Gmapping 原理之目标分布与提议分布

最新推荐文章于 2025-09-02 13:03:32 发布
原创 最新推荐文章于 2025-09-02 13:03:32 发布 · 5k 阅读 · 62 ·
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。
文章标签：

#ieee论文 #定位

Gmapping 原理之目标分布与提议分布

1. 概述

简单讲一下Gmapping的原理中的提议分布与目标分布，并指出论文中的公式错误，如果阅读此文章，需要先熟悉原始论文，如果本文有错误，欢迎指出讨论，同时此文章供自己以后参考(已经写了很久了，一直没有发出来)。

2. 目标分布与提议分布

2.0 概率复习

可能用到的概率知识
条件概率公式
在这里插入图片描述
贝叶斯公式
在这里插入图片描述
全概率公式
在这里插入图片描述
组合拳
在这里插入图片描述
以上图片均来自百度图片搜索结果，感谢！

2.1 目标分布

目标分布也称为真实分布，如果考虑机器人的运动，那么机器人在t时刻位置的真实分布就是目标分布，但是这是不能得到的，只是理论上的分布，我们需要只能通过其他分布来得到该分布，评价的标准就是权重f/g，f表示目标分布，g表示提议分布。

2.2 提议分布

因为目标分布是得不到的，因此需要使用提议分布来得到目标分布的真实情况。一般的，使用里程计模型来作为提议分布。但是改进的提议分布发现激光具有单峰的特性，方差更小，更适合作为提议分布，因此考虑激光和里程计一起作为改进的提议分布。
简单列出一下权重计算不同，后面会推导权重计算公式。
只使用里程计模型，那么得到的权重计算公式为

最低0.47元/天 解锁文章
机器学习中的MC、MCMC、Gibbs采样
scott198512的博客
05-15 5988
介绍MC、MCMC及吉布斯采样方法原理
从零理解Gmapping的SLAM算法
具身小站
08-22 985
Gmapping是基于滤波SLAM框架的开源算法，跟FastSLAM一样采用了RB粒子滤波器（RBPF），将复杂的SLAM问题（同时定位与建图）分解为定位和建图两个相对独立的过程，先进行定位（估计机器人轨迹），在已知轨迹的基础上再进行建图，即以概率基础：P(位姿, 地图 | 观测, 控制) = P(位姿 | 观测, 控制) * P(地图 | 位姿, 观测)。
蒙特卡洛粒子滤波定位算法_基于自适应多提议分布粒子滤波的蒙特卡洛定位算法...
weixin_39817391的博客
12-22 610
龙源期刊网http://www.qikan.com.cn基于自适应多提议分布粒子滤波的蒙特卡洛定位算法作者：罗元庞冬雪张毅苏琴来源：《计算机应用》2016年第08期摘要：针对基于Cubature粒子滤波的蒙特卡罗定位(CMCL)算法存在的计算量大、实时处理能力较差的问题，提出一种基于自适应多提议分布粒子滤波的蒙特卡罗定位(AMPD-MCL)算法。该算法利用Cubature卡尔曼滤波和扩展卡尔曼滤波...
查看预测目标分布
Tempest_XY
12-16 430
Jupyter NoteBook 5.5.0 python 3.6.5    
（《机器学习》完整版系列）第14章 概率图模型——14.7 MH采样算法的详细推导（提议分布，“拒绝采样”）
qiy_icbc的博客
03-21 700
基于“拒绝采样”的 MH 算法是 MCMC 的重要“艺术”品。 常常有人误解算法中的“拒绝”，这里有必要澄清。 “拒绝”是丢弃了样本，但不是说本次没有产生样本从而浪费了计算，而应理解为： 对本次采样进行了修正，即丢弃新采到的样本，而复制一份先前一步的样本作为本次的样本。
随机过程--Metropolis-Hastings算法
lin360580306的博客
04-25 7万+
介绍Metropolis-Hastings算法
Gmapping 原理之源代码框架
robots的博客
11-25 2075
Gmapping 原理之源代码框架1. 概述2. 代码流程求解的问题轨迹节点内容地图之间关系Gmapping发布订阅的话题说明SlamGMapping::laserCallback 总体框架2.1.初始化地图2.2.激光数据加入2.3.地图更新2.4.地图参数初始化2.5.激光扫描数据处理2.6.里程计运动模型2.7.扫描匹配环节2.8.选择性重采样2.9.地图边界更新，点更新2.10.粒子位姿优化3. 说明 1. 概述 简单总结一下Gmapping源代码中的流程，因为已经有一段时间了（懒癌晚期），说明不
Gmapping 之安装与配置
robots的博客
08-28 1万+
GMapping安装与配置安装 安装 首先需要安装一些必要文件 sudo apt-get install ros-kinetic-slam-gmapping 然后在工作空间中获取Gmapping的源代码 gitclone https://github.com/ros-perception/slam_gmapping.git
gmapping matlab实现_Gmapping笔记
weixin_39639040的博客
12-20 1329
2D-slam 激光slam: 开源代码的比较HectorSLAM Gmapping KartoSLAM CoreSLAM LagoSLAM作者：kint_zhao原文：https://blog.youkuaiyun.com/zyh821351004/article/details/47381135最近找到一篇论文比较了一下 目前ros下2D激光slam的开源代码效果比较:详细参见论文: An evalu...
15、移动机器人SLAM技术：从基础到Gmapping算法实践
最新发布
embedding5hiker的博客
09-02 44
本文深入探讨了移动机器人SLAM技术的基础原理与系统架构，详细介绍了传感器数据输入、路径规划、环境映射与位姿估计等内容。重点分析了Gmapping算法的原理、实现过程及实践步骤，并对比了滤波方法与图优化方法的优缺点。同时提出了Gmapping在内存优化、闭环检测和多传感器融合方面的改进思路，展望了SLAM技术在多传感器融合、深度学习和大规模场景中的发展方向。
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...
R语言蒙特卡洛方法：方差分量的Metropolis Hastings（M-H）、吉布斯Gibbs采样比较分析
大数据部落
07-09 1447
原文链接：http://tecdat.cn/?p=23019 原文出处：拓端数据部落公众号 蒙特卡洛方法利用随机数从概率分布P(x)中生成样本，并从该分布中评估期望值，该期望值通常很复杂，不能用精确方法评估。在贝叶斯推理中，P（x）通常是定义在一组随机变量上的联合后验分布。然而，从这个分布中获得独立样本并不容易，这取决于取样空间的维度。因此，我们需要借助更复杂的蒙特卡洛方法来帮助简化这个问题；例如，重要性抽样、拒绝抽样、吉布斯抽样和Metropolis Hastings抽样。这些方法通常涉及从.
ROS中gmapping的原理（读后理解）
摆正心态
09-10 6457
感谢博主，原创：https://blog.youkuaiyun.com/liuyanpeng12333/article/details/81946841 这是我读完这篇博文的理解。 首先明确三个概念： 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RBp...
武器目标分配问题研究进展: 模型、算法与应用
renhongxia1的博客
04-18 1万+
源自：系统公正与电子技术作者：李梦杰 常雪凝 石建迈 陈超 黄金才 刘忠武器目标分配问题是指挥控制与任务规划领域的关键难点之一, 也是军事运筹领域的基础研究课题。经过多年研究, 武器目标分配问题在陆海空天电等领域都得到了广泛研究, 涌现出了大量模型和算法。系统梳理武器目标分配问题的典型作战样式、建模方法、求解算法和实验验证, 掌握当前该领域的研究现状, 在此基础上, 结合智能化、无人化战争带来的新挑战, 分析武器目标分配的发展趋势, 为后续研究提供参考。武器目标分配;模型;算法;综述。
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 参数分析
weixin_28683491的博客
12-15 1210
节点slam_gmapping采用sensor_msgs/LaserScan消息，并且构建地图(nv_msgs/OccupancyGrid)。地图可以通过topic或service检索。
Gmapping 更新粒子过程
努力是明天快乐的源泉
08-01 1658
首先将空间点转化为地图坐标,存储到activeArea,再将根据坐标点(int),转化为patch的局部cell坐标指针,存储到m_activeArea全局变量,根据m_activeArea分配patch空间, 另外更新地图map的cell.n和cell.visits-----/描述栅格转台/ 最后是不断拓展node节点 发布地图就是通过读取权重最大的粒子,然后通过子节点往上读取,直到根节点结束,根节点是一张空白地图 if (! m_count //第一次 || m_linearDistance&g
【机器学习基础】噪声与误差
Jason Ding的专栏
01-02 6888
目标分布（Target Distribution） 在实际情形中，训练数据的误标签的情况，输入数据某一维不准确的情况，都可能导致数据信息不精准，产生噪声数据。 由于受到噪声的影响，我们现在可以把y也看做是一种概率分布,y也是从某种分布中取样而来的，即y~P(y|x)。 这里的P(y|x)被称为目标分布。 回头来看，我们可以把学习的目标总结为，在常见的输入(符合P(x
gmapping 原理
08-14
### GMapping 算法原理 GMapping 是一种基于激光雷达数据的二维 SLAM（Simultaneous Localization and Mapping，同步定位与地图构建）算法，广泛应用于机器人领域。其核心原理基于 **Rao-Blackwellized 粒子滤波（RBPF）**，将定位与建图问题解耦，分别处理。在 RBPF 框架中，每个粒子代表机器人的一条可能路径，同时每个粒子都携带一个地图估计。通过激光雷达数据与里程计数据的融合，GMapping 能够实时构建环境的地图并估计机器人的位姿 [^3]。 #### 核心思想 GMapping 的核心思想是：在已知激光雷达数据的前提下，同时估计机器人的位姿和构建地图。该算法通过粒子滤波的方法对机器人路径进行估计，并基于贝叶斯推理更新地图模型。RBPF 的引入使得每个粒子独立地维护一个地图，从而减少了计算复杂度，提高了算法的实时性 [^3]。 ### GMapping 的工作流程 GMapping 的工作流程主要包括以下几个步骤： 1. **数据输入** GMapping 依赖于激光雷达数据和里程计数据。激光雷达数据以 `sensor_msgs/LaserScan` 的形式提供，而里程计数据则以 `nav_msgs/Odometry` 的形式提供 [^2]。 2. **初始化粒子集** 系统初始化时，生成一组粒子，每个粒子表示机器人的一种可能路径。每个粒子携带一个初始的地图估计。 3. **粒子预测** 基于里程计数据，预测每个粒子的下一时刻位姿。这一步骤利用了机器人的运动模型，将里程计信息转化为粒子的位姿更新 。 4. **激光雷达数据更新** 使用激光雷达数据对每个粒子进行权重更新。具体来说，根据激光雷达的观测数据，计算每个粒子对应的地图与观测数据的匹配程度，从而调整粒子的权重 [^3]。 5. **重采样** 根据粒子的权重进行重采样，保留权重较高的粒子，淘汰权重较低的粒子。这一步骤确保了粒子集能够更好地反映机器人的真实路径 [^3]。 6. **地图更新** 每个粒子维护的地图随着粒子的更新而更新。最终的地图是所有粒子地图的加权平均，反映了环境的二维格栅地图 [^2]。 7. **发布地图** GMapping 会发布两种地图数据：地图的元数据（如分辨率、地图大小等）和栅格数据（表示每个栅格的占用概率） [^2]。 ### 代码示例 以下是一个简化的 GMapping 算法的伪代码示例： ```cpp // 初始化粒子集 void initializeParticles() { // 生成初始粒子集 for (int i = 0; i < NUM_PARTICLES; ++i) { Particle particle; particle.pose = initialPose; // 初始位姿 particle.map = initialMap; // 初始地图 particles.push_back(particle); } } // 预测粒子位姿 void predictParticles(const Odometry& odometry) { for (auto& particle : particles) { particle.pose = updatePose(particle.pose, odometry); // 根据里程计更新位姿 } } // 更新粒子权重 void updateWeights(const LaserScan& scan) { for (auto& particle : particles) { double weight = calculateWeight(particle.map, scan, particle.pose); // 计算权重 particle.weight = weight; } } // 重采样 void resampleParticles() { std::vector<Particle> newParticles; std::discrete_distribution<> distribution(weights.begin(), weights.end()); for (int i = 0; i < NUM_PARTICLES; ++i) { int index = distribution(generator); // 根据权重选择粒子 newParticles.push_back(particles[index]); } particles = newParticles; } // 更新地图 void updateMaps(const LaserScan& scan) { for (auto& particle : particles) { particle.map = updateMap(particle.map, scan, particle.pose); // 根据激光雷达数据更新地图 } } ``` ###
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