粒子滤波用于机器人定位
粒子滤波用于机器人定位
- 0.引言
- 1.里程计
- 1.1.里程计模型
- 1.2.里程计运动模型
- 2.二维激光雷达的观测模型
- 2.1.光束模型
- 2.2.似然场模型
- 3.重采样
- 4.滤波结果
- 5.数据集
0.引言
- 参考链接。基本是基于概率机器人进行实现的,是一个很好的学习材料。本文只是自己根据参考博客一级相关资料的学习记录。
目标:已知地图去定位。
使用里程计运动模型进行粒子状态传播(驱动粒子运动),使用激光测量评估粒子的权重(决定保留哪些粒子),然后重采样。依次循环进行。
1.里程计
1.1.里程计模型
通过编码器信息计算里程计并发布。
[xyθ]t=[xyθ]t−1+[Δscos(θt−1+Δθ/2)Δssin(θt−1+Δθ/2)Δθ]\left[\begin{array}{l} x \\ y \\ \theta \end{array}\right]_{t}=\left[\begin{array}{l} x \\ y \\ \theta \end{array}\right]_{t-1}+\left[\begin{array}{c} \Delta s \cos (\theta_{t-1}+\Delta \theta / 2) \\ \Delta s \sin (\theta_{t-1}+\Delta \theta / 2) \\ \Delta \theta \end{array}\right] ⎣⎡xyθ⎦⎤t=⎣⎡xyθ⎦⎤t−1+⎣⎡Δscos(θt−1+Δθ/2)Δssin(θt−1+Δθ/2)Δθ⎦⎤{Δθ=Δsr−ΔslbΔs=Δsr+Δsl2,Δsl/r=kl/r⋅Δel/r\left\{\begin{array}{l} \Delta \theta=\frac{\Delta s_{r}-\Delta s_{l}}{b} \\ \Delta s=\frac{\Delta s_{r}+\Delta s_{l}}{2} \end{array}, \Delta s_{l / r}=k_{l / r} \cdot \Delta e_{l / r}\right. {Δθ=bΔsr−ΔslΔs=2Δsr+Δsl,Δsl/r=kl/r⋅Δel/rΔsl/r∼N(Δsl/r^,∥kΔsl/r^∥2)\Delta s_{l / r} \sim N\left(\widehat{\Delta s_{l / r}}, \quad\left\|k \widehat{\Delta s_{l / r}}\right\|^{2}\right) Δsl/r∼N(Δsl/r,∥∥∥kΔsl/r∥∥∥2)
kl/rk_{l / r}kl/r为左右轮系数,把编码器增量Δel/r\Delta e_{l/r}Δel/r转化为左右轮的位移, bbb 是轮间距。
//cal odometry
double delta_theta = (KR*delta_en_r - KL*delta_en_l) / B;
double delta_s = 0.5 *(KR*delta_en_r + KL*delta_en_l);
double delta_x = delta_s * cos(theta + 0.5*delta_theta);
double delta_y = delta_s * sin(theta + 0.5*delta_theta);x = x + delta_x;
y = y + delta_y;
theta = theta + delta_theta;
1.2.里程计运动模型
void Localizer::motionUpdate ( const Pose2d& odom )
{const double MIN_DIST = 0.02; // TODO param 如果运动太近的话就不更新了,防止出现角度计算错误if ( !is_init_ ) //首次{last_odom_pose_ = odom;is_init_ = true;return;}/* 计算ut */// 根据里程计计算,运动模型中的(t-1,t]之间的运动参数double dx = odom.x_ - last_odom_pose_.x_;double dy = odom.y_ - last_odom_pose_.y_;double delta_trans = sqrt ( dx * dx + dy * dy );double delta_rot1 = atan2 ( dy, dx ) - last_odom_pose_.theta_;Pose2d::NormAngle ( delta_rot1 );/* 处理纯旋转 */if(delta_trans < 0.01) delta_rot1 = 0;double delta_rot2 = odom.theta_ - last_odom_pose_.theta_ - delta_rot1;Pose2d::NormAngle ( delta_rot2 );for ( size_t i = 0; i < nParticles_; i ++ ){motion_model_->sampleMotionModelOdometry ( delta_rot1, delta_trans,delta_rot2, particles_.at ( i ).pose_ ); // for each particle}last_odom_pose_ = odom;// 以 odom 作为 ut 驱动粒子运动
}
实际上是一个航迹推算的过程:
void MotionModel::sampleMotionModelOdometry ( const double& delta_rot1, const double& delta_trans, const double& delta_rot2, Pose2d& xt )
{/* 处理后退的问题 */double delta_rot1_PI = delta_rot1 - PI;double delta_rot2_PI = delta_rot2 - PI;Pose2d::NormAngle(delta_rot1_PI);Pose2d::NormAngle(delta_rot2_PI);double delta_rot1_noise = std::min(fabs(delta_rot1), fabs( delta_rot1_PI) );double delta_rot2_noise = std::min(fabs(delta_rot2), fabs( delta_rot2_PI) );// 最后一个2表示平方double delta_rot1_2 = delta_rot1_noise*delta_rot1_noise;double delta_rot2_2 = delta_rot2_noise * delta_rot2_noise;double delta_trans_2 = delta_trans * delta_trans;/* 采样 */// rng_.gaussianN(0,sigma)函数 生成 均值为0,方差为sigma的值double delta_rot1_hat = delta_rot1 - rng_.gaussian(alpha1_ * delta_rot1_2 + alpha2_ * delta_trans_2);double delta_trans_hat = delta_trans - rng_.gaussian(alpha3_ * delta_trans_2 + alpha4_ * delta_rot1_2 + alpha4_ * delta_rot2_2);double delta_rot2_hat = delta_rot2 - rng_.gaussian(alpha1_ * delta_rot2_2 + alpha2_ * delta_trans_2);// Pose2d属性是publicxt.x_ += delta_trans_hat * cos( xt.theta_ + delta_rot1_hat );xt.y_ += delta_trans_hat * sin( xt.theta_ + delta_rot1_hat );xt.theta_ += (delta_rot1_hat + delta_rot2_hat);xt.NormAngle(xt.theta_);
}
2.二维激光雷达的观测模型
这部分主要参考曾书格大佬PPT。
2.1.光束模型
把一条激光看做一个激光束,射到墙上时会有一个期望距离,在这个期望值的附近会形成一个高斯分布,这是正常的情况。ztk∗{z_t^{k}}^*ztk∗ 是期望值,如图中(a)所示。
如果有障碍物挡住了的话,也就是d>d1d>d_1d>d1时,这样会形成一个指数分布,如图中(b)所示。(c)(d)就对应freespace,没有接收到激光的反射,或只接收到一小部分。
上述情况基本就涵盖了激光的测量可能性。激光雷达的光束模型就是给定一个机器人的位置xtx_txt,和地图mmm,来获得这一帧观测值ztz_tzt的概率。默认认为每一个激光束都是线性无关的,是独立的。得到一个累计乘。
等式左边是这束激光的概率(之后都叫得分),反应的是当前这束激光与地图的重合程度,重合程度越好,得分也就越高,如果正好落在期望值的上面,那么就说这个得分就是1。
激光发出的一帧激光数据与地图的重合程度这个东西就是我们的光束模型,光束模型评估的就是这个。光束模型的缺点(基本没人用光束模型,因为有缺点)
机器人在非结构化环境中,位姿发生微小的变化,就会造成期望值发生巨大的变化,从而导致得分突变。
比如当前机器人正前方1m有障碍物,障碍物后面3m是一堵墙,激光发出激光束可以正常射到这个障碍物上,但是如果此时机器人的位姿发生微小变化,很有可能这个光束就射到障碍物后面的墙上去了,从而导致这个期望值发生突变。他是病态的,并且是无法进行优化的。所以说在复杂环境中不会使用这种
2.2.似然场模型
将所有的噪声,例如传感器噪声,机器人位姿噪声,等等…,得到一个高斯分布,用这个高斯分布对整个图像进行模糊,对障碍物进行高斯平滑,越白表示得分越高,越黑代表得分越低,不需要计算期望值,在对图像进行模糊之后,已经存在障碍物和模糊过的图像了,也就是说把之前计算期望值,然后用高斯分布算出一个得分换成查表的形式,查表的话,似然场从程序一开始就是在进行离线计算,所以对一帧激光来说,只需要查360次表,查表的计算量可以忽略不计。他是同时适合结构化环境和非结构化环境的。因为就算位姿发生一点改变,他的得分也不会太低。
似然域是预先计算好的。参数sigma非常重要,会影响到算法收敛效率,可以根据激光雷达的精度和建图的精度来定。原博主这里设为了0.25m。
这个demo中似然场计算结果:
- σ=0.2\sigma = 0.2σ=0.2 (配置文件里面是设置的0.2)
- σ=0.5\sigma = 0.5σ=0.5
相当于把分布给拉宽了。
MeasurementModel::MeasurementModel ( GridMap* map, const double& sigma, const double& rand ):
map_(map), sigma_(sigma), rand_(rand)
{/* 初始化似然域模型, 预先计算的似然域模型的格子大小比占有栅格小1倍 */// ?没看懂这里的地图尺寸为啥要扩大一倍?// size_x_ = 2 * map->size_x_;// size_y_ = 2 * map->size_y_;// init_x_ = 2 * map->init_x_;// init_y_ = 2 * map->init_y_; // cell_size_ = 0.5 * map->cell_size_;//网格大小size_x_ = map->size_x_;size_y_ = map->size_y_;init_x_ = map->init_x_;init_y_ = map->init_y_;cell_size_ = map->cell_size_;//网格大小likelihood_data_.resize(size_x_ , size_y_); likelihood_data_.setZero();/* 构造障碍物的KD-Tree */// ref.blog: https://www.guyuehome.com/34095pcl::PointCloud<pcl::PointXY>::Ptr cloud (new pcl::PointCloud<pcl::PointXY>);for(int i = 0; i < map->size_x_; i ++)for(int j = 0; j < map->size_y_; j ++){if(map->bel_data_(i, j) == 1.0) //是障碍物就加到KD数中{pcl::PointXY pt;pt.x = (i - map->init_x_) * map->cell_size_;pt.y = (j - map->init_y_) * map->cell_size_;cloud->push_back(pt);}}// 利用障碍物 cloud 构建kd-treekd_tree_.setInputCloud(cloud); /* 对每个格子计算likelihood */for(double i = 0; i < size_x_; i += 0.9)for(double j = 0; j < size_y_; j +=0.9){/* 计算double x, y */double x = ( i - init_x_)* cell_size_;double y = ( j- init_y_ ) * cell_size_;double likelihood = likelihoodFieldRangFinderModel(x, y);setGridLikelihood(x, y, likelihood);}
}
double MeasurementModel::likelihoodFieldRangFinderModel ( const double& x, const double& y )
{/* 找到最近的距离 */pcl::PointXY search_point;search_point.x = x;search_point.y = y;// 两个向量 存储搜索到的k紧邻 一个存点的索引 一个存点的距离平方// 这里的 k=1 找最近的一个点就是std::vector<int> k_indices;std::vector<float> k_sqr_distances;int nFound = kd_tree_.nearestKSearch(search_point, 1, k_indices, k_sqr_distances);double dist = k_sqr_distances.at(0);/* 高斯 + random */return gaussion(0.0, sigma_, dist) + rand_;
}
// 二维高斯分布
double MeasurementModel::gaussion ( const double& mu, const double& sigma, double x)
{return (1.0 / (sqrt( 2 * PI ) * sigma) ) * exp( -0.5 * (x-mu) * (x-mu) / (sigma* sigma) );
}
通过kdtree存储障碍物位置,然后利用高斯分布计算似然场(概率),越白表示是障碍物的可能性越高。
构造好似然场模型后,对激光测量就进行查表获取观测值。
原文:
每个粒子都用所有的激光束计算权重,这里我们用的加法,没用乘法,因为乘法收敛太快了。另外直接把重采样写在了观测更新里,就是观测更新后直接重采样。这里并没有在每次观测更新后都执行重采样。因为,重采样频率太高容易导致粒子退化。这里我们采取了降频措施。其实最好是使用书中的Augmented + KLD方法,这里我偷了个懒,只用了最简单的重采样方法。
![](/assets/blank.gif)
即是程序8.2的第二个for循环。也是下图中的第二个步骤。
/* 获取激光的信息 */const double& ang_min = scan->angle_min;const double& ang_max = scan->angle_max;const double& ang_inc = scan->angle_increment;const double& range_max = scan->range_max;const double& range_min = scan->range_min;// 每个粒子都用当前所有的激光束计算权重for ( size_t np = 0; np < nParticles_; np ++ ){Particle& pt = particles_.at ( np );/* for every laser beam */for ( size_t i = 0; i < scan->ranges.size(); i ++ ){/* 获取当前beam的距离 */const double& R = scan->ranges.at ( i );if ( R > range_max || R < range_min )continue;double angle = ang_inc * i + ang_min;double cangle = cos ( angle );double sangle = sin ( angle );Eigen::Vector2d p_l (R * cangle,R * sangle); //在激光雷达坐标系下的坐标/* 转换到世界坐标系下 */Pose2d laser_pose = pt.pose_ * robot_->T_r_l_;Eigen::Vector2d p_w = laser_pose * p_l;/* 更新weight : 在预先计算好的似然场中查表 */double likelihood = measurement_model_->getGridLikelihood ( p_w ( 0 ), p_w ( 1 ) );/* 整合多个激光beam用的加法, 用乘法收敛的太快 */// 所有光束的概率相加作为当前粒子的权重pt.weight_ += likelihood;}// for every laser beam} // for every particle/* 权重归一化 */normalization();
3.重采样
原文:
这里,我只实现了一个最基本的低方差重采样,必须采用大量的粒子才能保证正常的定位。有兴趣,大家最好实现一下书中Augmented MCL和KLD sampling MCL。
![](/assets/blank.gif)
![](/assets/blank.gif)
可以看出,低方差采样只在第三行进行了一次随机抽取,随后便等间隔( M−1M^{-1}M−1)的抽取样本。类似于上图所示。就好像发扑克牌的过程,刚开始切牌那一下决定了你可以拿到什么牌,后面只是按照固定顺序抽取而已。
void Localizer::reSample()
{if ( !is_init_ )return;/* 重采样 */std::vector<Particle> new_particles;cv::RNG rng ( cv::getTickCount() );long double inc = 1.0 / nParticles_;long double r = rng.uniform ( 0.0, inc );long double c = particles_.at ( 0 ).weight_;int i = 0;for ( size_t m = 0; m < nParticles_; m ++ ){long double U = r + m * inc;while ( U > c ){i = i+1;c = c + particles_.at ( i ).weight_;}particles_.at ( i ).weight_ = inc;/* 新采样的粒子加了高斯,稍微增加一下多样性 */Particle new_pt = particles_.at(i);new_pt.pose_.x_ += rng.gaussian(0.02);new_pt.pose_.y_ += rng.gaussian(0.02);new_pt.pose_.theta_ += rng.gaussian(0.02);Pose2d::NormAngle(new_pt.pose_.theta_);new_particles.push_back ( new_pt );}particles_ = new_particles;
}
4.滤波结果
自己添加了滤波后的轨迹显示功能,前期容易跳变,可以在刚开始的时候采用里程计发布,滤波稳定后再使用滤波后的path进行显示。
5.数据集
看到数据集说明文档最后一张图片中的箭头表示,以为TlrT_{lr}Tlr误写为了TrlT_{rl}Trl,实际上没有。只是箭头表示和自己的习惯不一样,其他是一样的,具体体现在Localizer::measurementUpdate()
函数求激光点在世界坐标系下的坐标:
粒子滤波用于机器人定位相关推荐
- 机器人学习--粒子滤波SLAM/MCL定位参考资料+学习经验
学习材料1: <概率机器人学> 谷歌无人驾驶之父 Sebastian Thrun等人著作. 注释: 可能是本人智商有限,或者是移动机器人学领域的基础知识了解不多. 刚刚看这本书的时候,尤其 ...
- 在ROS(indigo)中读取手机GPS用于机器人定位~GPS2BT在ubuntu和window系统下的使用方法~
通过网页快速了解Linux(Ubuntu)和ROS机器人操作系统,请参考实验楼在线系统如下: 初级教程可参考:https://www.shiyanlou.com/courses/854 邀请码:U23 ...
- 机器人学习--粒子滤波及其在定位中的应用
前提基础,先看一下 贝叶斯滤波 和 蒙特卡洛方法 一.什么是粒子滤波? 这里有个基于粒子滤波的物体跟踪 案例说明: 参考:基于粒子滤波的物体跟踪 - yangyangcv - 博客园 如果还是看不懂 ...
- 粒子滤波和蒙特卡洛定位
算法主要过程如下: 1.根据观测更新粒子权重 2.根据权重resample,也就是根据权重更新所有粒子位置,并使得所有粒子权重恢复到一样. 3.利用一个模型让所有粒子随着robot的移动而移动. 无公 ...
- 机器人学习--扩展卡尔曼滤波算法用于机器人定位
论文链接:leonard_ieeetroa19.pdf-互联网文档类资源-CSDN下载https://download.csdn.net/download/GGY1102/61742571 基于EKF ...
- 机器人学习--粒子滤波/MCL定位的理论基础(先验知识)
跨学科(未学过数理统计和滤波等课程)的研究人员看懂粒子滤波或MCL定位的理论 2019年剑桥大学一名教授 Simon Godsill 发表了一篇论文: Godsill S. Particle filt ...
- 【目标定位】基于matlab粒子滤波的定位算法【含Matlab源码 2161期】
一.基于粒子滤波污染源定位简介 粒子滤波定位算法是目前最精准定位可移动物体的位置,由于水域的流动,工业固体废物污染源很可能随着水流移动位置,基于粒子滤波算法将污染物定位分为预测.测量以及重新采样可大大 ...
- Particle Filter Tutorial 粒子滤波:从推导到应用(一)
前言: 早几年前写博客的时候,编辑公式都是在线网站编辑的,有时候这个网站不稳定,贴的公式看不到.如果有需要,pdf版下载地址点击打开链接,给您阅读带来的不便表示抱歉,祝大家好运. 博主在自主学习粒子滤 ...
- [转]粒子滤波(particle filtering)的思路发展过程及应用(详细深度好文)
粒子滤波作为视觉SLAM中后端进行状态估计的主要算法之一,很好的完成了扩展卡尔曼滤波无法有效处理的复杂状态方程下的状态估计任务.这篇文章详细地描述了粒子滤波的思想历程,即如何一步步从简单的状态估计.采 ...
最新文章
- Java 单例模式探讨
- 一个老程序员对自己当前编程技术处在哪个水平的反思
- c语言统计输入的字符数字的个数字,请问这个用c怎么做:输入一串字符,分别统计其中数字和字母的个数...
- HTML (3)---HTML编辑器
- java arraylist add时默认调用tostring_从一道例题谈Arrays.toString()与其他String的转换方法...
- 如何修改服务器上的端口号,如何修改远程服务器端口号
- Vue.js 中取得后台原生HTML字符串 原样显示问题的解决方法
- 如何解决RS485 通讯接口被主站占用的问题
- 物流车笔记——编码器原理
- msvcr71.dll丢失的解决方法,哪种解决方法更好?
- JS初学者使用jQuery开发一款弹幕射击游戏
- 【JZOJ5882】雪人
- 基于Matlab的暗通道先验、Retinex去雾图像增强研究
- 使用Kali对网站进行DDos攻击
- 分子动力学模拟Gromacs一般使用步骤(空蛋白)
- 部署scrapy爬虫到AWS Ubuntu 18.04,用crontab定时执行
- 一文搞掂十大经典排序算法
- html radio 默认选中
- UT/UTC/GMT的区别和联系
- 一张图认识URI和URL