论文部分内容阅读
近些年来,自主式水下机器人(Autonomous Underwater Vehicle AUV)凭借其独特的特点得到了人们的广泛关注。AUV拥有隐蔽性能优越、灵活机动、方便搭载等特点,因此AUV已成为当前研究的热点。本文研究的内容就是AUV在未知环境中实现同时定位与地图创建(Simultaneous Localization and Mapping SLAM)。SLAM 有别于传统的AUV导航,传统的AUV导航是指AUV依靠自身所带的惯性导航设备实现自定位。而SLAM是仅依靠外部传感器,通过感知周围环境,实现在未知环境中定位,同时生成周围特征的地图。SLAM是一种新的导航方式,它对于惯性导航是一种补充,在AUV中,长时间的航行后,惯性导航设备的误差会随着时间的增长而增加,这时可以根据SLAM实现对导航的修正,减少导航的误差累计。使得导航更加精确,从而能够更好地完成各种任务。本文具体的研究内容包括以下几个方面:首先介绍了水下机器人的国内外研究现状,阐述了 AUV常用的导航方式,对国内外水下SLAM研究的现状进行分析。为了完成在AUV中实现SLAM,本文对环境地图的表达方式和SLAM的实现的方法进行研究,并对AUV进行系统建模。针对未知环境中AUV同时定位与地图创建的非线性运动方程和非线性观测方程问题,本文引入卡尔曼滤波算法,无迹卡尔曼滤波在解决非线性观测方程和非线性运动方程时可以得到更精确的解,所以基于UKF的方法在解决SLAM问题可以获得更高的精度。针对卡尔曼滤波只能解决高斯分布系统的情况,本文采用粒子滤波方法,通过分析比较各种粒子滤波的算法,针对粒子退化的问题,本文采用FastSLAM2.0算法,FastSLAM2.0算法和基于Rao-Blackwellized的粒子滤波算法相比,FastSLAM2.0能够有效的延缓粒子退化的问题,提高算法的精度和鲁棒性。但由于FastSLAM2.0中存在一阶近似化的过程,采用无迹变换避免了线性化的过程,因此提出了一种UFastSlam2.0的算法,用于替代FastSLAM2.0。为了验证使用的方法能够应用在AUV中,在水池中进行SLAM实验,通过对声纳图像数据提取,获得路标的位置,使用UKF-SLAM、FastSLAM2.0和UFastSLAM2.0方法,对选择的方法进行了验证。实验结果表明算法的有效性和可行性。