论文部分内容阅读
近些年来,由于人工智能技术、计算机技术、传感器技术等技术的不断进步,移动机器人领域也得到了很大的发展。同时定位与地图构建(Simultaneous Localization andMapping,SLAM)技术是移动机器人实现真正自主导航的关键,在室内环境、水下环境、资源勘查、太空探索等领域发挥着重要的作用,具有重要的理论意义和应用价值。目前解决SLAM问题的主要方式有两种,即基于滤波器的SLAM和基于图优化的SLAM，本文以这两种方法为两条主线,分别对其展开研究。主要研究内容如下:(1)描述了 SLAM系统以及主流的解决方法,并进行数学建模,包括运动模型和观测模型,为后续研究提供了基础。(2)对卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、粒子滤波(PF)原理分别进行了分析,并且在MATLAB环境下进行仿真。结果表明,KF依赖于线性高斯系统的假设,EKF能够适用于弱非线性系统,PF可适用于强非线性系统。(3)在实现图优化整体框架的基础上,研究了 ICP扫描匹配的原理,并在MATLAB上进行仿真,得到了良好的匹配效果。阐释了闭环检测的概念以及实现策略。对图优化的原理进行了推导,分析了如何将SLAM问题转化为非线性最小二乘问题。使用Grisetti数据完成了仿真,得到了优化后较好的效果。(4)使用Neato XV-11激光雷达在移动平台上进行Gmapping算法实验和精度分析,并且针对Gmapping建图产生的形状误差进行参数调整,得到了一致性良好的地图。在只使用笔记本和激光雷达的条件下实现了 HectorSLAM算法,并对其建图精度进行了分析。通过加入IMU的方式有效降低了 HectorSLAM对于建图过程中平稳性的需求。本文对当前SLAM实现的两种主流方法进行了研究,在理论研究的基础上完成了Gmapping、HectorSLAM算法的实验,并在HectorSLAM中融合了 MU提高了算法的稳定性。最后对2016年谷歌的开源算法Cartographer进行了测试与分析。