gelangt in einem Kartenbereich, der mit größerer Genauigkeit zu Beginn aufgenommen wurde. Viele unwahrscheinliche Partikel fallen beim Resampling weg. Die Partikel spreizen jetzt weniger stark.
![Page 26: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/26.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-26
Optimierungen Problem:
! bei der gitterbasierten Kartenerstellung kann ein Gitter sehr groß werden.
! Jeder Partikel enthält ein eigenes Belegtheitsgitter.
! Daher müssen die Anzahl der Partikel klein gehalten werden!
Lösungsansätze:
! Verbesserung der Odometrie mit Scan-Matching
! Verbesserung von sampleMotionModel: auf Sensordaten ausgerichtete Generierung von Positionen
![Page 27: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/27.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-27
Verbesserung der Odometrie durch Scanmatching
Idee:
verbessere die durch Odometrie ermittelte Position xk, indem der aktuelle Laserscan zk mit der bisherigen Karte mk-1 abgeglichen wird.
Umgebungs- karte mk-1
Scan zk Matching-
algorithmus
Laser
Odometrie
Positionskorrektur
Position xk
![Page 28: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/28.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-28
Illustrierung der Positionsverbesserung beim Scanmatching
Raw Odometry Scan Matching
![Page 29: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/29.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-29
Verbesserung von sampleMotionModel
! von Sensordaten (d.h. Umgebung) abhängige Generierung von Positionen
![Page 30: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/30.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-30
Intel-Lab mit Standard-FastSlam (1)
! Belegheitsgitter für den Partikel mit höchsten (akkumuliertem) Gewicht
! 500 Partikel
! Roboterpfad: 491m
! Umgebung: 28m * 28m
! Durchschnitts-geschwindigkeit: ca. 0.2 m/sec
![Page 31: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/31.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-31
Intel-Lab mit Standard-FastSlam (2)
! Darstellung der reinen Odometriedaten und des damit erzeugten Belegtheitsgitters
![Page 32: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/32.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-32
Intel-Lab mit FastSlam und Scanmatching
! 15 Partikel
! 5 cm Gitter-Auflösung während des Scanmatchings
! 1 cm Auflösung in der endgültigen Karte
![Page 33: Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung ...bittel/msi_robo/Vorlesung/09_Fast_SLAM.pdf · Die Partikel spreizen stark. (b) Die Schleife wird geschlossen. Der Roboter](https://reader033.vdocuments.pub/reader033/viewer/2022041421/5e1f6b709787bd20bd39e7bd/html5/thumbnails/33.jpg)
SS 2016 Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Fast-SLAM 9-33
Outdoor Campus Map
! 30 Partikel
! 250m x 250m
! ca. 1,7 km (Odometrie)
! 20 cm Auflösung während des Scanmatchings
! 30 cm Auflösung in der endgültigen Karte