机器人定位基础（算法组第八课）

前言

  • 机器人定位是在给定环境中，机器人通过对环境数据的感知，估计自身在环境中的位置和姿态的过程

  • 机器人定位大致分为两大类：相对定位和绝对定位

  • 相对定位是通过机器人自身的传感器数据（如里程计、IMU等）来估计位置变化，所有获得的信息都是以当下位置为基准的相对变化，无法获得绝对位置，容易积累误差

常见的相对定位有：轮式编码器、惯性测量单元（IMU）、视觉图像辅助定位等。他们的优点是实时性好，且对环境要求不高，即使在噪声多的情况下也能够做到不“突变”产生较大的测量误差，但是他会随着系统的运行累计小的误差，最终导致误差积累，产生较大漂移

  • 绝对定位是通过外部环境的特征（如视觉标志物、激光地图等）来确定机器人在环境中的绝对位置，能够提供全局一致的位置估计，误差较小，但是实现较为复杂

常见的绝对定位有：SLAM（simultaneous localization and mapping）、重定位（Relocation）、视觉里程计（Visual Odometry）等。他们的优点是能够提供全局一致的位置估计，误差较小，但对环境要求较高，且计算复杂度较大

  • 本篇旨在介绍绝对定位的基础知识，并介绍一些绝对定位方法（尤其是SLAM）常常用到的基础技能

ROS与机器人定位

TF树坐标管理

  • TF树（Transform Tree）是在机器人操作系统（ROS）中使用的一种数据结构，用于跟踪和管理多个坐标系之间的关系，在ROS1中为tf,在ROS2中为tf2。
  • 用户可以定义坐标系（如机器人各部分或传感器）之间的相对位置和方向，并能随时间动态更新这些关系。你可以自行堆叠坐标系树，即可以将一个坐标进行任意坐标系下的变换
  • TF树一般如下图所示：
  • 通过TF树，你可以将安装在机器人上不同位置的传感器数据转换到统一的坐标系下，方便进行数据融合和处理。 （对于定位算法而言，统一坐标系下的数据处理是非常重要的）
  • 当你开始攥写自己的TF树，建议是用C++攥写。Python中导入sensor_msgs等包时会有模块导入问题（待确认）
  • 常用的TF树坐标系有：

动态与静态TF

  • 动态TF是以一定的频率不断刷新发布的新TF,适用于机器人运动过程中不断变化的一段TF关系的维护和发布（通常用于机器人上电点到运行过程中的任意时刻的位置点的位置关系维护）
  • 静态TF是一次性发布的TF,适用于机器人各个部分之间相对位置固定不变的TF关系的维护和发布（通常用于传感器之间，传感器与车体中心，出发点与地图原点这种固定的位置关系维护）

SLAM

  • SLAM（Simultaneous Localization and Mapping）是一种让机器人在未知环境中同时构建地图并定位自身位置的技术。此处仅介绍激光SLAM，视觉SLAM等内容不在本篇介绍范围内。

SLAM的数据源和运作原理

  • SLAM通常依赖于多种传感器数据，如激光雷达（LiDAR）、摄像头（单目、双目或RGB-D）、惯性测量单元（IMU）、GPS等，来感知环境和估计自身运动。

  • 我们用到的激光SLAM的数据源基本只有两种，一种是激光雷达，另一种是IMU。激光雷达提供环境的点云数据（PointCloud2），IMU提供机器人的加速度和角速度的位姿信息。

  • SLAM通过上述的传感器数据，进行当前传感器返回数据的地图构建并且可以和已有地图的进行匹配（回环检测Loop Detection），从而估计机器人的位置和姿态。

重定位以及多功能SLAM实现原理

  • 重定位（Relocation）是指机器人在已经构建好的地图中，通过传感器数据来确定自身在地图中的位置和姿态的过程。并且多功能SLAM支持无论是构建地图还是使用已有地图进行重定位。

  • 首先通过建图算法建立环境的地图，然后在重定位阶段，机器人通过传感器数据与已有地图进行匹配，来确定自身在地图中的位置和姿态。作业任务中的Voxel-SLAM就是多功能SLAM的一个例子。

SLAM的优缺点

  • 优点：

    • 实时性：SLAM算法能够在机器人运动过程中实时构建地图并定位，适用于动态环境
    • 全局性：SLAM能够提供全局一致的地图和定位信息，减少累积误差

  • 同时也有一些缺点：

    • 环境依赖性强：SLAM的性能对环境依赖十分强，在特征稀少会导致严重漂移（SLAM退化）
    • 数据依赖度高：纯SLAM（不加上任何纠正方式），对初始位姿数据要求极高，微小的初始误差会导致整个地图的严重漂移
    • 计算复杂度高：SLAM算法通常计算复杂度较高，对计算资源要求较高
    • 惧怕机器人的剧烈运动，尤其是激光SLAM，SLAM在机器人剧烈运动时大概率会导致短时间的严重漂移，从而导致程序直接起飞

数据融合

  • 数据融合的原因是为了解决单一传感器采集数据的局限性，通过融合多种传感器的数据，可以给定位提供更加全面和准确的数据

  • 目前还没有实践过数据融合的内容，数据融合涉及到传感器的时间同步，数据对齐，融合算法等多个方面的内容。