论文部分内容阅读
汽车工业已经出现了朝着智能化、网联化方向发展的趋势,无人驾驶汽车作为其具体对象,必然会成为未来汽车工业的主角。目前国内外传统车企、互联网巨头、科研院所都投入巨大精力研究无人驾驶汽车。自主导航是无人驾驶汽车的一项最基本、最重要的功能,无人驾驶汽车在未知环境中的自主导航,需要同时实现自身的准确定位以及所处环境的地图构建,这种相互关联的过程称为同时定位与地图创建(SLAM)。随着对SLAM研究的不断深入,鉴于其重要的理论价值和实践价值,许多学者一致认为同时定位与地图创建被认为是真正实现无人驾驶汽车的关键技术之一。本文针对未知环境下无人驾驶汽车同时定位与地图创建展开研究,主要研究内容为以下几个方面:首先,阐述了 SLAM问题的技术内涵,对SLAM发展现状和需解决的关键问题进行了讨论。其次,讨论并建立了解决无人驾驶汽车SLAM问题所必须用到的模型,包括无人驾驶汽车本体模型,环境地图模型,传感器模型和数据关联模型。在上述模型的基础上,给出了无人驾驶汽车SLAM问题的一般性数学模型,并通过后续仿真实验说明了所建立模型的合理性。再次,建立基于扩展卡尔曼滤波的SLAM算法(EKF-SLAM)和基于无迹卡尔曼滤波的SLAM算法(UKF-SLAM)的数学模型,从理论上分析了 EKF-SLAM算法的缺点和UKF-SLAM算法的优点。利用MATLAB对两种算法设计了仿真实验,分别对两种算法进行了 20次独立重复实验,验证了两种算法的可行性及UKF-SLAM算法的优势。然后,对基于粒子滤波的SLAM算法进行了讨论,根据粒子滤波的原理,建立了FastSLAM算法的数学模型。在FastSLAM算法基础上引入自适应重采样技术和UKF,提出了自适应重采样无迹卡尔曼滤波FastSLAM算法(ARUFastSLAM),并给出了算法的数学模型。通过仿真实验对两种算法进行了验证,分别设计了 10、20、100个粒子的3组实验,每组进行20次独立重复实验,结果表明ARUFastSLAM算法有效性。进一步的通过SLAM研究领域的标准测试数据集Victoria Park Dataset,对ARUFastSLAM算法进行了实验验证,结果表明ARUFastSLAM算法在估计精度方面的优势。最后,利用MATLAB的图形界面设计工具,设计了无人驾驶汽车同时定位与地图创建(SLAM)算法仿真的GUI界面,使复杂的仿真程序以简单的人机交互界面形式呈现,提高了算法的使用效率。