gmapping 公式推导

最新推荐文章于 2025-07-23 15:41:49 发布
原创 最新推荐文章于 2025-07-23 15:41:49 发布 · 544 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博客提到gmapping论文里的公式4未详细推导，作者将分享自己对该公式的推导过程，聚焦于信息技术领域中相关算法公式的研究。

gmapping 论文里面的公式4没有详细推导，自己的推导过程如下：

Snall_Qiu
关注
保姆级Gmapping算法介绍到复现
m0_63647490的博客
02-26 2万+
1.概述 本文主要是学习SLAM过程中，记录下我复现Gmapping算法的过程，包括我遇到的各种问题，以便后续自己复习，也希望能对大家有所帮助，在此，也感谢很多优快云的前辈的文章，给了我很多帮助，在此致谢。 2.下载Gmapping源代码 安装编译所需要的依赖包 sudo apt-get install ros-melodic-slam-gmapping 注意：上述命令中，如果你的Ubuntu版本是16.04，需要将melodic换成kinetic,melodic对应的 Ubuntu版...
每日浅读SLAM论文——简析Gmapping
qq_21043585的博客
07-05 1959
第5行，根据目前移动到的位置，以及在这个位置下激光打到的结果，打个分数（比如激光打到地方在地图上也是障碍物+1分这种），这样可以给每个粒子计算一个权重，乘上之前的权重，权重最高的那个粒子就会被认为是目前的结果。8-11行是在进行重采样，因为随着算法进行，有些粒子权重会非常低，几乎不能表示真是情况，且消耗计算资源，因此我们会将权重高的粒子多复制几份，权重低的可能就丢弃了。我们直接从粒子滤波框架开始讲起（我会讲的很浅显，即便你不会粒子滤波，但是要真正掌握还是要认真看推导，比如去看概率机器人）。
gmapping算法教程（2）-------utils头文件解析
qq_49589440的博客
07-10 1263
保姆级gmapping教程，让你理解每一个变量，每一行代码，让你能够自己亲自动手写出gmapping源码。
gmapping粒子滤波先实践再推导
qq_38167930的博客
07-16 981
本节目录如下： 1. 推导之前，先看实践 整个推导过程其实是一个两头小中间大的过程，怎么说呢，就是从贝叶斯滤波开始，到最后Sampling Importance Resampling Filter(SIR)算法结束，中间推导过程其实主要就是应用了条件概率公式、贝叶斯概率公式、马尔科夫性、大数定理这样一些基础知识，其实我觉得在推导之前我们可以先看看到底什么是粒子滤波，也就是结果到底是什么。 1.1 伪代码分析 经典的SIR算法...
最详细的Gmapping代码详解！详细到每一行！
guconggucong的博客
12-04 1115
无处不在的小土-gmapping的ROS封装 (gaoyichao.com)
gmaping原理及代码解析（二）
weixin_40863346的博客
10-14 2779
之前记录着就忘记录了，现在补上，欢迎大家一起交流啊~ （二）gmapping原理解析 A、先验知识 条件概率公式： 上图中红色为A事件，蓝色为B时间，紫色为A、B事件同时发生的概率，P(A|B)表示B发生的条件下A发生的概率： 全概率公式： 如上图，对于样本空间A，由A1...A7个事件组成，且A1...A7事件两两互斥，即任意两个事件的交集为空集；则对于任意事件B有： ...
从零开始搭二维激光SLAM --- Hector论文公式推导与相关代码解析
李想的博客
02-04 3349
2.7.1 getCompleteHessianDerivs() 这个函数也位于 Creating-2D-laser-slam-from-scratch/lesson4/include/lesson4/hector_mapping/map/OccGridMapUtil.h 内． /** * 使用当前pose投影dataPoints到地图，计算出 H 矩阵 b列向量， 理论部分详见Hector论文： 《A Flexible and Scalable SLAM System with Full
gmapping matlab实现_gmapping-Gmapping,SLAM
weixin_39796652的博客
12-20 581
本教程分享：《gmapping》ros是怎么利用gmapping建立地图的ROS的stack库分作两部分，一部分为核心部分，即main部分，简而言之就是使用下面命令，安装ROS系统时就已经安装到我们用户电脑上的那部分。$sudoapt-getinstallros-diamondback-desktop-full另一部分为选用部分，即universe部分，它不仅包括一些开源库的支持，如opencv,...
my_gmapping_slam代码解析三
qq_38167930的博客
07-20 1539
0、写在前面 gmapping的核心处理算法都在addscan函数调用的processscan()中，该函数对所有粒子都通过里程计运动模型，更新每一个粒子对象存储的地图坐标系下的激光雷达位姿。 gmapping的函数调用关系如下图所示： 我们按照顺序在processScan函数中出现的位置，进行代码解析： // △△△△△△ SLAM核心代码 △△△△△△ bool GridSlamProc...
不可错过的gmapping算法使用与详细解释
「小白学移动机器人」一个专注分享移动机器人相关知识的公众号！
10-06 3万+
您真的懂了移动机器人是怎么构建地图的吗？ 1、前言 假如，您现在已经拥有一辆ROS小车了，您已经完成了通过ROS节点发布的/cmd_vel话题控制小车的基本运动了。当然，这些都是底层部分，您也许还需要完成移动机器人的建图和导航工作。本篇文章以激光SLAM算法gmapping为例，向大家介绍移动机器人构建环境地图的必备条件、算法流程、算法原理。 其实，使用gmapping算法实现建图的步骤十分简单，一般分为了解算法、安装算法、更改参数、执行算法、保存地图。各大博客，ros_wiki都有详细的流程，基本一路上不
gmapping中ScanMatcher说明文档
02-15
gmapping中ScanMatcher说明文档。可以对照相应代码学习。
GMapping原理分析
热门推荐
liuyanpeng12333的博客
08-22 9万+
概念：       1、Gmapping是基于滤波SLAM框架的常用开源SLAM算法。       2、Gmapping基于RBpf粒子滤波算法，即将定位和建图过程分离，先进行定位再进行建图。       3、Gmapping在RBpf算法上做了两个主要的改进：改进提议分布和选择性重采样。 优缺点：      优点：Gmapping可以实时构建室内地图，在构建小场景地图所需的计算量较小且...
【Robot学习 4 】Gmapping 算法学习
wb790238030的博客
01-21 4171
机器人地图一般分为三种类型：栅格地图，拓扑地图，特征地图 机器人在创建地图时，使用多个传感器融合数据，提高创建地图的精度『内部传感器数据的融合通过卡尔满滤波完成，在长时间的运行时会有较大的误差，可以通过外部的激光传感器或者深度相机进行机器人位置和姿态的修正 数据关联：1.已经存在的环境特征2.新的环境特征3.噪声数据 机器人对采集回来的数据（观测值）进行分析，若为已经存在的数据，则利用这一新...
gmapping 代码
fly1ng_duck的博客
04-23 668
// Versions of advertise() ////////////////////////////////////////////////////////////////////////////////////////////////////////////// /** * \brief Advertise a topic, simple version ...
gmapping详细分析
l87157的博客
12-09 454
gmap
Gmapping——从原理到实践
沧海一升的博客
02-26 1万+
概述 在SLAM中，机器人位姿和地图都是状态变量，我们需要同时对这两个状态变量进行估计，即机器人获得一张环境地图的同时确定自己相对于该地图的位置。我们用x表示机器人状态，m表示环境地图，z表示传感器观测情况，u表示输入控制，下标表示时刻，则对 进行估计。而由条件贝叶斯法则，可以得到 这一分解相当于把SLAM分离为定位和构建地图两步，大大降低的SLAM问题的复杂度。基于此，Gmaping...
GMapping篇（学习篇+问题篇）
最新发布
m0_53713033的博客
07-23 435
问题一：Resource not found: The following package was not found in <arg name="world_name" value="$(find racebot_gazebo)/worlds/room_mini.world"/>仿真的gazebo world在路径里面，但是运行launch之后报错。问题二：ERROR: cannot launch node of type [gmapping/slam_gmapping]: gmapping。
GMapping_过程
Coderii的博客
03-28 3381
GMapping_过程前言 1前言 2 GMapping中使用地图结构前言 3 GMapping中的坐标系们过程1，由里程计更新粒子位姿2，判定是否处理激光数据粒子得分计算 转载请注明出处 前言 1 1，本文是描述GMapping的核心部分的计算流程，对应其核心代码(不含ROS部分)。确切的说是每当获得一帧激光数据后所进行的计算。 2，本人未阅读GMapping原作论文、未系统学习激光SLAM，难...
Gmapping算法
06-08
<think>嗯，用户想了解Gmapping算法的原理和使用方法，重点在SLAM和地图构建上。根据用户提供的引用资料，可以看到用户需要既通俗又包含核心原理的说明。用户提供的两篇引用很有价值。引用[1]特别强调“保姆级介绍”，说明用户可能需要基础性说明。引用[2]给出了关键公式$N_{\mathrm{eff}}=\frac{1}{\sum_{i=1}^N\left(\tilde{w}^{(i)}\right)^2}$和硬件要求等具体信息，说明深层需求可能包含实现细节。考虑到用户提到的“不讲太多理论推导”但又要了解原理，需要折中处理：在解释粒子滤波时不深入推导重采样公式，但明确其作用。核心需要覆盖四大模块：粒子初始化、运动更新、观测更新和重采样机制。引用[2]提到的“小场景精度高”特点值得强调。使用说明部分需要结构化呈现，特别是用户引[2]提到的硬件要求和TF坐标配置是实际应用的痛点。教程类内容（如launch文件示例）比纯理论更能满足操作需求。最后的相关问题设计成阶梯式：从算法优化（粒子耗尽应对）到实践（Rviz调试），再到前沿替代方案，形成完整学习路径。需要特别注意所有公式按用户要求的$...$格式排版，包括粒子权重公式和有效粒子数公式。单独的算法流程需要用```...```代码块展示伪代码结构。</think> ### Gmapping算法原理与使用方法（SLAM地图构建） #### 一、核心原理 Gmapping基于**RBPF算法**（Rao-Blackwellized Particle Filter，粒子滤波算法），通过融合里程计和激光雷达数据构建2D栅格地图： 1. **粒子初始化** 生成$N$个表示机器人位姿的粒子$\{(x^{(i)}, y^{(i)}, \theta^{(i)})\}_{i=1}^N$，每个粒子携带独立的地图 2. **运动模型更新** 利用里程计数据预测粒子新位姿： $$ \mathbf{x}_t^{(i)} = f(\mathbf{x}_{t-1}^{(i)}, \mathbf{u}_t) + \delta $$ （其中$\mathbf{u}_t$为里程计位移，$\delta$为噪声） 3. **观测模型更新** 计算激光扫描$z_t$与粒子地图的匹配得分（权重）： $$ w^{(i)} = p(z_t | \mathbf{x}_t^{(i)}, m^{(i)}) $$ 4. **重采样机制** 当有效粒子数低于阈值（$N_{\mathrm{eff}} = \frac{1}{\sum (w^{(i)})^2} < N/2$）时，复制高权重粒子，淘汰低权重粒子[^2] #### 二、使用方法（基于ROS） 1. **硬件要求** - 水平安装的2D激光雷达（如Hokuyo/SICK） - 提供里程计数据的移动机器人底盘 - TF坐标系要求：`base_link` → `laser` 和 `odom` → `base_link`关系必须正确配置 2. **启动流程** ```bash roslaunch turtlebot3_slam turtlebot3_gmapping.launch ``` ```bash roslaunch turtlebot3_teleop turtlebot3_teleop_key.launch ``` 3. **关键参数配置**（示例） ```xml <param name="particles" value="50"/> <!-- 粒子数量 --> <param name="delta" value="0.01"/> <!-- 地图分辨率(m) --> <param name="maxUrange" value="8.0"/> <!-- 激光有效探测距离(m) --> ``` #### 三、算法特点 | **优势** | **局限** | |--------------------------|--------------------------| | ▶ 实时更新地图（10-30Hz） | ▲ 大规模场景内存消耗指数增长 | | ▶ 低扫描频率下仍可建图 | ▲ 闭环检测能力较弱 | | ▶ 室内小场景精度达厘米级[^2] | ▲ 动态物体处理能力差 | #### 四、实用技巧 1. **建图优化** - 增加粒子数（牺牲计算资源）：`particles=100` - 降低运动噪声参数：`odom_alpha=0.2` - 关闭动态物体过滤：`dynamic_map=false` 2. **调试工具** ```bash rviz # 实时查看粒子分布与地图更新 ``` ```bash rosrun map_server map_saver # 地图保存 ``` > **注**：在建图过程中需保持机器人缓慢匀速运动（推荐0.2m/s），避免粒子退化导致定位丢失[^1]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值