本文主要是介绍「 机器人学 」“里程计/仪技术”浅谈，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、前言
它的功能就是利用传感器的数据来推算机器人位置随时间的变化，常用的传感器类型有编码器、惯性测量单元和视觉传感器等。理论上里程计数据不存在任何误差。
二、里程计模型
里程计模型分为圆弧模型和直线模型两种。圆弧模型同时考虑了机器人的位移变化和航向角的变化，更加接近机器人的运动轨迹。直线模型是假设机器人在极短时间内航向角的变化为零，是对圆弧模型的一种简化。
直线模型适用于对机器人位姿要求不很精确的情况，可以有效降低计算复杂度，利于计算机编程。当编码器采样频率足够高的时候，两种模型均能满足系统要求。简单地说，就是硬件方面钱花到位了，算法方面的要求就降低了。
三、里程计的局部精确性
里程计短距离内数据稳定且相对精确，误差比较小，因此里程计数据可以提供足够的信息去过滤某些观察数据。里程计数据来源于机器人内部传感器数值，不依赖于外界环境的观察，环境的动态性对其没有影响。激光观测数据易受到环境遮挡，而里程计数据的测量值和精度都不受动态环境影响。也即里程计相对于激光传感器的优势。
四、里程计的误差分析
里程计的误差主要分为系统误差与非系统误差。
- 系统误差主要包括：车轮间距与标称值的差异、车轮安装的位置偏差以及两轮的大小差异等。
- 非系统误差主要包括：路面的不平整、车轮打滑、意外的碰撞等。
五、VIO惯性视觉里程仪框架
目前VIO框架已经定型为两大类：松耦合和紧耦合。
- 松耦合是指，IMU和相机分别进行自身的运动估计，然后对它们的位姿估计结果进行融合。
- 紧耦合是指，把IMU的状态和相机的状态合并在一起，共同构建运动方程和观测方程，然后进行状态估计。
紧耦合理论也必将分为基于滤波和基于优化的两个方向。值得一提的是，尽管在纯视觉SLAM中，优化方法已经占了主流，但在VIO中，由于IMU的数据频率非常高，对状态进行优化需要的计算量就更大，因此VIO领域目前仍处于滤波与优化并存的阶段。
这篇关于「 机器人学 」“里程计/仪技术”浅谈的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
