基于屋顶特征的机器人同步定位与地图构建

论文摘要

机器人的定位技术与地图构建技术作为一对紧密相关、相辅相成的研究课题成为近二十年来自主移动机器人导航领域中的热点,已知环境地图的定位问题和已知机器人位置的地图构建问题都已经有了较成熟的解决方案,并且取得了大量的研究和应用成果。但在未知环境中,机器人完全没有或只有少量不完整的环境信息,为了构建地图,机器人必须利用自身配备的传感器感知周围环境。本文针对在未知的室内环境屋顶特征比较稳定和简单这一特征,利用移动机器人自身携带的摄像头来感知屋顶,并实现同步定位与地图构建（SLAM）算法,鉴于视觉传感器成本低廉、稳定可靠等优点,基于视觉传感器的同步定位与地图构建技术成为机器人领域内的研究热点。本文使用单目摄像头,提取屋顶特征作为环境点,进而实现基于扩展卡尔曼滤波的SLAM （EKF-SLAM）,并在实验中让机器人在室内环境里的小范围中导航自己。本文在传统的EKF-SLAM算法基础上,利用屋顶特征来重构三维路标点,针对机器人在运动过程中自身位置误差会不断累积这一特点,使用三维路标点和当前的机器人位置作为EKF更新的输入数据,进而实现自我定位与地图构建。在解决了EKF-SLAM的算法实现、路标管理和数据关联等问题后,对机器人在室内环境中做了小范围的导航实验。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1. 课题的研究背景及研究意义
• 1.2. 论文研究内容
• 1.3. 论文组织结构
• 第2章 同步定位与地图构建问题（SLAM）
• 2.1. 机器人SLAM背景和研究现状
• 2.2. SLAM问题的难点
• 2.2.1 SLAM的不确定性信息
• 2.2.2 数据关联问题
• 2.2.3 建图的主要问题
• 2.3. SLAM算法分类
• 2.3.1 基于扩展卡尔曼滤波的SLAM方法
• 2.3.2 基于粒子滤波的SLAM方法
• 2.3.3 基于视觉的SLAM方法
• 2.4. 传感器的选择
• 2.4.1 外部传感器
• 2.4.2 内部传感器
• 2.5. 卡尔曼滤波技术概述
• 2.5.1 线性卡尔曼滤波器
• 2.5.2 扩展卡尔曼滤波器
• 第3章 基于屋顶特征的机器人视觉SLAM
• 3.1 系统概述
• 3.2 机器人空间运动模型
• 3.2.1 机器人的位置模型
• 3.2.2 机器人运动模型
• 3.2.3 摄像机模型
• 3.2.4 全局坐标系到机器人坐标系的转换
• 3.3 基于屋顶特征的EKF-SLAM实现
• 3.3.1 EKF运动模型
• 3.3.2 EKF观察模型
• 3.3.3 特征点提取和跟踪
• 3.3.4 三维路标点
• 3.4 地图管理
• 3.4.1 地图初始化
• 3.4.2 添加新路标点
• 3.4.3 更新路标点
• 第4章 室内自主路径搜索
• 4.1 移动机器人导航技术研究现状
• 4.2 基于视觉的导航技术
• 4.2.1 机器人导航中的定位
• 4.2.2 机器人导航中的地图
• 4.3 自主路径搜索的研究现状
• 4.4 栅格地图的建立
• 4.5 基于栅格地图自主路径搜索和导航
• 第5章 实验和结果
• 5.1 EKF-SLAM仿真
• 5.2 机器人的同步定位与地图创建
• 5.3 自主路径搜索和导航实验
• 第6章 总结与展望
• 6.1 本文工作总结
• 6.1.1 机器人同步定位与地图构建算法研究与实现
• 6.1.2 基于栅格地图的机器人导航
• 6.2 工作展望
• 参考文献
• 致谢