基于粒子滤波器的移动机器人同步定位与地图构建研究

论文摘要

同步定位且能够精确构建环境地图的能力是机器人实现真正自主的必要前提。基于卡尔曼滤波器的SLAM算法有两个突出的缺陷:计算的复杂性以及对数据融合误差非常敏感,使其不能在大的实际环境中广泛应用。本文介绍了同步定位与地图构建的通用框架、理论模型,建立了AS-RF机器人运动模型和观测模型,给出了采样位姿、状态更新、地图建立及管理等方面的相关公式。利用基于Rao-Blackwellized粒子滤波器的FastSLAM算法,并建立其二维仿真模型。通过改变加入到系统的观测量和控制量噪声大小,比较FastSLAM和EKF-SLAM的表现。仿真结果表明,在数据融合不确定性的非常大的环境中,当加入相同的噪声时,FastSLAM算法对路径和路标的估计误差均远小于基于卡尔曼滤波器的SLAM算法,而且FastSLAM能够构建更准确的地图。针对单独使用里程计进行长距离定位会产生较大的角度误差的问题,本文运用了一种激光传感器和里程计融合的定位导航方法:采用哈夫变换提取激光扫描数据中的直线特征,用提取出的直线特征对前后帧扫描数据进行匹配,以修正里程计的角度。采用VC++编写了相应的程序,利用AS-RF机器人平台对上述的定位导航方案进行了大量实验。实验结果表明,机器人采用本方案可以在实验室走廊环境中创建一致的特征地图,同时利用该地图进行定位。融合定位方法可以进一步提高创建地图的精度。实验结果验证了方案的有效性。

论文目录

• 摘要
• Abstract
• 致谢
• 第一章 绪论
• 1.1 引言
• 1.2 移动机器人的发展概述
• 1.2.1 国外发展概状
• 1.2.2 国内发展概状
• 1.3 移动机器人SLAM 的研究现状及意义
• 1.3.1 SLAM 问题的研究进展
• 1.3.2 SLAM 问题提出的意义
• 1.4 本文内容与结构
• 第二章 移动机器人地图构建和定位方法
• 2.1 移动机器人的地图构建问题
• 2.1.1 栅格地图
• 2.1.2 几何特征地图
• 2.1.3 拓扑地图
• 2.1.4 混合地图
• 2.2 移动机器人的定位问题
• 2.2.1 里程计定位
• 2.2.2 路标定位
• 2.2.3 惯性定位
• 2.2.4 视觉定位
• 2.2.5 GPS 定位
• 2.2.6 地图匹配定位
• 2.2.7 基于多传感器信息的定位
• 2.3 小结
• 第三章 基于粒子滤波器的SLAM 算法
• 3.1 SLAM 问题描述
• 3.1.1 SLAM 的通用框架和理论模型
• 3.2 粒子滤波技术
• 3.2.1 粒子滤波定位的基本原理
• 3.2.2 粒子重采样
• 3.3 SLAM 算法描述
• 3.3.1 SLAM 算法的基本参数
• 3.3.2 SLAM 的后验估计表示
• 3.4 基于改进的粒子滤波器的SLAM
• 3.4.1 FastSLAM 的粒子表示形式
• 3.4.2 FastSLAM 的计算时间复杂度
• 3.5 FastSLAM2.0
• 3.5.1 采样新位姿，扩展对机器人路径的后验估计
• 3.5.2 更新观测到的路标估计
• 3.5.3 计算重要性权重，进行重新采样处理
• 3.6 基于粒子滤波器的SLAM 的伪代码
• 3.7 移动机器人模型
• 3.7.1 运动模型
• 3.7.2 观测模型
• 3.8 FastSLAM 算法流程
• 3.8.1 FastSLAM1.0 算法流程
• 3.8.2 FastSLAM2.0 算法流程
• 3.9 小结
• 第四章 仿真环境建立及结果分析
• 4.1 创建仿真界面
• 4.2 仿真实验及结果分析
• 4.2.1 仿真实验一
• 4.2.2 仿真实验二
• 4.3 仿真结果分析及结论
• 4.4 小结
• 第五章 基于AS-RF 机器人平台实验
• 5.1 移动机器人（AS-RF）平台
• 5.1.1 AS-RF 主要特点
• 5.1.2 硬件配置和性能指标
• 5.1.3 AS-RF 传感器
• 5.2 系统性能
• 5.3 走廊环境实验及结果分析
• 5.3.1 实验软件简介
• 5.3.2 机器人实验参数设置
• 5.3.3 实验环境描述
• 5.3.4 自主导航及构图的实现
• 5.4 小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 后续工作与展望
• 参考文献
• 攻读硕士期间发表的论文