【论文笔记】Gmapping

论文题目：

Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters

Improving Grid-based SLAM with Rao-Blackwellized Particle Filters by Adaptive Proposals and Selective Resampling

 

相关知识：

1.地图表示方法

占据栅格地图：可以表示任意特征和细节，但是计算量大且需要大量内存。

拓扑地图和基于地标的地图：紧凑，但是特征需要预先定义。

2.位姿估计算法：

扩展卡尔曼滤波 EKF：估计基于标志性地图和机器人姿势完全相关的后验。但是必须对机器人运动模型和传感器噪声做出强有力的假设，且假设地标是唯一可识别的。

最大似然算法：构建机器人姿势之间空间约束的关系网络，再利用传感器读数历史来计算最可能的映射。

Rao-Blackwellized粒子滤波器 RBPF：每个粒子代表可能的机器人轨迹和地图。

 

原理：RBPF （Rao-Blackwellized 粒子滤波）

解决的问题：

1.RBPF算法在建立精确的地图时，需要的粒子数多，复杂度高；

2.重采样过程中会潜在地淘汰一些正确的粒子，也叫粒子耗散（Particle Depletion/Particle Impoverishment）。

解决方法：

1.通过似然评估传感器数据和里程计数据得到的可能位姿，计算得到建议分布（Proposal Distribution）；

2.自适应重采样，允许我们仅在需要时执行重采样步骤，并以这种方式保持合理的粒子多样性。高度准确的Proposal Distribution允许利用有效粒子的数量作为鲁棒指标来决定是否进行重采样。

效果：

1. 更有效的方式绘制粒子，建图更准确；

2.当前观察结合到各个地图中，显着降低了估计误差，因此需要用来表示后验的粒子数也减少了；

3.保持了粒子多样性同时减缓粒子退化。