机器人学——估计与学习-第三周

本文探讨了机器人映射的基础概念,包括映射类型如度量映射、拓扑映射和语义映射,以及栅格地图的挑战与应用。详细介绍了占据栅格映射、对数奇数更新及范围传感器处理,并讨论了3D映射。栅格地图的高效数据管理和更新策略是重点。

3.1 robotic mapping

3.1.1 Introduction
3.1.2 Introduction to mapping

Map and Mapping

(1) map is a spatial model of robot's environment

(2) mapping is a process for building a map

(3) consideration for mapping

     - map representation

     - avalable sensors

     - purpose of mapping 

 

Type of map:

(1) metric map : a localization is represented as a coordinate

(2) topological : Locations are represented as nodes and their connectivity as arcs. Only the connectivity between nodes matter. Graph representation  is useful for path planning.

(3) semantic map : semantic map is a map with labels.

 

What make it challengin?

- Noisy measurement in local coordinate

- Motion involved

- Change over time

 

3.2 occupancy grid mapping

3.2.1 occupancy grid map

 

 

 

 

 

3.2.2 log-odd update

在贝叶斯框架下根据观测模型直接更新每个珊格的占据概率是困难的,引入一个新的变量Odd,赢率,其含义为某件事发生的概率与不发生的概率之比。

 

 

 

 

取对数,获得odd的更新方法,即每次观测后都更新先验地图,获得的后验地图将作为下一时刻的先验地图,以此方式不断迭代。

 

 

 

例题:

 

 

 

3.2.3 handling range sensor

 

 

 

  

 

注意,我觉得[2,2]矩阵里面的sin前面不应该加负号

 

采用Bresenham算法搜寻所有被激光穿过的珊格。

 

对于多束激光的场景

 

3.2.4 2D occupancy grid mapping

 

3.3 3D mapping

The pros and cons of map representations

珊格地图的优点是查找方便,计算复杂度小。每次添加新的测量数据,可以计算出新数据所对应的珊格,按珊格索引添加到珊格地图中。

 

 

采用”树“数据结构来管理地图数据

 

kd-tree。视频中把kd-tree介绍的很清楚。

 

octree

 

转载于:https://www.cnblogs.com/gdut-gordon/p/10209446.html

作者:Timothy D. Barfoot ,最新2018高清资源,完整395页,持续更新。 版权归作者所有,任何形式转载请联系作者。 State Estimation for Robotics早已在SLAM领域广为流传,几乎是SLAM入门必读的经典书籍之一。本书深入讲解了状态估计的机理、三维几何学基础、矩阵李群以及位姿和点的估计方法等,尤其对基于滤波器的状态估计方法的介绍全面深刻。现在在高翔、颜沁睿、刘富强等十多位SLAM专家、爱好者的共同努力下,中文译本《机器人学中的状态估计》也终于得以面世。这对于国内广大SLAM爱好者来说,可谓一大福音,值得隆重推荐。 ——浙江大学教授,CAD & CG国家重点实验室计算机视觉团队带头人,章国锋 State Estimation for Robotics是加拿大多伦多大学Barfoot教授的名著,也是机器人方向的经典教材之一。该书侧重数学基础,先花了三分之二的篇幅来介绍概率、几何方面的基础知识,最后又回到应用问题,详细介绍了基于点云和图像的姿态估计。 这是一本难得的既注重基础又顾及前沿研究问题的教材。书的译者是一群对机器人技术富有激情的年轻人,他们中的许多人在计算机视觉、机器人等科研领域开始崭露头角。这本译作倾注了他们的满腔热忱和对国内技术发展的期望。 ——加拿大西蒙弗雷泽大学终身教授,谭平 本书介绍了机器人领域的重要核心技术——状态估计。这本书不只介绍了一些传统的经典算法,也涉及了最新的行业进展和应用,同时还传授了一些基础的数学工具。本书使用严谨的数学语言,同时又深入浅出,是初学者不可多得的良师益友。 ——自动驾驶公司AutoX创始人,原美国普林斯顿大学计算机视觉机器人实验室主任,麻省理工学院博士 肖健雄
<think> 嗯,用户需要的是偏向计算机方向知识的工业机器人基础快速入门教程。看起来用户可能是个计算机背景的学习者,想转向工业机器人领域,但又不希望重复学习机械电子等传统内容。 用户引用的两段材料挺有意思的。第一段提到计算机视觉学习路径的选择困难,第二段讲视觉SLAM的学习曲线陡峭。这说明用户可能已经接触过一些机器人相关技术,意识到系统化学习的重要性。用户特意强调"偏向计算机方向",说明希望跳过硬件细节,聚焦在算法、编程和系统集成层面。 工业机器人确实很适合计算机背景的人切入,因为现代机器人系统核心就是软件。可以从三个层面构建知识框架:首先是机器人操作系统(ROS)这类基础平台,然后是运动控制和感知算法这些中层理论,最后是仿真和部署实践。用户提到"快速入门",所以应该侧重可立即实操的内容,比如Gazebo仿真和ROS控制包。 用户引用的材料里提到"兴趣支持小白持续走下去",这点很重要。工业机器人学习容易卡在动力学建模这种数学难关上,应该优先推荐能快速做出小成果的实践路径,比如第一天就让机械臂在仿真里动起来,保持学习动力。 上次对话历史显示用户接受过LaTeX格式的数学公式,这次回复里的运动学方程可以用$$q=f(\theta)$$这种独立公式呈现,但控制算法部分的行内公式要保持$K_p$格式。需要确保所有数学表达都严格遵循系统指令的格式规范。 </think> 以下是为计算机背景学习者设计的工业机器人基础快速入门路径,聚焦软件控制、感知系统及算法实现: ### 一、核心知识体系(计算机视角) 1. **机器人操作系统** - ROS/ROS2基础架构(节点/话题/服务) - 关键工具:`RViz`可视化、`Gazebo`仿真平台 ```bash # 示例:启动机械臂仿真环境 roslaunch ur_gazebo ur5e_bringup.launch ``` 2. **运动控制基础** - 正/逆运动学求解:$$ q = f(\theta) $$ - 轨迹规划算法:RRT*/OMPL库应用 - 控制接口实践:通过ROS控制机器人关节 ```python # PyBullet逆运动学求解示例 ik_solution = pybullet.calculateInverseKinematics( robot_id, end_effector_link, target_position) ``` 3. **感知系统集成** - 相机标定:张正友标定法实现 - 3D视觉处理:点云配准(ICP算法) - 手眼标定:$^C{T}_E$变换矩阵求解 --- ### 二、高效学习路径 1. **基础阶段(1-2周)** - 教材:《ROS机器人编程实践》+ [ROS官方文档](https://docs.ros.org) - 实验:在Gazebo中实现UR5机械臂抓取仿真 2. **进阶阶段(2-3周)** - 学习MoveIt!运动规划框架 - 实践:用OpenCV实现AR标记物姿态估计 ```python # 识别AprilTag并获取位姿 detector = Detector() poses = detector.detect(image, camera_matrix) ``` 3. **实战阶段(3-4周)** - 项目:部署视觉伺服控制(Visual Servoing) - 集成:将YOLO目标检测接入ROS控制流 --- ### 三、关键工具栈 | 工具类型 | 推荐选择 | 应用场景 | |----------------|-------------------------|-----------------------| | 仿真平台 | Gazebo/CoppeliaSim | 算法验证安全测试 | | 视觉处理 | OpenCV/PCL | 物体识别点云处理 | | 深度学习框架 | PyTorch+ROS TorchServe | 视觉感知模型部署 | | 控制中间件 | ROS Control + MoveIt! | 运动规划执行 | --- ### 四、典型问题解决方案 **场景:** 机械臂无序抓取 1. 通过Mask R-CNN分割工件 2. 利用PPO算法训练抓取策略 3. 使用ROS-TF构建工件坐标系:$$ ^{base}T_{object} = ^{base}T_{camera} \cdot ^{camera}T_{object} $$ 4. 通过MoveIt!生成避障轨迹[^1]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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