移动机器人自主导航关键技术研究

论文摘要

在已知或未知环境下的自主导航是移动机器人研究的基本问题,机器人通过自身携带的内部传感器(里程计)和外部传感器(视觉、红外、激光等)在无人参与的情况下完成感知周围环境,创建环境地图、确定自身位姿、跟踪目标,躲避动态或静态障碍物等各种复杂的任务。这种技术已经广泛应用于航天科技、军事侦查、医疗救助、家庭互助等领域,具有人类无法替代的作用。本文在国家自然科学基金项目“基于不精确地图的移动机器人室内导航技术”、国家863计划资助项目“分布式多机器人合作与竞争机制及其应用技术”以及黑龙江省科技厅与哈飞汽车集团公司合作项目“汽车安全驾驶嵌入式软件”的资助下,以提高机器人自主导航的效率为目的,对移动机器人自主导航的若干关键问题进行了系统深入的研究。主要包括如下几个方面:第一,自主导航过程中里程计累积误差一直是影响导航精度和效率的主要方面。一些研究人员已经针对减小里程计累积误差提出了一些有效方法,但这些方法只是针对某一种驱动类型的移动机器人,对其它驱动类型移动机器人没有代表性。本文针对同步驱动和差动驱动移动机器人,在假设弧线运动轨迹的基础上,详细地推导了里程计误差与过程输入量之间的近似函数关系,并在自主导航定位过程中加以验证。实验表明该方法有效地减小了导航过程中产生的里程计累积误差,提高了定位精度。第二,对于基于特征识别的视觉定位过程,当特征点与地图库中的三维路标进行匹配时会产生多个候选位姿,这些候选位姿会给全局定位的精度带来很多不确定性。为此本文提出了基于粒子群优化的全局定位算法。利用粒子群优化算法对多个候选位姿集合进行优化获得当前时刻最优位姿解。实验表明这种方法以牺牲较少的运算时间获得较高的全局定位精度。第三,为了解决移动机器人自主导航过程中出现的局部最小或死锁问题,提出了一种基于模糊行为融合的避障算法。该算法在导航过程中不是实时获得当前时刻的最优路径而是仅获得最满意或最有效路径完成导航任务。从而减少了导航过程中死锁现象,有效地提高了移动机器人导航过程的实时性和安全性。第四,为了提高基于视觉的位姿跟踪过程中视频图像处理的实时性。提出了一种基于自适应样本权重的Adaboost算法,提取感兴趣区域图像,缩小图像处理范围,减少背景噪声的干扰。并应用于自主车偏道预警与车道线跟踪系统。实验表明该算法有效地提高了图像处理精度和实时性。为视觉图像处理提供了一个新思想。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 自主移动机器人国内外发展概况
• 1.2.1 国外自主移动机器人的发展概况
• 1.2.2 国内自主移动机器人的研究现状
• 1.3 轮式移动机器人驱动类型
• 1.3.1 差动驱动
• 1.3.2 同步驱动
• 1.3.3 全向驱动
• 1.4 移动机器人运动误差
• 1.4.1 系统误差
• 1.4.2 非系统误差
• 1.5 移动机器人自主导航关键技术综述
• 1.5.1 目标识别
• 1.5.2 全局定位
• 1.5.3 位姿跟踪
• 1.5.4 避障路径规划
• 1.5.5 同时定位和地图创建（SLAM）
• 1.6 本文的研究内容和意义
• 1.6.1 课题来源
• 1.6.2 研究的目的和意义
• 1.6.3 本文的主要工作
• 第2章 移动机器人里程计误差分析
• 2.1 引言
• 2.2 误差传播不确定性分析
• 2.2.1 随机误差不确定性表示
• 2.2.2 误差椭圆
• 2.3 里程计模型
• 2.3.1 里程计运动学模型
• 2.3.2 物理约束
• 2.4 里程计误差建模
• 2.4.1 非系统误差分析
• 2.4.2 系统误差分析
• 2.4.3 里程计误差补偿算法
• 2.5 里程计误差补偿实验分析
• 2.5.1 非系统误差实时补偿实验分析
• 2.5.2 系统误差实时补偿的实验分析
• 2.6 本章小结
• 第3章 基于粒子群优化的全局定位算法
• 3.1 引言
• 3.2 粒子群优化算法
• 3.3 SIFT特征提取与匹配算法
• 3.3.1 比例尺度不变特征（SIFT）的特征提取算法
• 3.3.2 基于K维树的特征匹配
• 3.4 全局定位算法
• 3.4.1 机器人方向的计算
• 3.4.2 机器人位置的计算
• 3.4.3 机器人位姿不确定性描述
• 3.5 局部子地图搜索算法
• 3.6 基于粒子群优化的全局定位方法
• 3.7 基于粒子群优化的全局定位实验分析
• 3.7.1 比例尺度不变特征（SIFT）试验
• 3.7.2 创建环境地图
• 3.7.3 全局定位精度
• 3.7.4 全局定位时间
• 3.8 本章小结
• 第4章 基于模糊行为融合的避障路径规划算法
• 4.1 引言
• 4.2 基于模糊行为融合的避障算法分析
• 4.2.1 多目标优化方法
• 4.2.2 避障过程行为函数
• 4.2.3 控制参数及行为协作
• 4.3 基于模糊行为融合避障算法的可靠性
• 4.3.1 行为投票方法
• 4.3.2 避障系统可靠性分析
• 4.4 避障路径规划实验与分析
• 4.4.1 静态避障实验
• 4.4.2 动态避障仿真实验
• 4.5 本章小结
• 第5章 基于单目视觉的车道线识别与跟踪算法
• 5.1 引言
• 5.2 基于动态变化视频源参数调节
• 5.2.1 白平衡参数调节
• 5.2.2 Gamma参数调节
• 5.3 基于Adaboost分类器训练的感兴趣区域检测
• 5.3.1 Adaboost学习算法
• 5.3.2 级联分类器
• 5.3.3 Adaboost算法的不足及其改进算法
• 5.4 基于边缘线状特征的车道线识别
• 5.4.1 图像增强
• 5.4.2 边缘检测
• 5.5 移动机器人偏道预警与车道跟踪
• 5.5.1 移动机器人偏道预警
• 5.5.2 基于Kalman滤波车道线跟踪
• 5.6 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢
• 个人简历