SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Simultaneous Localization and Mapping

blythe-blackburn avatar
blythe-blackburn
8 diapositives · 359 Views · Nov 12, 2014

Simultaneous Localization and Mapping. (SLAM). Localization. Perfect Map + Observations with errors = Pretty good Localization (Average out errors in observations, look for a place on the map that matches our observations). Mapping. Perfect Localization + Observations with errors =

Simultaneous Localization and Mapping - slide 1
01 / 8Simultaneous Localization and Mapping
1 / 17

Télécharger la présentation

Simultaneous Localization and Mapping
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Simultaneous Localization and Mapping (SLAM)

  2. Localization Perfect Map + Observations with errors = Pretty good Localization (Average out errors in observations, look for a place on the map that matches our observations)

  3. Mapping Perfect Localization + Observations with errors = Pretty good map (Average out errors, add new observations to the map)

  4. Perfect Map Perfect Localization Unfortunately, we don’t usually have either of these. • Often, we want to build the map as we go • GPS isn’t perfect, wheel rotation sensors aren’t either

  5. http://robotics.jacobs-university.de/sites/default/files/images/mappingfinal-back-kob.jpghttp://robotics.jacobs-university.de/sites/default/files/images/mappingfinal-back-kob.jpg

  6. SLAM • How do we estimate localization and map at the same time? • Explore multiple (path, map) possibilities • For each, keep track of: • After each update, return the (path, map) combination with the highest probability.

  7. How do we calculate those probabilities? • Kalman Filters • Particle Filters • Bayesian networks

  8. References • Russel, Stuart. Norvig, Peter. Artifical Intelligence: A Modern Approach • Chapter 15 talks about kalman filters, etc. • Chapter 25 talks about SLAM • Thrun, Sebastian, et. all. Probabilistic Robotics • Slides at http://www.probabilistic-robotics.org/ • Thrun, Sebastian. Videos and Animations. http://robots.stanford.edu/videos.html