论文部分内容阅读
移动机器人同步定位与地图构建(SLAM)问题可描述为移动机器人在未知环境中移动时对自身位姿的确定和环境特征的估计。该问题的解决是实现机器人真正自主移动的关键。目前，对于该问题的研究已经成为了移动机器人导航定位领域的热点问题。近十年来，对于SLAM的研究有了很大的进展，并相继应用到许多环境下。
本文对移动机器人的同步定位与地图构建方法进行了深入的研究，介绍了两类主流的SLAM解决方法：卡尔曼滤波框架下的EKF-SLAM算法和粒子滤波框架下的FastSLAM算法。然后在通过仿真实验实现传统算法的过程中分析了这两类传统SLAM算法各自的优缺点，提出了一种改进的混合SLAM算法——UnscentedFastSLAM算法。该算法对FastSLAM2.0算法作了进一步的改进，用无迹粒子滤波(UPF)取代传统粒子滤波(PF)对机器人位姿作递归估计，用无迹卡尔曼滤波(UKF)来取代扩展卡尔曼滤波(EKF)对地图特征作递归估计。该算法以UT变换为基础，用采样策略逼近非线性分布，不需要求导计算雅可比矩阵，从而克服了粒子滤波框架中使用非线性关系所造成的重要缺点。同时，该算法也继承了粒子滤波定位精确和卡尔曼滤波算法简单的优点。在噪声环境下的仿真实验结果表明了UnscentedFastSLAM算法相对于传统算法的有效性与优越性。