自主移动机器人的定位与地图创建（SLAM）关键性问题

的先验概率，给实际应用造成了困难。

2.3定位与环境特征提取
移动机器人自定位与环境建模问题是紧密相关的。环境模型的准确性依赖于定位精度，而定位的实现又离不开环境模型。在未知环境中，机器人没有什么参照物，只能依靠自己并不十分准确的传感器来获取外界信息，如同一个盲人在一个陌生环境中摸索的情况。这种情况下，定位是比较困难的。有地图的定位和有定位的地图创建都是容易解决的，但无地图的定位和未解决定位的地图创建如同"鸡--蛋"问题，无从下手。已有的研究中对这类问题的解决方法可分为两类：

1） 利用自身携带的多种内部传感器（包括里程仪、罗盘、加速度计等），通过多种传感信息的融合减少定位的误差，使用的融合算法多为基于卡尔曼滤波的方法。这类方法由于没有参考外部信息，在长时间的漫游后误差的积累会比较大。

2） 在依靠内部传感器估计自身运动的同时，使用外部传感器（如激光测距仪、视觉等）感知环境，对获得的信息进行分析提取环境特征并保存，在下一步通过对环境特征的比较对自身位置进行校正。但这种方法依赖于能够取得环境特征。环境特征提取的方法有：

（1） Hough transform是一类基于灰度图检测直线和其他曲线的方法。该方法需要一簇能被搜索的预先准备的特定曲线，并根据显示的灰度图中一簇曲线产生曲线参数。

（2） Clustering分析是一种数据探测工具，对于未分类样例是有效的，同时，它的目标就是把所针对对象分组成自然类别或基于相似性或距离的簇类。在被提取对象类别未知的情况中，簇技术是一类比HoughTransform更有效的技术。簇类应是以"凝聚"为中心，而不是支离破碎的、不相交的。而环境特征有时是很难提取出的，例如：环境特征不够明显时或者传感器信息比较少，难以从一次感知信息中获得环境特征。

2.4数据关联
数据关联是对两个特征标志进行匹配，确定它们是否对应环境中的同一物体。SLAM中的数据关联主要需要完成三个任务：1）新特征标志的检测2）特征标志的匹配3）地图之间的匹配。虽然在目标跟踪、传感融合等领域，数据关联已经得到较好的解决，但是这些方法的计算量大，不能满足SLAM的实时性要求。实现m个标志与拥有n个标志的地图之间的数据关联的复杂度与m之间呈指数关系，假设每个观测到的标志i有 个可能的匹配，那么对于m个标志需要在指数空间 = 中搜索正确的匹配。数据关联的搜索空间与环境的复杂程度以及机器人的定位误差有关，环境的复杂程度的增加会使m增大，而误差的增大会使Ni 增大。

2.5累积误差
SLAM中的误差主要来自三个方面：1）观测误差2）里程计的误差3）错误的数据关联带来的误差。当机器人在已知地图的环境中进行定位时，机器人可以通过观测位置已知的特征标志对里程计的误差进行补偿，每一次观测使机器人的位置误差趋向于观测误差与特征标志的位置误差之和。然而在SLAM中，由于机器人的位置和环境中的特征标志的位置都是未知的，观测信息不能有效纠正里程计的误差，机器人的位置误差随着机器人的运动距离而增大。而机器人的位置误差的增大将导致错误的数据关联，从而增大特征标志的位置误差：反过来，特征标志的误差又将增大机器人的位置误差。因此，机器人的位置误差与特征标志的位置误差密切相关。它们之间的相互影响使机器人和特征标志的位置估计产生累计误差，难以保证地图的一致性。

3.SLAM的实现方法
目前SLAM方法大致可分为两类：1）基于概率模型的方法：基于卡尔曼滤波的完全SLAM、压缩滤波、FastSLAM等2）非概率模型方法：SM-SLAM、扫描匹配、数据融合(dataassociaTIon)、基于模糊逻辑等。

3.1基于卡尔曼滤波器的实现方法
从统计学的观点看，SLAM是一个滤波问题，也就是根据系统的初始状态和从0到t时刻的观测信息与控制信息（里程计的读数）估计系统的当前状态。在SLAM中，系统的状态 = ，由机器人的位姿r和地图信息m组成（包含各特征标志的位置信息）。假设系统的运动模型和观测模型是带高斯噪声的线性模型，系统的状态 服从高斯分布，那SLAM可以采用卡尔曼滤波器来实现。基于卡尔曼滤波器的SLAM 包括系统状态预测和更新两步，同时还需要进行地图信息的管理，如：新特征标志的加入与特征标志的删除等。

卡尔曼滤波器假设系统是线性系统，但是实际中机器人的运动模型与观测模型是非线性的。因此通常采用扩展卡尔曼滤波器（Extended Kalman Filter），扩展卡尔曼滤波器通过一阶泰勒展开来近似表示非线性模型。另一种适用于非线性模型的卡尔曼滤波器是UK