论文部分内容阅读
SLAM与定位导航技术是机器人智能化的关键技术,本论文主要针对AGV机器人在未知环境中的SLAM及定位导航做研究。论文的实验平台采用移动机器人Turtlebot作为AGV的本体,采用RPLIDAR激光传感器作为外部环境感知传感器,机器人驱动轮的编码器(里程计)作为内部传感器。在ROS(Robot Operating System)平台上搭建实验框架,并对不同的SLAM与定位导航算法做仿真和验证。本文主要工作如下:首先,介绍基于ROS框架的AGV机器人硬件平台和软件平台,分析了机器人的系统模型,包括坐标系模型、运动模型和激光传感器模型等;对SLAM理论背景进行阐述,并通过Matlab仿真来验证粒子滤波算法比扩展卡尔曼滤波算法有着更好的鲁棒性和准确性,能够更好的适应非线性系统,适用于机器人的定位。然后,对AGV机器人的SLAM方法进行研究,研究基于Rao-Blackwellized粒子滤波的FastSLAM方法和基于扫描匹配的Hector SLAM方法。针对算法的不足,本文提出了改进的RBPF-SLAM方法:在运用里程计的基础上,结合RPLIDAR激光测量及其不确定性来更新、调节粒子的权重,并采用自适应重采样,使用更新后的粒子来做定位估计。在非结构化室内房间和长走廊环境进行激光SLAM实验,实验结果表明,改进的RBPF-SLAM算法可以有效减少粒子退化问题,提高定位精度,能够成功构建大范围二维栅格地图。最后,针对机器人的定位导航中存在的轮子打滑或者机器人被“绑架”移动等导致里程计不准确的情况,本文提出了改进的AMCL全局定位算法,融入了PLICP(Point-toLine ICP)的扫描匹配定位实现全局重定位。当里程计的定位误差很大时,利用改进的全局定位PLICP-AMCL作为导航框架的定位输入,实现机器人导航过程中的位姿估计。实验结果证明,改进的定位导航框架使机器人在长距离的定位导航实验中,能适应里程计不准确的情况,成功到达设定的目标点,鲁棒性强。