论文部分内容阅读
随着科技水平进步以及经济发展,移动机器人在生产生活中逐渐扮演着越来越重要的角色。随着计算机硬件和相关软件的快速发展,移动机器人相关算法的研究也进入了快速发展的阶段。其中,移动机器人的自主定位和地图建构和导航是移动机器人领域研究的重点和主要内容。得力于传感器技术的发展,目前,主流的移动机器人采用的传感器多为轮式里程计、IMU、激光雷达(2D/3D)、相机(单目/双目/RGBD)等。然而受限于传感器本身原理和环境噪声影响,针对一些复杂场景例如非结构化或者几何纹理特征较少的环境,移动机器人无法准确完整地建立环境地图并实现导航。为了提高移动机器人的自主定位准确度和环境地图建立的完整度,本文设计了面向室内复杂场景以及几何特征较少环境中基于多传感器融合的移动机器人SLAM和导航系统,研究建立完整环境地图和提高定位精度的算法。首先,基于Cartographer算法,研究将RGBD相机Kinectv2的点云信息与2D激光雷达进行内外参标定,在此基础上进行3D点云和2D点云信息的融合,建立环境信息较为全面的二维栅格地图。解决仅使用2D激光雷达时对环境信息感知的不完整性,在低成本条件下实现环境信息较为完整地表达。其次,为了提高移动机器人在SLAM过程中定位精度进而进一步提高建图的准确性,针对长走廊等几何特征较少的环境,将轮式里程计、IMU、激光雷达、RGBD相机提供的定位信息分别提取,采用扩展卡尔曼滤波的方法,将定位信息融合作为建图最终的SLAM的定位信息,提高了SLAM过程中的定位精度,进而建立更为完整和准确的环境地图,提升了SLAM过程的准确性和鲁棒性。接着,研究了已知地图条件下的路径规划,为了解决移动机器人在导航过程中的定位精度,基于现有的自适应蒙特卡洛(AMCL)算法,采用多传感器融合,弥补原算法粒子滤波在几何特征较少的环境中定位误差大的缺点,提升了导航过程中轨迹跟踪的定位精度。最后,基于机器人操作系统(ROS),采用GAZEBO搭建机器人模型和环境模型,对上述算法进行验证。实验结果表明,本文采用的算法能够实现环境信息较为完整和准确的表达,并且提升了采用单一传感器的导航过程中的定位精度。