《概率机器人》速度运动模型gmapping中代码解析

一个刚性移动机器人的构型通常用6个变量来描述：他的三维直角坐标系，以及相对外部坐标系的三个欧拉角（RPY 横滚 ，俯仰，偏航），所以那么在平面环境中一般用三个变量既可以描述，称之为位姿。
所以一般而平面上机器人的位姿信息也就是机器人的二维平面坐标（x,y）及其方位角θ，用这个向量来表示：

⎛⎝⎜xyθ⎞⎠⎟

没有方向的位姿就叫做位置（Location）.那我们知道概率运动学中的条件密度是：p(xt|ut,xt−1)
我们都是知道的xt和xt−1都是机器人的位姿，ut是运动控制，所以这个模型描述了对xt−1执行运动控制ut后，机器人索取得的运动学状态的后验分布。

速度运动模型是通过两个速度：平移速度和旋转速度来控制机器人
所以控制ut=(vtwt)
规定逆时针旋转角速度为正，向前运动线速度为正。以下直接给出
motion_model_velocity的伪代码

其中第二行最难理解，虽然我是自我理解了 但是不知道对还是不对，所以还是不写了，上伪代码中的具体含义：初始位姿xt−1=(x y θ)T 控制ut=(v w)T 和假想的后继位姿xt=(x′ y′ θ′)T作为输入，控制以Δt执行，参数α1 α6是机器人的运动误差参数。

对于一些参数的设置：
Motion Model Parameters (all standard deviations of a gaussian noise model) 运动模型的参数 高斯噪声模型的所有标准偏差
- “~/srr” [double] linear noise component (x and y) 线速度的噪声分量
- “~/stt” [double] angular noise component (theta) 角速度的噪声分量
- “~/srt” [double] linear -> angular noise component 线速度与角速度之间的噪声分量
- “~/str” [double] angular -> linear noise component 角速度与线速度的噪声分量

      <param name="srr" value="0.1"/>      <param name="srt" value="0.2"/>      <param name="str" value="0.1"/>      <param name="stt" value="0.2"/>

误差的标准方差与给定速度成正比，指定的误差参数，建立了机器人的准确性模型，一个机器人越不精确，这些参数就会越大。
所以以上是关于基于速度信息计算p(xt|ut,xt−1)的算法。

接下来就是要从运动模型中采样，粒子滤波并不计任意xt,ut，xt−1的后验。采样时，给定ut和xt−1是为了根据从运动模型p(xt|ut,xt−1)产生一个随机的xt,接下来就是根据运动模型的采样算法：

此算法的输入是xt−1和ut根据之前的分布p(xt|ut,xt−1)产生一个随机位姿xt，第2-4行是有运动学模型的误差参数来产生的新的（第5-7行）样本位姿，具体的代码如下实现：

//这里有两个drawFromMotion函数可以用于函数的重载//参数是   输出位姿  线速度  角速度   这其中是要根据《速度运动模型》写函数   具体的理论中文版《概率机器人》P90OrientedPoint MotionModel::drawFromMotion (const OrientedPoint& p, double linearMove, double angularMove) const{    OrientedPoint n(p);//用于存储位姿    double lm=linearMove  + fabs( linearMove ) * sampleGaussian( srr ) + fabs( angularMove ) * sampleGaussian( str ); //加了噪声的线速度对应第2行    double am=angularMove + fabs( linearMove ) * sampleGaussian( srt ) + fabs( angularMove ) * sampleGaussian( stt ); //加了噪声的角速度    n.x+=lm*cos(n.theta+.5*am);    n.y+=lm*sin(n.theta+.5*am);    n.theta+=am;    n.theta=atan2(sin(n.theta), cos(n.theta));    return n;}

以上是主要的根据运动模型的一个代码，很明显里面有一个函数sampleGaussian（）是十分重要的。sampleGaussian（b2）是产生一个方差为b2的以0为中心的分布的一个随机样本。可以通过一下的算法实现

这个算法是从均值为0 方差为b2的近似正态分布和三角分布中采样的算法，其中函数rand(x,y)是在[−b,b]中均匀分布的一个伪随机数的产生器。
那么程序中出现 fabs( linearMove ) * sampleGaussian( srr ) 意思就是产生一个峰值为fabs( linearMove ) 方差为srr的随机样本。这也是为什么这句话中 n.x+=lm*cos(n.theta+.5*am); 为什么乘以0.5的原因。
。
下图给出了采样程序的结果

对比知道第一副是具有中等误差的采样结果，第二幅图是具有较小的角度误差和较大的平移误差的采样结果，第三图是具有较大的角度误差，较小的平移误差的结果。

*这是我个人的理解，可能有一些偏差，或者错误，有错误还请指正，当然不喜勿喷