论文部分内容阅读
时代演进,技术也随之发展,越来越多的领域对机器人提出需求,移动机器人的相关研究备受各界关注。室内移动服务机器人要达到真正的智能必须要对室内环境进行感知从而进行智能决断。而机器人对室内环境的感知是否准确与完整,恰好又决定机器人智能决断的准确性。自主移动机器人是一种最为常见的智能机器人,其中解决“我在哪”的问题最体现其自主性,是移动机器人实现自主导航等功能的前提。SLAM (Simultaneous Localization And Mapping,简称SLAM)恰好能够解决这个问题,其能够较好的在未知的环境中对室内环境进行感知以及同步的进行机器人自身位姿获取和环境地图构建。本文主要工作包括如下几个方面:1.对移动机器人室内环境感知和地图构建,从理论分析结合数学公式推导入手,详细介绍了基于粒子滤波(Particle Filter,简称PF) SLAM的思想及实现,进而通过实验室真实环境对算法进行实验,详细分析算法的优缺点,为提出优化方案提供理论支持。2.基于粒子滤波的SLAM算法的实现,使用了大量的粒子来表示定位位姿的概率分布,粒子的数量一定程度上决定算法定位准确度和抗干扰能力,但在增加粒子数量的同时,算法的计算量也将增加,进而导致定位延迟,因为SLAM算法具有时效性,最终导致定位误差。基于此问题本文提出一种使用GPU并行计算的方法,对基于RBPF-SLAM算法进行改进,减少算法执行时间,减少由算法定位延迟导致的定位误差。并且最终通过实验结果分析证明此方法的有效性。3. SLAM所构建的地图仍然是有缺失的,因为地图信息中并不包含如室内环境温度、湿度、对象属性等信息。导致机器人对环境的感知不够深入,影响机器人在以后的自主导航中的智能决断。基于此问题本文提出一种本体语义结合SLAM的方法,通过ZigBee无线传感网来获取机器人自身传感器未能获取的环境数据,使用本体描述语言(Ontology Web Language,简称OWL)将室内环境对象本体化。同时借助本体的推理机制和语义库,指导机器人进行决策,为今后机器人实现智能决断提供技术支撑。