ganbaoni9yang的博客

上一期主要是将如何将navigation 在不同的硬件平台上跑起来,主要讨论的是软硬件接口与配置, 这一期主要着眼点在于通过主要算法原理讲解与参数解析,希望能彻底把一些应用上的问题讲清楚. 从移动机器人学的角度来看, ROS navigation package:两层规划模型global && local planner , costmap_2d 统一 环境表示模型, mo

前言          卡尔曼滤波器是在估计线性系统状态的过程中，以最小均方差为目的而推导出的几个递推数学等式,也可以从贝叶斯推断的角度来推导。          本文将分为两部分：第一部分，结合例子，从最小均方差的角度，直观地介绍卡尔曼滤波的原理，并给出较为详细的数学推导。第二部分，通过两个例子给出卡尔曼滤波的实际应用。其中将详细介绍一个匀加速模型，并直观

这部分主要是通过对第一部分中提到的匀加速小车模型进行位移预测。先来看看状态方程能建立准确的时候，状态方程见第一部分分割线以后内容，小车做匀加速运动的位移的预测仿真如下。[plain] view plaincopyclc  clear all  close all    % 初始化参数  delta_t=0.1;

前言       SLAM问题的处理方法主要分为滤波和图优化两类。滤波的方法中常见的是扩展卡尔曼滤波、粒子滤波、信息滤波等，熟悉滤波思想的同学应该容易知道这类SLAM问题是递增的、实时的处理数据并矫正机器人位姿。比如基于粒子滤波的SLAM的处理思路是假设机器人知道当前时刻的位姿，利用编码器或者IMU之类的惯性导航又能够计算下一时刻的位姿，然而这类传感器有累计误差，所以再将每个粒子的激光传感

在上一部分中通过一个例子大致了解了graph based slam的优化过程。在本篇博客中将提升一个层次，对图优化的求解过程进行推导。由于博文关注的在图构建好以后，如何调整机器人位姿使误差最下。因此，本文主要涉及的是图优化的后端（back-end）。       我们已经知道图优化问题转变成了一个最小二乘问题。根据上篇博客最后一个例子，求机器人SLAM过程中最优轨迹可以表示成求解机器人位姿

为了更好地理解graph based slam的过程，本文以二维平面的激光SLAM为例子，先简单介绍如何根据传感器信息构建图，即图优化的前端（front-end）。然后再针对上篇博客的疑问，结合matlab程序，分析图优化的后端（back-end）。       对于二维平面的激光SLAM，数据包括两部分，odometry和laser range data，所以构图过程如下：当机器

g2o全称general graph optimization，是一个用来优化非线性误差函数的c++框架。如果阅读了前几篇graph slam tutorial的博客，再去读《g2o：a general framework for(hyper) graph optimization》这篇论文将变得轻松随意。读完论文以后，再看看github里面g2o example的例程就能上手g2o了。

这个攻略是为一些有自己的硬件平台，想快速上手ROS navigaion的同学（老师 etc。。）准备的，并且假设大家已经对ROS的基本概念（进程间通讯topic service 数据类型 msg）有了基本的了解，有基本的C++/python编程技术，有基本的移动机器人技术概念。我的攻略与yuanbo she前辈的exbot_xi平台介绍有些不同，我将着眼与更深一层的讲解，期望大家能针对不同的硬件平

1.　　前言　　读者朋友们大家好！（很久很久）之前，我们为大家介绍了SLAM的基本概念和方法。相信大家对SLAM，应该有了基本的认识。在忙完一堆写论文、博士开题的事情之后，我准备回来继续填坑：为大家介绍SLAM研究的方方面面。如果前两篇文章算是"初识"，接下来几篇就是"渐入佳境"了。在第三篇中，我们要谈谈SLAM中的各个研究点，为研究生们（应该是博客的多数读者吧）作一个提纲挈领的摘要。然后