Esta página se ha traducido mediante traducción automática. Haga clic aquí para ver la última versión en inglés.

Algoritmos de localización

Filtros de partículas, coincidencia de escaneos, localización Montecarlo, gráficos de pose, odometría

Los algoritmos de localización, como la localización de Montecarlo y la comparación de escaneos, estiman su pose en un mapa conocido mediante sensores de distancia o lecturas lidar. Los gráficos de pose realizan un seguimiento de sus poses estimadas y se pueden optimizar en función de las restricciones de los bordes y los cierres de bucles. Para localización y mapeo simultáneos, consulte SLAM.

Funciones

expandir todo

Estimación del estado del filtro de partículas

`stateEstimatorPF`	Crear estimador de estado de filtro de partículas
`resamplingPolicyPF`	Crear un objeto de política de remuestreo con configuración de remuestreo

Coincidencia de escaneo

`matchScans`	Estimar la pose entre dos escaneos láser.
`matchScansGrid`	Estimar la pose entre dos escaneos LIDAR mediante búsqueda basada en cuadrículas
`matchScansLine`	Estimar la pose entre dos escaneos láser usando características de línea (desde R2020a)
`transformScan`	Transformar el escaneo láser según la pose relativa
`lidarScan`	Crear un objeto para almacenar el escaneo LiDAR 2D

Localización de Montecarlo

`monteCarloLocalization`	Localice el robot utilizando datos y mapas del sensor de distancia
`lidarScan`	Crear un objeto para almacenar el escaneo LiDAR 2D
`odometryMotionModel`	Crear un modelo de movimiento de odometría
`likelihoodFieldSensorModel`	Crear un modelo de sensor de rango de campo de probabilidad

Gráficos de pose

`poseGraph`	Crear gráfico de pose 2D
`poseGraph3D`	Crear gráfico de pose en 3D
`poseGraphSolverOptions`	Opciones de solución para la optimización del gráfico de pose (desde R2020b)
`optimizePoseGraph`	Optimizar nodos en el gráfico de pose
`trimLoopClosures`	Optimice el gráfico de pose y elimine cierres de bucle incorrectos (desde R2020b)
`poseplot`	3-D pose plot (desde R2021b)

Gráfico de factores

`factorGraph`	Gráfico bipartito de factores y nodos. (desde R2022a)
`factorGraphSolverOptions`	Opciones de solución para el gráfico de factores (desde R2022a)
`importFactorGraph`	Importar gráfico de factores desde el archivo de registro de g2o (desde R2022a)
`factorIMU`	Convertir lecturas de IMU a factor (desde R2022a)
`factorIMUParameters`	Parámetros de factor IMU (desde R2023a)
`factorGPS`	Factor para medición GPS (desde R2022a)
`factorTwoPoseSE2`	Factor que relaciona dos poses SE(2) (desde R2022a)
`factorTwoPoseSE3`	Factor que relaciona dos poses SE(3) (desde R2022a)
`factorPoseSE2AndPointXY`	Factor que relaciona la posición SE(2) y el punto 2-D (desde R2022b)
`factorPoseSE3AndPointXYZ`	Factor que relaciona la posición SE(3) y el punto 3-D (desde R2022b)
`factorIMUBiasPrior`	Factor previo para el sesgo de IMU (desde R2022a)
`factorVelocity3Prior`	Factor previo para la velocidad 3-D (desde R2022a)
`factorPoseSE3Prior`	Factor previo de estado completo para la pose SE (3) (desde R2022a)
`factorCameraSE3AndPointXYZ`	Factor que relaciona la pose de la cámara SE(3) y el punto 3D (desde R2023a)
`estimateGravityRotation`	Calcule la rotación de la gravedad utilizando mediciones IMU y optimización del gráfico de factores (desde R2023a)
`estimateGravityRotationAndPoseScale`	Calcule la rotación de la gravedad y la escala de pose utilizando mediciones IMU y optimización del gráfico de factores (desde R2023a)

Odometría del codificador de ruedas

`wheelEncoderOdometryAckermann`	Calcule la odometría del vehículo Ackermann utilizando los ticks del codificador de rueda y el ángulo de dirección (desde R2020b)
`wheelEncoderOdometryBicycle`	Calcule la odometría de la bicicleta utilizando los ticks del codificador de rueda y el ángulo de dirección (desde R2020b)
`wheelEncoderOdometryDifferentialDrive`	Calcule la odometría del vehículo con tracción diferencial utilizando ticks del codificador de ruedas (desde R2020b)
`wheelEncoderOdometryUnicycle`	Calcule la odometría del monociclo utilizando tics del codificador de rueda y velocidad angular (desde R2020b)

Temas

Redacte una serie de escaneos láser con cambios de pose
Utilice la función matchScans para calcular la diferencia de pose entre una serie de escaneos láser.
Minimice el rango de búsqueda en la coincidencia de escaneo Lidar basada en cuadrícula usando IMU
Este ejemplo muestra cómo utilizar una unidad de medición inercial (IMU) para minimizar el rango de búsqueda del ángulo de rotación para algoritmos de coincidencia de escaneo.
Algoritmo de localización de Montecarlo
El algoritmo de localización de Monte Carlo (MCL) se utiliza para estimar la posición y orientación de un robot.
Flujo de trabajo del filtro de partículas
Un filtro de partículas es un estimador de estado bayesiano recursivo que utiliza partículas discretas para aproximar la distribución posterior del estado estimado.
Parámetros del filtro de partículas
Para utilizar el filtro de partículas stateEstimatorPF (Robotics System Toolbox) , debe especificar parámetros como el número de partículas, la ubicación inicial de las partículas y el método de estimación del estado.

Ejemplos destacados

Localización de peatones basada en gráficos de factores con sensores IMU y GPS

Este ejemplo muestra cómo estimar la posición de un peatón utilizando datos de sensores registrados de una unidad de medición inercial (IMU) y un receptor del Sistema de posicionamiento global (GPS) y un gráfico de factores.

Abrir script en vivo

SLAM de punto de referencia usando marcadores AprilTag

Este ejemplo muestra cómo combinar datos de odometría del robot y marcadores fiduciales observados llamados AprilTags para estimar mejor la trayectoria del robot y las posiciones de los puntos de referencia en el entorno. El ejemplo utiliza un enfoque de gráfico de pose y un enfoque de gráfico de factores, y compara los dos gráficos.

Abrir script en vivo

Localice TurtleBot utilizando el algoritmo de localización Monte Carlo

Aplique el algoritmo de localización Monte Carlo en un robot TurtleBot® en un entorno Gazebo® simulado.

Abrir script en vivo

Reduzca la deriva en la trayectoria de odometría visual 3D mediante gráficos de pose

Este ejemplo muestra cómo reducir la desviación en la trayectoria estimada (ubicación y orientación) de una cámara monocular mediante la optimización del gráfico de pose 3D. La odometría visual estima la pose global actual de la cámara (cuadro actual). Debido a una mala coincidencia o errores en la triangulación de puntos tridimensionales, las trayectorias de los robots a menudo tienden a desviarse de ground-truth. La detección de cierre de bucle y la optimización del gráfico de pose reducen esta desviación y corrigen los errores.

Abrir script en vivo

Odometría visual-inercial monocular mediante gráfico de factores

La odometría visual-inercial monocular estima la posición y orientación del robot utilizando datos de la cámara y del sensor de la unidad de medición inercial (IMU). La estimación del estado basada en la cámara es precisa durante la navegación a baja velocidad. Sin embargo, la estimación basada en cámaras enfrenta desafíos como el desenfoque de movimiento y la pérdida de seguimiento a velocidades más altas. Además, la estimación basada en una cámara monocular puede estimar poses a una escala arbitraria. Por otro lado, la navegación inercial puede manejar fácilmente la navegación de alta velocidad y estimar poses a escala mundial. Puede combinar las ventajas de ambos tipos de datos de sensores para lograr una mayor precisión mediante la optimización del gráfico de factores estrechamente acoplados. Para lograr un buen rendimiento en el tiempo de ejecución, en cada paso de optimización solo se optimiza una pequeña parte del gráfico de factores completo que contiene solo las mediciones más recientes. Esta variante de optimización de gráficos de factores se conoce popularmente como ventana deslizante u optimización de gráficos parciales.

Abrir script en vivo