軌跡規劃任務是再metric map的基礎上完成的。當然，層次最高的是語意圖，語意圖是未來研究的熱點方向。獲取metric map 的難度最大之處在於：1、感測器雜訊（may be solved by pgm； 2、機械人在移動（location 問題）；
常見的map是基於ugv而言的， 使用的地圖是occupancy map，與之前在軌跡規劃欄目中的圖一樣，以 0 表示無法到達的區域，以 1 表示可以達到的區域。
解決感測器雜訊問題的方法是對感測器進行建模，其模型為概率模型：
此處定義了乙個odd，表示發生與否可能性的比值。換言之，就是感測器出錯的概率比，這是乙個可以估計的量。比如感測器測出有物體的odd是2，沒物體的odd是3.
依據beyes 公式把odd展開：
其中，p(m = 1|z)/p(m = 0/z) 表示的是測量完成後 odd 的值，它等於 此次測量值 + 之前的odd。
換言之，我們只要定義好先驗圖與log-odd-meas，就可以了。
所有的東西總是說起來容易做起來難。即使是如此*****的map，真正coding還是很難的。尤其是如何高效的實現map的更新，此外，機械人每次發出的雷射線達上千條，每個位姿都要更新上前個點。對此問題，我設計了並行演算法，即使在並行的條件下，生成一次map也要近20s.
演算法流程如下：
1、將雷射擊中的點變換到全域性座標系下
2、利用breshenman 演算法，獲取雷射通過的路徑
3、獲取occupied map 與 free map
4、更新map.
左圖是單次測量的圖，也就是機械人乙個位姿的測量結果。顯然，在靠近機械人的地方，雜訊嚴重。右圖是機械人在空間中移動後最終的map。
對於2維地圖，我們採用 free+occupy 的形式儲存空間中的障礙物。然而有障礙物的地方畢竟還是少數，或者說，地圖是稀疏的。
對於3維資料而言，我們用3維的空間來描述顯然不划算，由其是當空間巨大時。此時我們選擇的地圖，或者說是資料結構是kd-tree 與 octree. 此部分內容在點雲相關部落格中有過介紹，不贅述。
機械人學 機械人感知（Location）
location 最大的難度來自於測量誤差。里程計的計數誤差，測量與里程計的不統一等。所以我們需要一種演算法，能夠較高精度的確定機械人的位姿。此處粒子濾波器的作用似乎與卡爾曼濾波器相似，但是粒子濾波器可以有非0的均值 編碼器讀數 可以有非正太分布 你關我怎樣取樣 可以有非線性解 反正是大力出奇蹟，什...
機械人學 機械人視覺（特徵）
上回說到機械人視覺的核心任務是estimation，理論框架是射影幾何理論。在之前的作業中展現了單應變換的巨大威力。然而，整個estimation 的首要條件是已知畫素點座標，尤其是多幅圖中對應點的畫素座標。單幅影象的處理方法都是大路貨了，不贅述。這篇部落格想講講不變點檢測與不變特徵。由於機械人在不...
崑山威創工業機械人 崑山工業機械人學習
工業機械人 傳說中的哈工大與後起之秀尊輝培訓 哈工大，一所存在於北方高校中的傳說，南方高校中的問號，現如今走入崑山，和蘇州尊輝培訓強強聯合，簽訂了機械人聯合辦學的專案合作。關於哈工大，南方的很多同學可能都不是很了解，其實它不僅歷史悠久，其工科機械實力遠超其他類綜合大學，對於一心想尋求專業工業技能培訓...