Artykuł przedstawia modifikacje algorytmu monokularowego EKF-SLAM (MonoSLAM). Jego działanie rozszerzono o wykorzystanie bezpośrednich pomiarów odległości, które są dostępne dla niektorych współczesnych sensorów wizyjnych. Ponadto zachowano typowy dla monokularowego SLAM mechanizm śledzenia cech o częściowo określonym położeniu. Wykazano, iż taka forma inicjalizacji cech zwiększa skuteczność działania badanego algorytmu, a także dokładność estymacji położenia cech.
EN
The paper present a modification of an existing algorithm - MonoSLAM. It has been altered in order to receive direct information from Kinect and use it to determine the location of point features. This method allows to initialize features, for which distance is possible to be measured, with directly measured values. For other features typical monocular SLAM initialization mechanism is preserved. The gathered results illustrate that this initialization of features significantly improves the functioning of the original algorithm. It does not lose the position of the feature and maps the desired trajectory much better. Reduction of uncertainty of a feature is also much faster.
Praca przedstawia zarys stanu wiedzy w dziedzinie metod jednoczesnej samolokalizacji i budowy mapy dla robotów mobilnych. Uwagę skupiono na metodach probabilistycznych wykorzystujących reprezentację otoczenia w postaci mapy cech. Sformułowano problem SLAM i zaprezentowano jego ogólne, probabilistyczne rozwiązanie oraz algorytm rozwiązania opartego na rozszerzonej filtracji Kalmana (EKF-SLAM). Przedstawiono dyskusję dotyczącą problemów zbieżności, obserwowalności i sterowalności w EKF-SLAM. Zaprezentowano także ważniejsze rozszerzenia algorytmu EKF-SLAM poprawiające jego efektywność obliczeniową i zdolność do rozwiązywania problemu dopasowywania cech do obserwacji. Zasugerowano także kierunki dalszych badań dotyczących problematyki SLAM.
EN
This article provides an introduction to Simultaneous Localization and Mapping (SLAM), with a focus on probabilistic SLAM utilizing feature-based description of the environment. The probabilistic formulation of the SLAM problem is introduced, and a solution based on the Extended Kalman Filter (EKF-SLAM) is shown. Important issues of convergence, consistency, observability, data association and scaling in EKF-SLAM are discussed from both the theoretical and the practical point of view. Major extensions to the basic EKF-SLAM method and some recent advances in SLAM are also discussed briefly.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.