自主式水下机器人基于线特征的SLAM算法研究

论文摘要

自主式水下机器人(AUV)因其能在复杂的海底未知环境中实现自主航行,在海洋探测、海底救捞、资源开发等方面得到了广泛的应用,并有着广阔的发展前景。作为AUV关键问题的导航技术一直是人们研究的热点问题之一,同时定位与地图构建算法(SLAM)是解决AUV自主导航问题的基础,它指的是让AUV从一个未知的位置出发,通过其自身携带的传感器对周围环境进行探测,构建环境地图,同时利用该地图及传感器数据计算机器人位姿,实现对机器人自身的定位。针对水下环境的复杂性、传感器的特殊要求、点特征描述的局限性,本文将线特征描述用于AUV SLAM算法,并开展了深入研究。首先,介绍国内外AUV研究现状及发展前景,综述同时定位与地图构建(SLAM)算法,对几种SLAM算法进行简单比较;其次,以EKF为例详细介绍SLAM算法的基本原理和具体执行过程;再次,阐述基于改进的霍夫变换来提取声纳线特征的方法,并用给定置信水平的高斯分布来估计线特征的不确定度,使得提取的结果可以方便直接地融入SLAM过程;在此基础上,对基于线特征的EKF SLAM算法进行研究,论文详细阐述了线特征融入EKF SLAM的具体方法,并用真实环境中的实验数据加以验证,证实了该算法的有效性;最后对全文进行总结,并提出今后可以改进的地方。本文相关研究工作表明,基于线特征描述的同时定位与构图方法在AUV自主导航中应用是可行的。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外AUV研究现状及发展前景
• 1.2.1 国内外AUV研究现状
• 1.2.2 AUV发展前景
• 1.3 同时定位与地图构建算法（SLAM）综述
• 1.3.1 算法简介
• 1.3.2 SLAM算法比较
• 1.4 课题来源及章节安排
• 2 EKF-SLAM算法原理
• 2.1 卡尔曼滤波器和扩展卡尔曼滤波器
• 2.1.1 卡尔曼滤波器
• 2.1.2 扩展卡尔曼滤波器
• 2.2 系统模型
• 2.2.1 状态模型
• 2.2.2 环境特征模型
• 2.2.3 观测模型
• 2.2.4 状态向量及协方差矩阵
• 2.2.5 噪声模型
• 2.3 EKF-SLAM算法
• 2.3.1 系统建模
• 2.3.2 EKF-SLAM算法执行过程
• 2.4 本章小结
• 3 基于声纳的线特征提取算法
• 3.1 声纳工作方式
• 3.2 声纳数据处理
• 3.2.1 声纳束预处理
• 3.2.2 声纳数据存储
• 3.3 线特征的提取
• 3.3.1 投票空间
• 3.3.2 投票
• 3.3.3 不确定度估计
• 3.4 实验验证及结果
• 3.5 本章小结
• 4 基于线特征的EKF SLAM算法
• 4.1 海试实验平台C-Ranger AUV
• 4.2 初始化
• 4.3 预测
• 4.4 观测及更新
• 4.4.1 传感器数据更新
• 4.4.2 环境特征更新
• 4.5 数据关联
• 4.6 状态扩充
• 4.7 C-Ranger团岛湾海试与结果分析
• 4.8 本章小结
• 5 总结与展望
• 5.1 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