SLAM技术的最佳解决办法

针对概率SLAM问题的求解方式，关键在于构建一种能够有效表达观测模型（2）与运动模型（3）的表述形式，从而实现对式（4）和式（5）中先验与后验概率分布的高效连续计算。截至目前为止，最为普遍的形式是基于状态空间模型的一种结构，其中包含加性高斯噪声，这种设定促使人们采用扩展卡尔曼滤波器（EKF）作为解决SLAM问题的方法。另一种具有重要意义的表述方式，则是将式（3）中描述机器人运动模型的部分转化为一系列样本点，这些样本点适用于更为广泛的非高斯概率分布场景。这一思路推动了Rao-Blackwellized粒子滤波器，即FastSLAM算法的应用。显然，EKF-SLAM与FastSLAM均是当前较为重要的两种解决方案，并且还存在一些更新的研究成果也展现出良好的应用前景。例如基于信息状态形式的方法已被提出，并在相关文献中有所阐述[S. Thrun, Y. Liu, D. Koller, A. Ng, and H. Durrant-Whyte, “Simultaneous localisation and mapping with sparse extended information filters,” Int. J. Robot. Res., vol. 23, no. 7–8, pp. 693–716, 2004]。相关内容将在本教材Part II部分进行更深入的探讨。

EKF-