我可以使用哪种算法使用多个超声波传感器来构建探索区域的地图？

如今，超声波传感器非常便宜，这使其成为许多业余机器人应用的流行选择，我想在机器人周围使用一堆传感器（例如10个），并使用算法来构建区域的粗略地图（例如机器人会探索它。）在此阶段，我对处理移动物体不感兴趣，只是精确定位静止的物体，而我将使用GPS进行定位。我意识到诸如激光扫描仪之类的其他组件将产生更加准确的结果，但是这种设备在天文上也更加昂贵。

是否存在用于此目的的算法？

无论使用哪种传感器，算法基本相同。

克里斯谈到的真正问题是，即使使用非常好的传感器，SLAM也很难。

我认为GPS，车轮里程计和IMU甚至是尝试用超声波猛击的必要条件。

如果您只是在寻找便宜的本地化产品，我建议您同时查看基于视觉/ kinect的猛击技术。网络摄像头和kinect都很便宜，视觉冲击已经走了很长一段路。

就传感器性能/成本而言，只要您在室内，kinect几乎就是圣杯。

这是机器人上的Kinect实例以及大量数学运算的示例：http : //www.youtube.com/watch?v= 9Y4RQVpp-BY

有关此主题的文献全都有。最普遍的想法是同时定位和映射（SLAM），即机器人必须在将自己定位在地图中的同时构建地图。根据您希望地图的精确度，您可以尝试创建一个占用网格图的简单问题，假设您知道机器人的位置。

通常，GPS太可怕了，因此仅将GPS用作主要位置源来生成占用栅格，就会生成漂亮的模糊地图。但是，可以将GPS与加速度，陀螺仪，指南针，照相机，车轮编码器和其他传感器集成在一起，以在世界范围内找到合适的位置。否则，您将需要研究一个简单的SLAM系统来解决您的问题。

一个很好的开源软件包g2o，用于所谓的GraphSLAM，允许您放置GPS等约束以及与墙的相对位置。它可能不完全合适，但是很笼统。

要进行SLAM，您需要相对良好的位置估计。

使用激光扫描仪的机器人可以仅使用里程计，因为数据相对准确，并且可以使用扫描仪数据来帮助在后续时间步中进行定位。

超声波传感器非常模糊，通常方向模糊度超过20度，任何方向上的东西都会被检测到。

因此，它们在帮助本地化方面的帮助微不足道（非常结构化的环境除外）。

GPS / IMU组合可用于获得合理的定位。当然，这取决于机器人的规模，如果在室内，GPS可能不实用。

如果您能够仔细控制车轮打滑，则车轮里程计可在短期内显着改善定位（尽管首选绝对定位方法）。如果没有绝对参考（例如GPS），即使使用激光扫描仪，您也将需要能够解决“闭环”问题。

结构化环境可能具有较低的精度要求。例如，在迷宫般的环境中，墙壁具有规则的正方形网格距离，在这里可以很容易地检测到网格单元每个方向上的墙壁。