论文部分内容阅读
由于移动机器人工作场所的多样性,如何在未知的工作场所中进行探索成为了移动机器人研究中备受瞩目的研究方向。移动机器人在未知的工作场所中运行时,须要建立该未知场所的相关地图并精确计算出自身所处位置,这样有助于机器人进行合理的行进路线规划,从而更好地完成工作。通常,移动机器人在工作中将构建环境地图与自身定位这两个步骤并行处理,这一过程在研究中被称作机器人的即时定位与地图构建(Simultaneous Localization And Mapping,SLAM)过程。本文在学习国内外对智能移动机器人SLAM问题的相关先进算法基础上,对移动机器人SLAM问题作出了深入的分析、研究,并对算法中所存在的不足作出了一定改进。首先,建立用于移动机器人SLAM研究的坐标系,并构建了移动机器人系统的实验模型,如机器人位姿模型、环境地图与特征模型、运动模型、观测模型。并利用所搭建的这些模型,实现了经典的基于概率的SLAM算法FastSLAM2.0。将无迹变换引入FastSLAM算法,构成UFastSLAM算法,来减小粒子滤波器采样中的不确定性,同时消除卡尔曼滤波器所造成的线性化误差,并将UFastSLAM算法与EKF-SLAM和FastSLAM算法在相同的实验环境下进行了对比分析。然后,针对UFastSLAM算法所采用的粒子滤波器(Particle Filter,PF)在运行的过程中存在的粒子耗尽的问题,提出了粒子适度值方差和欧氏距离的自适应扩散粒子群优化算法(Diffusion Particle Swarm Optimization,DPSO)来优化UFastSLAM算法,通过让每个粒子朝向这一世代的个体最优解以及全局最优解移动来使得粒子的权值分布均匀,有效控制了粒子耗尽问题,并通过具有自适应特性的随机粒子扩散来保持粒子的多样性,避免陷入局部最优。将DPSO-FastSLAM算法和FastSLAM算法、UFastSLAM算法、PSO-FastSLAM算法,验证了算法的有效性。最后,实现了基于啮齿类动物大脑海马体模型的SLAM方法——RatSLAM。并利用算法作者所给出的室外环境进行了仿真实验;此外,设计了室内环境仿真实验,对RatSLAM与传统的基于概率模型的EKF-SLAM算法进行了离线仿真实验对比。验证了该算法中经历地图的自我修正功能和算法在闭合环境下的优越性。