论文部分内容阅读
随着移动机器人应用环境的日趋复杂和非结构化,探测未知环境已经成为移动机器人研究领域中的一个重要研究方向和基础性难题。作为移动机器人智能导航和环境探索研究的重要基础,机器人在未知环境中的定位与同时定位和地图创建(Simultaneous Localization and Mapping, SLAM)在机器人技术领域受到众多学者的极大关注。所谓定位是指机器人在移动过程中根据位姿估计和传感器数据进行自身定位；所谓同时定位和地图创建,是指机器人在进行自身定位的同时创建增量式地图。由于SLAM问题的解法可以使机器人实现真正的自主导航,因此在过去十几年中SLAM问题逐渐成为移动机器人领域的研究热点。本文在搜集、整理国内外基于传感器信息融合的移动机器人定位及SLAM研究的相关文献资料基础上,作深入的综合、分析,并对其进行研究。主要研究工作如下：(1)基于GP-SRCKF的机器人定位方法。针对卡尔曼滤波算法及其变种过度依赖系统动态模型和系统噪声协方差的先验知识,使得这些方法在估计性能上受到很大约束,将高斯过程(Gauss Process, GP)回归引入平方根数值积分卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF),提出了一种非确定系统模型的变协方差GP-SRCKF滤波算法。该方法不需要确定的系统模型,高斯过程回归通过对采样数据的学习得到准确的系统噪声协方差,且在滤波估计过程中能实时自适应调整,其应用范围和估计精度都得到了提高。将该方法应用于单机器人定位中,仿真结果表明该方法有效地提高了定位精度。(2)基于PSO-PF的机器人定位方法。针对当位于高似然区域的粒子数目少时,传统粒子滤波会发生样本贫化,提出一种基于粒子群优化(Particle Swarm optimization, PSO)的粒子滤波(Particle Filter, PF)机器人定位方法。该方法在粒子滤波的预测阶段采用粒子群优化计算,使得该阶段实时考虑陆标的最新观测信息,驱动所有粒子向高似然概率区域运动,从而减少样本贫化的可能性。此外,该方法还运用自适应重采样,只在需要时才进行重采样,减少重采样的次数,尽量保证好样本不被删除,进一步提高算法的性能。将该方法应用于单机器人定位和多机器人协作定位中,实验表明该方法提高了机器人定位精度。(3)基于DDPF-DDF的机器人SLAM方法。针对FastSLAM中扩展卡尔曼滤波器(Extended Kalman Filter, EKF)在估计中对非线性系统模型进行一阶线性化引入较大的线性化误差和粒子滤波重采样容易导致样本贫化等问题,提出一种基于DDPF-DDF的SLAM方法。该方法在估计机器人位姿时采用DDPF (Divided Difference Particle Filter, DDPF),在进行路标位置估计和地图更新时采用差分滤波器(DividedDifference Filter, DDF)。该方法不需要计算非线性运动模型和观测模型的雅可比方程,具有更高的估计精度,而且采用自适应重采样降低了样本退化的概率。将该方法应用到单机器人和多机器人协作SLAM中,仿真结果显示该方法提高了SLAM精度,增强了算法连贯性(4)基于改进SEIF的机器人SLAM方法。针对稀疏扩展信息滤波(Sparse Extended Information Filter, SEIF)采用Markov带进行数据关联,忽略与机器人位姿和陆标有间接关系的连接,导致获取的协方差估计过于自信的问题,提出一种改进SEIF方法,该方法在数据关联部分通过增广线性系统来获取与通过对矩阵求逆得到的理想协方差相比保守的边缘协方差估计。该方法在SLAM信息滤波器中能有效获取和维持一致的协方差,提高了数据关联的可靠性。将该方法应用于单机器人SLAM中,仿真实验表明,与SEIF相比,改进算法降低了数据关联的不确定性,提高了估计精度。论文的最后对全文的研究内容进行了总结,说明了研究的创新点及主要研究成果,并指出了要进一步研究的问题。