移动机器人同时定位与地图创建的研究

论文摘要

在移动机器人领域,同时定位与地图创建(Simultaneous Localization and Mapping, SLAM)问题的研究日益受到人们关注,被认为是实现真正全自主移动机器人的关键。本文描述了机器人位置模型及环境地图模型的表示方法,建立了移动机器人的运动模型、观测模型。室内环境特征可主要抽象为点特征和线段特征。根据超声测距传感器的特点,对于同一特征的不同测量,点特征的位置为传感器测量圆弧的交点,线段特征位置为传感器测量圆弧切线,获得特征位置前需要先进行特征类型的判断。本文提出的直线多次测量模型,通过比较测量圆弧交点间的接近程度与切点间的接近程度,实现了室内环境点和线段特征的类型判别,再通过测量圆弧交点和切点的计算完成特征参数的提取,使配备超声测距传感器的移动机器人能有效获得特征观测量,确定环境特征的位置。本文将此方法用于移动机器人SLAM问题研究中,用直线多次测量模型获取系统观测量,实现了基于超声测距特征地图的SLAM。机器人运动系统模型普遍存在着模型信息不准确不完整、系统参数容易变化等问题,在应用扩展卡尔曼滤波解决SLAM问题时使预测估计不可靠,进而使基于此估计值的特征观测量误差变大,最终使滤波发散。本文提出了将神经网络辅助卡尔曼滤波的方法,用神经网络的非线性拟合能力来逼近模型误差。把神经网络的全部连接权值扩展到系统状态中,用扩展卡尔曼滤波进行状态估计的同时在线训练网络权值,使网络在线学习获取模型误差校正机器人位姿估计。本文推导了基于神经网络的辅助卡尔曼滤波SLAM执行过程,对网络雅克比矩阵进行了详细的求解。试验结果表明,此方法扩大了基于特征地图的卡尔曼滤波SLAM方法的适用范围,适合用于模型信息不完整不准确、系统参数易变化及有色噪声干扰情况下SLAM。最后,本文编写了仿真程序,给出了仿真结果,对本文提出的解决方法进行了有效验证。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景与意义
• 1.2 SLAM研究现状
• 1.2.1 移动机器人SLAM基本问题
• 1.2.2 扩展卡尔曼滤波类方法
• 1.2.3 非扩展卡尔曼滤波类方法
• 1.3 本课题来源及研究内容
• 第2章 机器人系统建模与局部地图创建
• 2.1 坐标系统模型与机器人位置模型
• 2.2 机器人运动模型
• 2.3 局部地图创建
• 2.3.1 超声测距传感器模型及布局
• 2.3.2 超声测距特征提取
• 2.4 环境地图模型与机器人观测模型
• 2.5 本章小结
• 第3章 基于扩展卡尔曼滤波的SLAM
• 3.1 引言
• 3.2 卡尔曼滤波理论
• 3.3 扩展卡尔曼滤波算法
• 3.4 SLAM系统状态空间模型
• 3.5 SLAM系统时间更新模型及观测模型
• 3.6 基于扩展卡尔曼滤波的SLAM执行过程
• 3.6.1 状态预测
• 3.6.2 状态更新
• 3.6.3 状态扩展
• 3.7 本章小结
• 第4章 基于神经网络辅助卡尔曼滤波的SLAM
• 4.1 引言
• 4.2 前向神经网络结构的确定
• 4.2.1 神经元基本模型
• 4.2.2 神经网络结构的确定
• 4.3 前向网络雅克比矩阵的计算
• 4.4 神经网络辅助扩展卡尔曼滤波SLAM执行过程
• 4.4.1 状态预测
• 4.4.2 状态更新
• 4.4.3 状态扩展
• 4.5 本章小结
• 第5章 SLAM仿真实验
• 5.1 引言
• 5.2 Matlab GUI设置仿真环境
• 5.3 局部地图创建
• 5.3.1 仿真数据的获得
• 5.3.2 超声测距特征提取的实现
• 5.4 移动机器人SLAM仿真过程
• 5.5 仿真实验结果分析
• 5.5.1 基于超声测距特征地图的扩展卡尔曼滤波SLAM
• 5.5.2 基于神经网络辅助扩展卡尔曼滤波的SLAM
• 5.6 本章小结
• 结论
• 参考文献
• 致谢