2020 波恩大学《传感器及状态估计》学习笔记（一）附资源下载链接
Prof. Dr. Cyrill Stachniss
个人简介：https://www.ipb.uni-bonn.de/people/cyrill-stachniss/
课程资料下载：https://www.ipb.uni-bonn.de/msr2-2020/
YouTube: y2u.be/4QG0y0pIOBE
Bilibili: www.bilibili.com/video/BV1DK411L7M6
课程视频（附字幕）
https://mp.weixin.qq.com/s/LKHbeeACGvXiotpJxGNH9Q
最近一段时间，会坚持做一个学习笔记的整理~
Course Introduction
● 移动机器人领域两个基础的问题
第一课 Introduction to SLAM
● Topic of the Course
这一部分，针对SLAM问题，引入最小二乘用来状态估计, 就更简单的2D 激光SLAM问题开始学习，之后relax我们的问题，使得SLAM问题更加试用于一般的场景，即可以允许异常值的出现。通过传感器（lidar 相机）获取数据，并进行几何模型的建立。
● What is SLAM?
SLAM是在同一时间点，解决定位于建图两个问题的问题。这个问题看似有点纠结，因为我们需要一个高精度的地图，来更好的估计位姿；另一方面，我们需要一个好的位姿，以便更好的建立地图。这两者之间有一个依赖关系。首先以landmark地标为例。
（1）localization example：
假设：给定地标的位置，估计机器人的位姿
当机器人在运动过程中，通过传感器采集数据，基于自身的位置，采集地标点的位置，但是在观测中以及传感器自身都含有噪声，这就导致了机器人移动过程中的不确定性。导致实际运动轨迹与机器人系统估计的轨迹之间有误差。但是我们已知landmark的位置，所以机器人可以对自己的位姿进行不断校正。
（2） map example
给定机器人位姿，估计landmark位置
这里已知机器人不断运动前后的位姿关联，变化
（3）SLAM example
同时，在同一传感器下，具有噪声的情况下，估计机器人的位姿以及进行建图（就是前面说到的landmark的位置）。但是当运动中，返回到之前观测的位置时，可以校正一些之前的非线性问题的误差。实际上，我们想建立与现实情况一致的地图，至少物体之间的相对位置关系是正确的。
1、SLAM问题的特点：
将传感器（lidar 相机 手机）搭载在一个移动平台上，在未知环境中进行运动，采集数据，得到自身的localization位置，以及可以绘制一个环境的地图，并了解自己的运动轨迹。这样的问题通常称为FULL SLAM问题（或者offline SLAM问题）。
但是在很多的自动移动系统，比如自动驾驶，我们更倾向于实时处理数据，以便决定该怎么进行运动。（estimate in real time and make decision on what it sees），这样的SLAM称为online SLAM。
第三点是说SLAM问题针对不同传感器，模式都是相似的
2、SLAM问题
SLAM问题一直被描述为一个先有鸡还是先有蛋的问题。
在环境中，如果已知环境，通过遥控装置控制移动平台的运动会大大简化SLAM问题，但是在实际中，大部分环境是未知的，还是需要解决实时的问题。SLAM问题被认为是自动移动机器人的基础，对于导航问题也十分重要。
3、SLAM的实际应用
在室外环境中，可以采用GPS进行定位，但是在urban 环境下，或者室内环境；水下应用，珊瑚礁监测（澳大利亚）；历史遗迹探寻。
1、SLAM问题的数学定义
已知机器人的命令控制量，以及传感器的观测值（在每一个时间点上的）；想要求得地图m以及机器人运动的轨迹路线（可以理解为机器人的位姿）。这样的问题其实是一个概率的问题。
2、概率角度理解
观测的不确定性与运动的不确定性共同构成了整个系统的不确定性。可以对分布进行部分量的调整，系统是否是高斯的，线性与非线性将对系统的构建有影响。
3、图的角度（贝叶斯网络）
从图的角度来说明概率的分布，清晰看出上一时刻的变量对下一时刻的观测有什么样的影响。
（1）FULL SLAM/ offline SLAM
灰色框为未知量，因为未知量的一系列的，即x下标是X0到Xt一系列的时刻的位姿，所以为FULL SLAM，这也是与online SLAM有区别的地方。
（2）online SLAM
在线的SLAM，只估计某一时刻，即Xt 而不是一系列时刻的位姿。（online slam在自动驾驶领域就是只关心当前时刻，对之前在哪里没有兴趣，也没有意义）
这个公式就是当前Xt时刻，是之前一系列位姿的整合，将之前的位姿进行边缘化，从而只关心现在这一时刻。
Why is SLAM a hard problem?
（1）因为定位与建图是一个紧耦合的问题，并且是在两者都是未知的情况下。
（2）数据关联
如果用相机，可以使用相机自带的辅助功能（类似向量？）识别是否为地标点；但是激光在结构重复的情况下，识别存在困难。并且不同位置识别的点，之间的联系很难准确确定。
如果错误的数据关联，会导致最终状态估计的错误。（divergence）
1、三种常用处理数据的方法
卡尔曼滤波
粒子滤波：摆脱了卡尔曼滤波中假设世界是高斯分布的假设
图优化：基于最小二乘，下图是将SLAM问题转换成图优化问题之后的运动模型以及观测模型。
（1）运动模型
（2）观测模型
假设地标点符合高斯分布；非高斯分布的光束模型
将观测记录下来的成对姿势联系起来也是一个很重要的问题。
37分钟的视频断断续续整理看了很久，这节课主要对一些基本概念进行讲述，我认为最主要的是将了实时SLAM与后处理SLAM的区别。
同时视频最后推荐了一个阅读材料
https://sci-hub.tw/10.1007/978-3-319-32552-1_1（只有introduction部分）
视频链接：http://handbookofrobotics.org/view-part
整本书的Springer链接：https://link.springer.com/chapter/10.1007/978-3-319-32552-1_1
友情提示：站得高 望得远
如果哪位道友下载好了，可以评论留言分享哦~