论文部分内容阅读
当机器人系统对未知环境进行环境探索和地图建立之时,实时定位与地图重建(SLAM)是一种非常经典有效的基础算法,并且在SLAM中,多机器人SLAM是一种比单机器人更有效但是计算复杂度更高的模型。对于使用SLAM算法创建的地图来说,占用栅格地图是一种非常好的地图表现形式。多机器人系统的环境探索主要分为局部地图创建和对局部地图的融合两部分。在地图融合中,地图的概率性信息也可以作为进行地图融合的一个重要依据。在局部地图的创建过程中,本文提出了一种以机器人的初始坐标作为基础坐标系的EKF-SLAM地图建立方法,在经典EKF-SLAM中,通常是以全局坐标作为基础坐标系,但是这样在进行匹配的过程中,由于里程计的精度不够高,所以会累积误差,为了降低这个误差,本文提出以机器人的初始坐标作为基础坐标系。在本文的融合过程之中,根据广义Voronoi图中概率信息的重要性,本文提出了一种新的概率性广义Voronoi图的方法来进行骨架的建立。本文首先采用基于广义Voronoi图的方法来提取占用栅格地图的骨架,并将占用栅格地图中的概率性信息融入到地图框架之中,来增进地图融合的准确性,这个结构叫做概率性广义Voronoi图(PGVD)。同时考虑到转换过程是非线性的,所以在转换过程中会存在非线性不确定度的问题,本文提出采用无味变换(UT)的方法进行解决,提高准确度的同时也减少计算量,本文仿真中,针对两幅图像的融合来说,在准确度提升1%~2%的情况下,计算速度可以增加 80%。本文的算法比起之前的算法主要有以下几个优点:1、 在局部地图的生成过程中减少了误差;2、 在融合过程中寻找旋转角度和平移矩阵更加方便了;3、 考虑到占用栅格地图中的概率性信息,提高融合准确度;4、 采用UT变换解决非线性不确定度的问题,提高准确度。