数据关联技术在AUV同时定位与地图构建算法中的应用

论文摘要

随着海洋探测、资源开发的不断进步,自主式水下机器人（Autonomous Underwater Vehicle, AUV）成为海洋技术研究的热点。自主导航是AUV的关键技术之一,精确的导航和定位是保证其安全、高效完成任务的前提。同时定位与地图构建（Simultaneous Localization and Mapping, SLAM）算法是实现自主导航的重要方式,它不需要先验地图,仅依靠机器人自身携带的各类传感器就可以感知环境,提取有用的环境特征,实现自身定位并构建环境地图。SLAM的实现可以有多种方式,本文主要对基于扩展卡尔曼滤波（Extended Kalman Filter, EKF）的SLAM算法进行研究。SLAM主要由状态估计和数据关联两部分组成,其中,状态估计是指对机器人定位及环境特征位置的估计过程;数据关联则是指找出不同时间、不同观测点获得的环境特征之间的关系,最终确定这些特征是否对应物理环境中的同一实体。状态估计和数据关联是两个相互影响的过程,正确的数据关联是实现准确状态估计的前提,因而,数据关联在SLAM算法中起着关键性的作用。本文描述了数据关联的基本理论,并利用实验室自主研发的AUV平台,结合EKF-SLAM算法,对各项数据关联技术进行研究,重点比较了单一兼容最近邻（Individual Compatibility Nearest Neighbour, ICNN）和联合兼容分枝定界（Joint Compatibility Branch and Bound, JCBB）两种常见数据关联算法的优缺点。通过仿真及实际海试数据的处理,证明了JCBB算法的优势及鲁棒性,最终实现了AUV的精确定位及水下地图的准确构建。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 AUV 的研究现状及发展前景
• 1.2 SLAM 算法综述
• 1.2.1 SLAM 的基本概念
• 1.2.2 常见的SLAM 算法分类
• 1.2.3 SLAM 中的关键问题
• 1.3 数据关联技术
• 1.3.1 数据关联研究现状
• 1.3.2 SLAM 中的数据关联
• 1.4 本文主要工作及论文组织结构
• 2 基于扩展卡尔曼滤波（EKF）的 SLAM 算法
• 2.1 卡尔曼滤波（KF）与扩展卡尔曼滤波（EKF）原理
• 2.1.1 KF 算法
• 2.1.2 EKF 算法
• 2.2 EKF-SLAM 在水下的应用
• 2.2.1 C-Ranger AUV 平台简介
• 2.2.2 坐标系的建立
• 2.2.3 状态向量
• 2.2.4 预测阶段
• 2.2.5 传感器数据更新
• 2.2.6 特征更新
• 2.2.7 状态扩充
• 2.3 本章小结
• 3 SLAM 算法中的数据关联问题
• 3.1 数据关联中的基本概念
• 3.1.1 关联门的定义
• 3.1.2 马氏距离和卡方分布
• 3.1.3 本文采用的关联门
• 3.2 数据关联的原理及过程
• 3.2.1 门限过滤
• 3.2.2 关联矩阵
• 3.2.3 赋值策略
• 3.3 SLAM 中两种常见的数据关联算法
• 3.3.1 单一兼容最近邻（ICNN）数据关联
• 3.3.2 联合兼容分枝定界（JCBB）数据关联
• 3.4 数据关联算法仿真
• 3.4.1 仿真系统流程
• 3.4.2 仿真结果与分析
• 3.5 JCBB 计算复杂度分析及改进
• 3.6 本章小结
• 4 SLAM 算法的实现及应用
• 4.1 Super Seaking DST 声纳简介
• 4.2 海试结果与分析
• 4.2.1 基于ICNN 数据关联的SLAM 结果
• 4.2.2 基于JCBB 数据关联的SLAM 结果
• 4.3 本章小结
• 5 总结与展望
• 5.1 全文总结
• 5.2 展望
• 参考文献
• 致谢
• 个人简历
• 攻读硕士学位期间发表的论文