论文部分内容阅读
自主导航技术是移动机器人的关键技术,也是移动机器人智能化程度的重要体现,而机器人同时定位与地图创建(Simultaneous Localization and Mapping, SLAM)是实现真正自主导航所要解决的核心问题。SLAM问题是指在一些复杂的非结构性环境中,机器人很难甚至不可能事先获取环境地图和自身的位姿信息,要求移动机器人从未知环境中的某个未知位置出发,利用传感器数据建立递增式的环境地图,同时利用建立的地图进行位姿估计。SLAM问题由于其重要的理论意义和实用价值,成为移动机器人领域一个富有挑战的研究热点,被学术界一致认为是能否实现真正自主移动机器人的关键。 本文的主要工作是围绕基于概率机器人学的移动机器人SLAM理论和实现进行的,针对传统方法的不足,提出改进的机器人定位和SLAM算法,以提高移动机器人在未知环境中下的自主导航能力。具体研究内容包括以下几个方面: 1、系统研究基于贝叶斯滤波理论的机器人定位方法,分析比较了卡尔曼滤波器系列和粒子滤波器的基本原理和优缺点。针对标准粒子滤波器的不足,从智能进化的角度提出一种改进的混合智能粒子滤波算法,并通过实验仿真对常用滤波器在机器人位姿跟踪和全局定位问题中的性能进行了分析和结果比较。 2、从概率学的角度系统描述了SLAM问题的基本理论和实现方法,分析了SLAM问题的难点及传统SLAM算法的优缺点。对Rao-Blackwellized粒子滤波算法的原理进行了深入探讨,推导和分析了基于 Rao-Blackwellized粒子滤波框架的FastSLAM算法,为提出改进的SLAM算法提供理论基础。 3、重点研究了基于Range-Only模型的SLAM问题,对基于粒子滤波特征估计的RO-SLAM算法进行了探讨。针对粒子滤波器在进行特征估计的不足,本文引入了UT变换和高斯混合模型,提出一种基于 UKF和高斯混合滤波的进化RO-SLAM算法。该算法基于Rao-Blackwellized粒子滤波框架,采用高斯混合滤波算法进行地图特征的初始化和更新,并引入遗传算法优化粒子分布。最后,通过实验仿真对本文提出的方法和传统方法进行了分析对比,从理论推导和实验分析验证新算法的正确性和有效性。