论文部分内容阅读
移动机器人技术的研究程度与应用水平反映了一个国家的工业自动化水平发展的高低,对国防、社会、科学技术等方面均具有重要的战略意义。在各种未知的、复杂的环境中,实现自主导航是移动机器人执行任务的前提,而移动机器人同时定位与构建地图(Simultaneous Localization and Mapping,SLAM)是机器实现完全自主的基础和关键,其已成为智能机器人领域研究的热点之一。为解决机器人在未知环境中的SLAM问题,本文重点对基于概率的SLAM方法进行深入研究。主要对以下几个方面展开研究:(1)通过对SLAM相关理论的分析,建立了移动机器人运动控制以及环境描述所需的数学模型,包括:移动机器人的运动模型、传感器观测模型以及噪声模型等。为后续相关SLAM方法的研究构建了统一的平台。(2)深入研究了两类基于概率的SLAM方法:1)基于卡尔曼滤波的SLAM方法,此方法只适用于非线性高斯模型。首先介绍了卡尔曼滤波理论,然后详细地对扩展卡尔曼滤波 SLAM 方法(Extended Kalman Filter SLAM,EKF-SLAM)和无迹卡尔曼滤波 SLAM方法(Unscented Kalman Filter SLAM,UKF-SLAM)进行全面的分析,包括算法原理以及实现过程等的详述,并在MATLABR2010b仿真平台上对两种方法的有效性进行验证,通过仿真实验表明,UKF-SLAM相对EKF-SLAM在定位与地图创建的实现中估计精度更高。2)基于粒子滤波的SLAM方法,此方法适用于任何的非线性非高斯模型。首先介绍了粒子滤波的理论,然后对FastSLAM及其扩展出的无迹FastSLAM(UFastSLAM)方法的原理及其实现流程进行介绍,通过仿真实验实现对两种方法有效性的验证,结果表明UFastSLAM方法具有更好的估计效果,更加可靠,但需要消耗更长的运行时间。(3)针对UFastSLAM方法存在运行时间长,无法满足实时性的问题,提出了一种基于局部采样的UFastSLAM方法。首先,对一致性问题进行分析,证明UKF在Sigma点的尺度参数选取合适的情况下,局部采样和全局采样估计精度相同。然后在局部采样的基础上,采用对UKF公式中相关项进行重构的思想,即用等效雅克比矩阵线性乘积的形式表示滤波过程中的各变量之间的协方差矩阵,使UKF具有类似于EKF的线性结构,降低计算的复杂度,将此思想应用于UFastSLAM中计算建议分布函数的UKF过程,得到改进的UFastSLAM方法,从而实现与UFastSLAM方法在估计结果上具有一致最优性,同时计算量大大降低,运行效率提高,有利于实时性的提升。最后进行仿真实验的验证和分析,结果表明:基于局部采样的UFastSLAM可以保证精度的前提下,提高运行效率。