并行追蹤與制圖（Parallel Tracking and Mapping）簡稱PTAM，于2007年由英國牛津大學主動視覺實驗室的Georg Klein和David Murray提出。PTAM在機器導航，機器探索，人機互動，三維重建等方面都有應用。在這之前已經(jīng)有人嘗試用slam(simultaneous localization and mapping)算法來進行機器探索。PTAM系統(tǒng)主要是通過雙核處理器將追蹤和制圖分開在兩個線程中來實現(xiàn)。追蹤線程用來對相機的位姿進行實時的追蹤，制圖線程用來繪制從視頻幀中觀察得到的特征點以形成三維的地圖，主要是為我們的追蹤線程提供數(shù)據(jù)源，不要求其為實時的操作。兩個獨立線程的應用，使得一些計算復雜的優(yōu)化技術(shù)在不要求實時性的情況下得以運行，從而為機器導航提供了精確性和魯棒性。

1、同時定位與地圖創(chuàng)建允許機器人在未知環(huán)境中，依靠自身所帶的傳感器遞增式地創(chuàng)建環(huán)境地圖，并同時給出機器人所在位置。

2、移動機器人的定位有兩種類型：全局定位/絕對定位(Global/Absolute Localization)和位置跟蹤(Position Tracking)。 全局定位：給定環(huán)境地圖，在沒有其他先驗信息的情況下，機器人依靠自身所帶來的傳感器獲得的信息確定其在地圖中的位置。全局定位用來解決“Lost Robot”問題，對機器人位置進行初始化。全局定位必須要求有一個預先知道的環(huán)境地圖。匹配技術(shù)或數(shù)據(jù)關(guān)聯(lián)方法常用于移動機器人全局定位，通過比較當前的局部地圖信息與全局地圖信息，確定機器人的位置。但是由于環(huán)境的近似性和對稱性，一般的匹配方法不能保證有效地解決全局定位問題。目前，基于貝葉斯濾波技術(shù)的概率方法成為解決全局定位問題的流行方法。通過遞歸地計算在機器人位置空間上的概率分布，來確定機器人在工作環(huán)境中最可能的位置。 位置跟蹤：基于一定的初始信息，對機器人的位置進行跟蹤估計。一般地，可將機器人位姿看作是系統(tǒng)狀態(tài)，運用濾波技術(shù)對機器人的位姿進行濾波估計。最常用的方法是卡爾曼濾波。卡爾曼濾波是一種經(jīng)典的線性最優(yōu)遞歸估計算法。它將機器人的位姿表示為一個高斯概率分布函數(shù)，均值和方差即為機器人的位姿估計及其估計誤差。卡爾曼濾波只能處理高斯線性問題，但是機器人的運動方程及觀測方程一般都是高度分線性的，這大大限制了卡爾曼濾波算法的應用。因此，運用各種不同的近似技術(shù)進行次優(yōu)的濾波估計成為重要的定位手段。 3、同時定位與地圖創(chuàng)建(SLAM) SLAM的動機在于不需要先驗地圖而能精確定位，并且它維持的地圖能夠隨環(huán)境的變化進行擴展和自適應。SLAM通過機器人的傳感器探測環(huán)境特征，然后由機器人的位姿估計特征位置，并把地圖特征存入地圖。當特征被重復觀測時，特征位置的不確定性逐漸降低，此時可用這些特征位置去提高機器人的位姿估計，使得能夠得到收斂的位姿估計與環(huán)境地圖。 ****當機器人探索位置區(qū)域得到特征的相對觀測時，所有特征位置的估計都是相關(guān)的，因為他們都是基于共同的機器人位姿估計誤差**** ****相關(guān)性是得到滿足收斂性估計結(jié)果的關(guān)鍵因素，處理過程中特征相關(guān)性維持的越好，將會得到更好的結(jié)果。**** ****基于狀態(tài)空間的SLAM實際上是一個聯(lián)合狀態(tài)向量的估計問題，該聯(lián)合狀態(tài)向量包括機器人的位姿x及觀測到的的靜態(tài)特征的位置m。在這種比較特殊的結(jié)構(gòu)中，過程模型/運動模型(Process Model/Motion Model)只影響機器人位姿狀態(tài)，而觀測模型(Observation Model)只和單個機器人位姿特征有關(guān)。**** ****幾乎所有的狀態(tài)估計算法都會遇到數(shù)據(jù)關(guān)聯(lián)的問題。SLAM中，數(shù)據(jù)關(guān)聯(lián)用來建立觀測與地圖中已有特征的關(guān)系，但是由于機器人位姿的不確定、特征密度的變化、環(huán)境中動態(tài)目標的干擾及觀測中虛假成分的存在使得關(guān)聯(lián)是一個非常困難、復雜的過程。數(shù)據(jù)關(guān)聯(lián)算法包含以下兩個基本方面：(1)用來檢驗傳感器觀測與地圖特征相容性的條件；(2)從滿足相容性的特征中挑出最佳匹配的選擇標準。**** ****延時地圖創(chuàng)建：只有距離和方位的單個信息不足以確定一個特征的位置，需要機器人多個位置的多個測量才能確定。但是，單個測量產(chǎn)生了一個分高斯分布特征，而多個測量后需要得到一個近似的高斯分布。為了得到近似的高斯分布特征位置估計，可以采用延時初始化，并在延遲的時間段積累測量數(shù)據(jù)。這種延時策略的思想是通過積累信息，延時做出決策以提高魯棒性。為了保證延時數(shù)據(jù)的一致性，需要在狀態(tài)向量中以增廣的方式記錄每一觀測時刻的機器人位姿，并采用一個輔助向量來記錄對應每一個機器人位姿的觀測。**** ****環(huán)境地圖模型：典型的環(huán)境地圖表示方法為特征地圖，環(huán)境模型為由特征點構(gòu)成的環(huán)境地圖，每個特征點用它在全局坐標系中的位置Li來表示。因此，環(huán)境地圖可表示為M=[L1,L2...Ln]。由于SLAM是解決未知環(huán)境中的定位導航問題，所以地圖創(chuàng)建的過程本質(zhì)上是一系列特征點的位置估計問題，并且地圖是不斷更新的，因為特征點的位置將和機器人位姿一起進行估計與更新。**** ****機器人位置模型：定位是對機器人的位姿進行估計的過程，也就是確定機器人在全局坐標系中的位置及車體方向的過程。

總結(jié)

以上是生活随笔為你收集整理的ptam tracking的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。