传统机器人导航模块
造价高（一个激光模块1W圆），结构物复杂，功耗大





来源：

一个标准的SLAM系统
一个完整SLAM和导航系统的主要构架中SLAM核心就3个步骤：第一个部分称为预处理，也就是对激光雷达原始数据所优化，剔除一些有问题的数据，或者进行滤波。随后，要进行一个很关键的部分，叫做匹配。也就是说把当前这一个局部环境的点云数据在已经建立地图上寻找到对应的位置。


 

https://www.leiphone.com/news/201606/EVtHxJ6FrLUZ2FdX.html
 
 
一种简单的RGB-DSLAM原理框图

整个SLAM大概可以分为前端和后端，前端做配准，研究不同帧之间的变换关系。
前端相当于VO（视觉里程计），研究帧与帧之间变换关系。首先提取每帧图像特征点，利用相邻帧图像，进行特征点匹配，然后利用RANSAC去除大噪声，然后进行匹配，得到一个pose信息（位置和姿态），同时可以利用IMU（Inertial measurement unit惯性测量单元）提供的姿态信息进行滤波融合
后端则主要是对前端出结果进行优化，利用滤波理论（EKF、UKF、PF）、或者优化理论TORO、G2O进行树或者图的优化。最终得到最优的位姿估计。
后端这边难点比较多，涉及到的数学知识也比较多，总的来说大家已经慢慢抛弃传统的滤波理论走向图优化去了。
vSLAM在机器人上的应用最难的就是产品化和成本上的考虑，好在机器人的vSLAM不需要特别高的实时性，也没有VR、AR令人难受的眩晕效应，不需要将计算速率提的特别高，机器人行业的vSLAM是一个真正短期内看得见的爆发点。
配合低频的visual解算，100ms内利用imu纯积分实现高频率的vSLAM姿态输出，基本上可以实现很低jitter的定位定姿。当然这个行业还远没有达到成熟的阶段，比如依然没有合适的芯片，没有覆盖全场景全天候的解决方案，这也是整个slam行业要继续解决下去的问题。
来源：
https://baijia.baidu.com/s?old_id=824525
一文让你从0到1了解SLAM，还有机器人vSLAM！
 
SLAM算法实现的4要素
SLAM算法在实现的时候主要要考虑以下4个方面吧：
1. 地图表示问题，比如dense和sparse都是它的不同表达方式，这个需要根据实际场景需求去抉择
2. 信息感知问题，需要考虑如何全面的感知这个环境，RGBD摄像头FOV通常比较小，但激光雷达比较大
3. 数据关联问题，不同的sensor的数据类型、时间戳、坐标系表达方式各有不同，需要统一处理
4. 定位与构图问题，就是指怎么实现位姿估计和建模，这里面涉及到很多数学问题，物理模型建立，状态估计和优化
其他的还有回环检测问题，探索问题（exploration），以及绑架问题（kidnapping）。
来源
SLAM的前世今生 终于有人说清楚了 | 硬创公开课
https://www.leiphone.com/news/201605/5etiwlnkWnx7x0zb.html
 
SLAM和路径规划
SLAM更像是一种被动技能。SLAM本身只是在那里默默的去为机器人提供地图和定位信息，但是机器人如果需要进行主动移动，它是需要另外一种技术——运动规划或者路径规划。路径规划和SLAM是一种相互合作的技术。如果没有SLAM为路径规划提供高质量的地图和定位信息，路径规划就会变得非常难以工作。
 
全局路径规划 
Astar 算法：根据地图测算出当前点到目标点的一个距离
 
局部规划
。机器人虽然已经规划出了大致的路径，但是在实际行动的过程中还是会遇到很多突发情况。比如说前面突然出现一个小孩、或者宠物，机器人怎么能在不需要修改之前规划好的路径的前提下，去绕开这些东西呢？大方向还是对的，但是这时候要需要让机器人临时改道，这样一个过程就叫做局部路径规划。这种方法目前也有很多对应的算法来体现，比如说传统上有EFF、目前有动态穿透法的算法来进行。新的算法如D
star算法：允许机器人在探索地图的过程中去时刻规划一个原始轨迹的估计。当地图发生变化的时候机器人能实时地进行调整。
 
路径覆盖
pace coverage，解决如何让机器人能够尽可能的在短时间内去覆盖掉地图中大部分的物体，这点和前面提到的“a点到b点的移动”，在目标和效果上是相反的。
 
来源
http://biz.ingdan.com/knowledge/details-1774.html
 
扫地机器人最重要的三点，是路径规划、清洁能力以及功耗。其中路径规划是众多扫地机器人面临的问题，通常的扫地机器人是没有记忆功能也不会提前进行路径规划，而是随机行进，也就是盲扫
来源：https://www.leiphone.com/news/201511/GKwYbEkc2QGlvp2J.html
 
 
VSLAM用到的测距算法：
1. TOF算法


主要分为脉冲式和相位式两种。这是一种相位式tof的原理，通过采集四个采样点的相位，解算时间差，获得对应pixel的深度信息。

脉冲式是一种更常见的tof测距方法，从传统的工业雷达，到现在炒的比较火的面振tof都大量存在它的踪影。
 
2. 结构光算法
激光投射器通过DOE投射出特征明显的散斑，被红外摄像头捕获，然后解算出深度信息

 
三角测距
通俗说就是通过光学的几何特性，使用计算机视觉方式来求出距离。这种方式好处是只需要传统的摄像头的成像设备。因此成本自然就会降低。
 
 
小米用的激光雷达是一个频率5Hz，360°扫描的激光雷达，所以小米的激光头需要一个旋转电机带动它旋转扫描，不停的刷新扫描到的周围物体的距离，进而进行实时定位与地图构建。激光测距仪不具备360°扫描的功能，就无法完成扫描动作。所以只能测距，不具备雷达功能。
来源https://www.zhihu.com/question/50272626/answer/133858377
 
 
激光雷达SLAM和V-SLAM
 
目前在自主定位与建图方面，比较火的方法主要有两种，一种是利用摄像头进行图像识别，另一种则是利用激光雷达。
 
激光雷达
向目标发射激光探测信号，然后将接收到的从目标反射回来的信号与发射信号进行比较,作适当处理后,就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数。激光的指向性特别好，是目前技术最可靠的的定位技术，而且也最为实用。包括图像法在内，目前市面上没有其他可替代品。
激光雷达向目标发射激光探测信号，然后将接收到的从目标反射回来的信号与发射信号进行比较,作适当处理后,就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数。激光的指向性特别好，是目前技术最可靠的的定位技术，而且也最为实用。包括图像法在内，目前市面上没有其他可替代品。
，激光雷达是通过测量激光飞行时间来测距的，光速乘以激光从发射到反射回来所需的时间，该数值的一半即为两者之间的距离。该原理需要非常精准的时间测量。这里的成本很大。
激光雷达，需要在一秒内完成几千上万次的测量（好的一般都是一秒钟进行2000次）。所以传统激光雷达的价格也非常贵。
 
图像识别导


利用搭载的单目或者双目摄像头扫描周围的环境，利用数学运算和几何、三角法测绘房间的地图。由于图像内含的信息量太大，运算起来比较耗电耗内存，很难做到实时显示。目前很难达到实用的效果。
视觉SLAM这块用的比较多是特征点地图，这种地图记录环境中特征点（或称为关键点）的几何空间位置。这种地图相比栅格地图看起来就不那么直观了。一般通过如GPS、UWB（无载波通信）以及摄像头配合稀疏方式的vSLAM算法产生，优点是相对数据存储量和运算量比较小，在最早的SLAM算法中这种地图多见。

卫星地图：这种直接使用传感器(一般是图像传感器)所构建的直接地图也很少使用，因为它的信息冗余度最大，对于数据存储是很大的挑战，此外，机器人要从中提取出有用的数据要耗费一番周折。
 
而特征点地图又是另一个极端，虽然数据量少，但是它往往不能反应所在环境的一些必须的信息，比如环境中障碍物的位置。因此这类地图基本只能用于定位问题。而要让机器人进行自主壁障和路径规划，就必须依赖其他的地图类型。所以目前其实vSLAM更多解决定位问题，要实现导航，还需要额外配置距离传感器，如激光雷达、超声波来完成。
 
栅格地图，或者Occupancy Map恰好是介于其中，一方面它能表示空间环境中的很多特征，机器人可以用它来进行路径规划，另一方面，它又不直接记录传感器的原始数据，相对实现了空间和时间消耗的最优。因此目前是机器人所广泛应用的地图存储方式。
来源：http://news.zol.com.cn/557/5572001.html
 
机器人对环境地图的描述的方式最常见的为栅格地图(Grid map)或者称为Occupancy Map。这种地图看起来和人们所认知的地图没啥区别。最早由NASA的Alberto Elfes在1989年提出的，在火星探测车上就用到过，其本质是一张位图图片，但其中每个“像素”则表示了实际环境中存在障碍物的概率分布。



一般来说，采用激光雷达、深度摄像头、超声波传感器等可以直接测量距离数据的传感器进行SLAM时，可以使用该地图。这种地图也可以通过距离测量传感器，超声波（早期），激光雷达（现在）绘制出来
 
 
 
与V-SLAM相关的算法
 
通用图优化算法g2o(General Graph Optimization)---：
g2o是一个算法集的C++实现，而并不是在算法理论上的创新，即根据前人求解非线性最小二乘的理论，根据具体的问题，选用最合适的算法。
它是一个平台，你可以加入你自己的线性方程求解器，编写自己的优化目标函数，确定更新的方式
 
姿态融合算法
姿态融合说白了就是将3轴加速度、3轴角速度和3轴磁场强度融合成四元数，再将四元数转化为欧拉角，最后将欧拉角最为控制量输送到所有电机以达控制飞行器姿态的目的。http://www.eepw.com.cn/article/272279.htm
 
ICP算法
（Iterative Closest Point迭代最近点）：点云匹配算法，用于实现匹配。就是在已经拼好的画面中找到相似之处，确定新的一个拼图该放在哪里。ICP算法（IterativeClosest Point）是指一种高层次的基于自由形态曲面的配准方法，在20世纪80年代中期，很多学者开始对点集数据的配准进行了大量研究。1992年，计算计视觉研究者Besl和Mckay介绍了迭代最近点法ICP。ICP配准法主要用于解决基于自由形态曲面的配准问题。
如下图，假设PR（红色块）和RB（蓝色块）是两个点集，该算法就是计算怎么把PB平移旋转，使PB和PR尽量重叠，建立模型的


 
RANSAC算法
是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果
 
区别：
     ICP算法在迭代的时候，点对是已经匹配的；RANSAC算法在迭代的时候，点匹配对是随着优化函数改变的。
来源：http://blog.csdn.net/wishchin/article/details/17505555
 
 
Dead-Reckon
航位推算技术，是在知道当前时刻位置的条件下，通过测量移动的距离和方位，推算下一时刻位置的方法。
 
研究性质的SLAM算法
目前ROS中主流的gmapping、hector slam都是可以拿来做饰演的。
 
门特卡罗方法
以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。
 
 
V-SLAM要解决的关键问题
 
回环问题（loop closure）：
如果匹配算法不足够优秀，或者环境中存在很不巧的干扰，如果机器人绕着环境一圈，就会发现原本是应该闭合的一个环形走廊断开了。比如正常地图应该这样：

 
走廊问题
一般来说，上述的SLAM过程对于运算消耗是巨大的，虽然并没有达到像训练神经网络动用服务器集群那种地步，但传统上需要PC级别的处理器。
另外，除了配备激光雷达外，还需要机器人具有IMU、里程计来为激光雷达提供辅助数据。否则SLAM系统也难以得到运行。总的来说，SLAM算法本身是一个对于外部系统有着多种依赖的算法。这是一个切实的工程问题。我们知道很多机器人，比如扫地机是不可能装一个PC进去的。因此为了让SLAM能在这类设备里运行，除了解决激光雷达成本外，还要对SLAM算法做出很好的优化
 
绑架问题
 
来源：https://www.leiphone.com/news/201606/EVtHxJ6FrLUZ2FdX.html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
速感科技的RGB-D产品
 

ULBrain™三维传感器模组
于2016年10月底推出ULBrain™M-32三维视觉传感器模组，联合上游芯片厂商投入硬件生产线进行定制开发，集成前端计算芯片，内置自主研发的vSLAM芯片算法，可以对前端深度数据实现快速特征提取并获得准确位置姿态信息反馈给上位机直接使用，是目前已知的集成度最高，体积最小并且唯一前端内置视觉算法芯片的三维视觉传感器，可被直接用于VR头戴设备、手机外设、机器人、智能电视、安防监控等领域。
ulrbrain
售价3000元
https://shop163465826.taobao.com/index.htm?spm=2013.1.w5002-14711867393.2.TBVjCw
配置：单核ARM，，双核DSP，9轴IMU， 内存128MB
 


速感科技COO贾小龙通过媒体表示，团队将集中力量推广ULBrain™ M-32这款高端传感器，但同时他们也在准备精度、性能减半，成本也相对更低的低端传感器，从而以多元化的产品协助打通市场，提高企业在机器人应用与服务领域的影响力。对于ULBrain™ M-32何时正式推向市场，贾小龙提到今年年底将有第一批产品对接B端市场的合作伙伴，而随着市场需求的增大和产能的提升，ULBrain™ M-32的成本将有望降低到数百元人民币。
 
 

基本概念
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。 PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1,2个轴正交的平面中方差最大的。依次类推，可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴，我们发现，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。于是，我们可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上，这相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。
参考资料

主成分分析（PCA）原理详解

本文介绍了PCA的基本背景以及方法原理，还是比较通俗易懂的。其实介绍PCA原理的文章有很多，涉及到的数学知识也比较多，建议大家能够摁住一篇文章，仔细阅读下来，好好分析一下，其基本原理还是比较容易理解的。同时改文章也介绍了PCA的推导原理。
机器学习中SVD总结

该文章要介绍了PCA用到的特征值分解的相关知识。
PCA的数学原理

写的不错
机器学习之十七：PCA（主成成分分析）

概述：

    根据控制方式舵机应该称为微型伺服马达。早期在模型上使用最多，主要用于控制模型的舵面，所以俗称舵机。舵机特点是接受一个简单的控制指令就可以自动转到一个比较精确的角度。

注：

微型伺服马达：一个微型伺服马达内部包括了一个小型直流马达;一组变速齿轮组;一个反馈可调电位器;及一块电子控制板。其中，高速转动的直流马达提供了原始动力，带动变速(减速)齿轮组，使之产生高扭力的输出，齿轮组的变速比愈大，伺服马达的输出扭力也愈大，也就是说越能承受更大的重量，但转动的速度也愈低。




原文链接：

微型伺服马达原理与控制


1、舵机的结构：

    舵机简单的说就是集成了直流电机、电机控制器和减速器等，并封装在一个便于安装的外壳里的伺服单元。能够利用简单的输入信号比较精确的转动给定角度的电机系统。舵机安装了一个电位器（或其他角度器）检测输出轴转动角度，控制板根据电位器的信息能比较精确的控制和保持输出轴的角度。这样的直流电机控制方式叫闭环控制。

    舵机的主体结构如图所示：



注：

伺服：在讯号来到之前，转子静止不动；讯号来到之后，转子立即转动；当讯号消失，转子能即时自行停转。由于它的“伺服”性能，因此而得名——伺服系统

闭环控制：闭环控制是指控制论的一个基本概念。指作为被控的输出量以一定方式返回到作为控制的输入端，并对输入端施加控制影响的一种控制关系。带有反馈信息的系统控制方式。

 

2、舵机参数：

2.1舵机转速：

舵机无负载的情况下转过60°角所用的时间

2.2舵机的转矩：

    在舵盘上距离舵盘机轴中心水平距离1cm处，舵机能够带动的物体重量。如图所示。



2.3工作电压：

    一般推荐使用4.8V和6V两种工作状态，舵机的工作电压对；性能有着重大的影响。

 

3.舵机的工作原理：

    如上述的备注所介绍。舵机是一个微型伺服控制系统，使用闭环控制。具体工作原理如图。



    工作原理是控制电路接收信号源的控制脉冲，并驱动电机转动;齿轮组将电机的速度成大倍数缩小，并将电机的输出扭矩放大响应倍数，然后输出;电位器.和齿轮组的末级一起转动，测量舵机轴转动角度;电路板检测并根据电位器判断舵机转动角度，然后控制舵机转动到目标角度或保持在目标角度。模拟舵机需要.一个外部控制器(遥控器的接收机或者单片机)产生脉宽调制信号来告诉舵机转动角度，脉冲宽度是舵机控制器所需的编码信息。舵机的控制脉冲周期20ms,脉宽从0.5ms-2.5ms,分别对应-90度到+90度的位置(对于180°舵机)。如下图.所示:



   

    需要解释的是舵机原来主要用在飞机、汽车、船只模型上，作为方向舵的调节和控制装置。所以，一般的转动范围是45°、60°或者90°，这时候脉冲宽度一般只有1ms-2ms之间。而后舵机开始在机器人上得到大幅度的运用，转动的角度也在根据机器人关节的需要增加到-90°至90°之间,甚至还有-135°至135°之间，脉冲宽度也随之有了变化。对与机器人控制而言，我们一般通过单片机产生PWM信号控制舵机。

其他人的回覆是正确的，我是来补充一下的。
数字、字符串、布尔三者，在JS中称为原始的(primitives)资料类型，再加上null与undefined也是。除了这些类型外，其他的都是对象。(注: ES6的Symbol是新加的原始资料类型)
包装对象
对象中有一类是Number, String, Boolean这三个对象，分别对应数字、字符串、布尔类型，我们称它们为包装对象或包装类型(Wrappers)，很少会直接使用到它们，在很多情况下也尽量避免使用它们。
包装类型与原始资料类型之间的正确转换方式如下:
原始->包装: new Number(123)
包装->原始: (new Number(123)).valueOf()
包装对象是个对象，所以它与原始资料类型并不相同，用typeof与instanceof都可以检测出来:
typeof 123 // "number"
typeof new Number(123) // "object"
123 instanceof Number // false
(new Number(123)) instanceof Number // true
123 === new Number(123) // false
作为对象来进行比较，因为对象是参照的，不同的对象不可能相等:
var a = new Number(123);
var b = new Number(123);
a === b; // false
a == b; // false
var a = 123;
var b = 123;
a === b; // true
a == b; // true
原始资料类型的方法与属性是"借"来的
一个原始的资料类型值，并没有如对象会有属性或方法，原始的资料类型在运算时用的属性与方法，是向包装对象"借来"的用的，这是JS中的设计。例如一个数字的(123).toFixed()，toFixed()实际上是在Number对象原型(prototype)中声明的方法。这可以用简单的代码判断出来:
(123).toFixed === Number.prototype.toFixed // true
"abc".charAt === String.prototype.charAt // true
JS总是会求值出原始资料，而不是包装对象
因为包装对象的设计目的，主要是让原始资料使用，所以在求值过程中，总是会强制转为原始资料而非对象，例如下面的代码:
var a = new Number(12);
var b = a + 3;
typeof b; // number
字符串的情况与数字相似不再多说。
但要注意的是布尔的包装对象Boolean的对象实例，因为对象只有在null与undefined时，才会认定为布尔的false值，布尔包装对象本身是个对象，对象->布尔 都是true，所以new Boolean(false)其实是布尔的true，下面这个代码是有大坑的陷阱:
if(new Boolean(false)){
alert('true!!');
}
如果你头会昏的话，不要用这个new Boolean()的用法就对了
只有使用了valueOf后才是真正的转换布尔值，与上面包装对象与原始资料转换说明的相同:
!!(new Boolean(false))  //true
(new Boolean(false)).valueOf() //false
调用Number、String、Boolean函数，是转换其他类型到这个类型的语法
我有看到有网友们回答了，在不使用new关键字作建构对象实例时，使用像Number(123)这样的语法，这是一种从其他资料类型要转到数字类型的函数调用语法。调用后仍然是原始资料类型，并不会产生包装对象实例，用下面代码来说明:
var a = Number(123);
typeof a; // "number"
var b = Number('1.99');
typeof b; // "number"
在ECMASCript标准中分别都有定义的对照表: ToNumber、ToString、ToBoolean。
不过，一般很少用这种转换函数的调用，书上或网上都有教其他的转换语法，虽然与转换函数仍有细部不同。不过一般情况都很常见。以下举这三种的转换语法:
转为数字
+'123.456' //浮点数，这用的是一元正号(+)，相同于Number('123.456')
~~'123.456' //整数，双波浪符(~)
转为字符串
'' + value //加号是字符串优先，加一个空字符串
转为布尔
!!(0) //双逻辑否(!)