移动机器人入门介绍

移动机器人技术应用：

天上飞的，水里游的，地上跑的，都可以应用移动机器人领域的技术。

比如说，1、工业机器人，搬运机器人（AGV）；2、商用机器人：无人车、无人机、送餐机器人、导览机器人；3、消费类机器人：扫地机。

移动机器人的核心技术紧紧围绕着“感知”、“决策”、“执行”这三方面。

关键技术一：定位与建图（slam）。介绍如下（以下大部分摘自“www.slamcn.org”）：

SLAM是Simultaneous Localization and Mapping的缩写，意为“同时定位与建图”。它是指运动物体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程。目前，SLAM的应用领域主要有机器人、虚拟现实和增强现实。其用途包括传感器自身的定位，以及后续的路径规划、场景理解。

随着传感器种类和安装方式的不同，SLAM的实现方式和难度会有很大差异。按传感器来分，SLAM主要分为激光、视觉两大类。其中，激光SLAM研究较早，理论和工程均比较成熟。视觉方案目前（2016）尚处于实验室研究阶段，极少看到实际产品应用。

SLAM研究自1988年提出以来，已经过了近三十年。早期SLAM研究侧重于使用滤波器理论，最小化运动体位姿和地图的路标点的噪声。21世纪之后，学者们开始借鉴SfM(Structure from Motion)中的方式，以优化理论为基础求解SLAM问题。这种方式取得了一定的成就，并且在视觉SLAM领域中取得了主导地位。

• 激光传感器：激光传感器可以直接获得相对于环境的直接距离信息，从而实现直接相对定位，对于激光传感器的绝对定位及轨迹优化可以在相对定位的基础上进行。
• 视觉传感器：视觉传感器很难直接获得相对于环境的直接距离信息，而必须通过两帧或多帧图像来估计自身的位姿变化，再通过累积位姿变化计算当前位置。这种方法更类似于直接用里程计进行定位，即视觉里程计（Visual Odometry）。里程计的测量积分后才相当于激光传感器直接获得的定位信息，这就是图优化SLAM框架中的前端。而后端对定位和位姿轨迹的优化本质上与激光传感器的优化相同，都基于最优估计的理论框架进行。

关键技术二：规划。

规划包括路径规划和运动规划。规划相关的技术发展较为成熟。

移动机器人常用的路径规划算法有A*、D*等；常用的运动规划有PID、VFF、DWA、PTG等。

关键技术三：控制。

这方面太成熟了，不讲。

关键技术四：结构设计、硬件设计。

略。