水下机器人EKF-SLAM算法-visionouc-中国海洋大学

水下机器人EKF_SLAM算法报告人：邵欣慧2015年6月30日马航事件2014年3月8日8时26分，中新社电：马来西亚航空公司表示，一架载有239人的飞机失去联系。“Bluefin-21”（蓝鳍金枪鱼）世界上最先进的AUV水下机器人介绍1目录国内外研究现状2SLAM介绍3EKF介绍4程序演示5水下机器人介绍1世界许多国家开始研制多种不同结构和功能的水下机器人。20世纪50年代至今1.1分类：浮游爬行拖拽附着水下机器人有缆遥控ROV无缆自治AUV预编程智能水下滑翔机水下机器人介绍11）ROV（RemoteOperatedVehicle）：无人遥控潜水器，系统组成包括：动力推进器、遥控电子通讯装置、黑白或彩色摄像头、摄像俯仰云台、实时在线显示单元、导航定位装置、自动舵手导航单元等单元部件。2）AUV（AutonomousUnderwaterVehicle）：是指新一代水下机器人，具有活动范围大、机动性好、安全、智能化等优点，成为完成各种水下任务的重要工具。无缆水下机器人具有活动范围不受电缆限制，隐蔽性好等优点。3）水下滑翔机水下滑翔机是一种新型的水下机器人。由于其利用净浮力和姿态角调整获得推进力，能源消耗极小，缺点是速度慢。1.2定义2020/10/30水下机器人介绍11.3难点：1)水下环境多变2)缺乏海底地图3）电池问题4）信息传输问题1.4应用领域：1）军用：武器打捞、清除水雷、海底搜救、发现入侵者等2）民用：海底打捞、海上石油天然气开发、海底伐木、大坝和水路及港口检测、水产养殖、水下训练和航运及核设施检查等3）科研：海洋探测、海底观察、绘制海底地图等水下机器人介绍1国内外研究现状22.1.1国外研究现状国外水下机器人美国、加拿大、英国、法国、德国、意大利、俄罗斯、日本等国处于领先地位。具有代表性的有如下几个研究单位：1）美国麻省理工学院的SeaGrant‘sAUV实验室、MarineRoboticsGroup2）美国海军研究生院（NavalPostgraduateSchool）的智能水下运载器研究中心3）美国夏威夷大学的自动化系统实验室（AutonomousSystemsLaboratory）4）英国的海事技术中心（MarineTechnologyCenter）5）日本东京大学的机器人应用实验室6）悉尼大学国内外研究现状22.1.1国外研究现状美国海军研究生院凤凰号OdysseyIV水下机器人美国麻省理工学院国内外研究现状22.1.1国外研究现状美国航天局喷气推进实验室SOLO-TRECREMUS100WoodsHoleOceanographicInstitution国内外研究现状22.1.1国外研究现状OceanServerIver2AUVGavia加拿大英属哥伦比亚大学国内外研究现状22.1.1国外研究现状夏威夷大学ODINTantanAUV日本东京大学国内外研究现状22.1.1国外研究现状英国Autosub-1Autosub6000国内外研究现状22.1.2国内研究现状国内虽然研究水下机器人的单位不多，例如:1)中科院沈阳自动化所2)上海交通大学3)哈尔滨工业大学4)哈尔滨工程大学5)东北大学6)中国海洋大学7)浙江大学8)华中科技大学9)天津大学国内外研究现状22.1.2国内研究现状中科院沈阳自动化研究所“探索者”“潜龙一号”国内外研究现状22.1.2国内研究现状天津大学国内外研究现状22.1.2国内研究现状中国海洋大学C-Ranger-1C-Ranger-2（神龙号）旗鱼-2SLAM介绍3实时定位与地图构建算法（SLAM算法）解决SLAM问题：关于机器人定位与地图建模问题EKF-SLAMUKF-SLAMiSAMSEIF…用扩展卡尔曼滤波理论来解决SLAM问题SLAM介绍3机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和已建立的地图进行自身定位,同时在自身定位的基础上建造增量式地图SLAM问题SLAM（simultaneouslocalizationandmapping）：实时定位与地图构建，是实现真正全自主移动机器人的关键。3.1SLAM介绍33.2SLAM部分应用谷歌无人车火星探测机器人石油勘探机器人SLAM介绍3SPLAM3.3关系图SLAM介绍3SLAM问题1）定位2）地图表示相关问题1）环境特征的提取2）数据关联3）噪声的处理3.4问题与难点：SLAM介绍33.5SLAM模型信度网模型因子图模型不可控马尔科夫模型SLAM介绍33.6信度网模型位姿向量路标向量控制向量观测向量所有变量和测量值的联合概率表示KkkkkMiiiiljxizPuxxPxPZULXP1110),(,)(),,,(wuxfxiiiii),(1运动方程可以表示为：观测方程可以表示为：vljxihzkkkkk),(EKF-SLAM44.1滤波发展史传统滤波维纳滤波卡尔曼滤波扩展卡尔曼滤波信号、噪声不同频带平稳随机噪声线性状态空间非线性空间数据融合的一种方法….EKF-SLAM44.2扩展卡尔曼滤波ExtendedKalmanFilter，简称EKF，将卡尔曼滤波理论进一步应用到非线性领域。EKF-SLAM44.2.1EKF状态预测—k时刻,,,(,,,,,)TkkkkxkykzkXxyzVVV例如：,,,(,,)TkxkykzkUaaa1,kkX1,1,kkkkkkkkWXXBU1,1,1,kkkTTkkkkkkkPPBQB预测k+1时刻的状态：预测k+1时刻的协方差：1,kkkB过程雅阁比矩阵（系数阵）kW过程噪声kX状态向量kU控制输入1kP协方差矩阵kQ过程噪声协方差状态预测向量EKF-SLAM44.2.2EKF状态修正—k+1时刻1111,111,1[]kTTkkkkkkkkKPHHPHR卡尔曼系数：11,1,111[]kkkkkkkkXXKZHX1111,[]kkkkkPIKHP状态更新：协方差更新：1kH测量系数阵1kR测量噪声协方差1kK卡尔曼增益新息,,,(,,)TkxkykzkZVVV例如：EKF-SLAM44.3EKF-SLAM机器人位姿预测---k时刻机器人观测路标---k+1时刻考虑数据关联的同时，修正预测的位姿EKF-SLAM4机器人路标K时刻：①通过运动模型，预测K+1时刻的位姿；②通过观测模型，计算当前扫描路标的位置；③计算协方差矩阵；K+1时刻：①观测路标，通过数据关联判断是否是先前观测过的路标。②通过观测模型和已存储的路标来推算当前的位姿。③用计算出来的位姿来修正预测的位姿，同时用预测的位姿来修正路标的位置，完成画图。EKF-SLAM44.3EKF-SLAM状态预测传感器测量数据关联否是状态更新状态扩充Thankyou!程序演示