室内移动机器人自定位研究

论文摘要

对机器人技术的研究程度和应用水平体现了一个国家工业自动化水平发展的高低,具有重要的国防战略意义。自定位问题是指移动机器人依靠自身携带的传感器估计自身在环境地图中的具体位姿的问题,它是移动机器人执行其他任务的基础。本文主要研究基于里程计和激光传感器的单个移动机器人在一般室内环境下的自定位算法的理论和实现。首先,描述了室内移动机器人自定位问题,系统地介绍了贝叶斯滤波理论以及卡尔曼滤波器、扩展卡尔曼滤波器和粒子滤波器的实现。其次,描述了基于里程计的航迹推算定位方法和运动概率模型,研究了基于激光传感器的扫描匹配定位方法,分析了三种环境地图的表示方式。针对传统迭代最近点扫描匹配算法需要一个较好的预配准初始解的不足,提出遗传迭代最近点扫描匹配算法,利用遗传算法搜索最优扫描匹配解,有效地解决扫描匹配算法中的任意配准问题,提高机器人定位的精度。最后,重点研究并实现了基于粒子滤波器的室内移动机器人自定位算法。对影响该算法性能的重要因素,例如提议分布、权重计算方法、重采样方法、粒子数目等进行了详细的讨论分析;提出全局随机粒子辅助滤波器方法,解决机器人绑架和全局定位失败的恢复问题;采用爬山算法优化全局粒子分布,减少了粒子数目和计算时间,提高了全局定位的效率;针对动态环境下未知障碍物导致定位错误的问题,研究分析研究了该情景下激光扫描数据的模式,实现了未知障碍物检测和滤除的算法,解决了动态环境下的机器人定位问题;从实际应用角度出发,分析了算法各步骤的运行时间,提出了基于时间约束的分步采样方法;最后整合本文提出的各种改进方法,给出算法的整体流程框架。通过仿真实验和真实机器人实验,验证了本文改进定位算法的有效性和鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 机器人概述
• 1.1.2 智能移动机器人
• 1.2 自定位问题及其研究意义
• 1.3 国内外研究现状
• 1.4 本文的研究内容和组织结构
• 第二章 机器人定位问题和滤波理论
• 2.1 机器人和环境系统
• 2.2 定位问题描述和分类
• 2.3 贝叶斯滤波定位理论
• 2.4 高斯滤波方法
• 2.4.1 卡尔曼滤波器
• 2.4.2 扩展卡尔曼滤波器
• 2.5 粒子滤波器
• 2.5.1 重要性采样
• 2.5.2 序列重要性采样
• 2.5.3 采样-权重重采样
• 2.5.4 粒子滤波算法
• 2.6 本章小结
• 第三章 传感器模型和环境表示
• 3.1 里程计和航迹推算定位
• 3.1.1 里程计
• 3.1.2 基于里程计的航迹推算定位
• 3.1.3 机器人运动的概率模型
• 3.2 激光和扫描匹配定位
• 3.2.1 激光传感器
• 3.2.2 基于激光扫描匹配的定位
• 3.2.3 迭代最近点扫描匹配算法
• 3.2.4 遗传迭代最近点扫描匹配算法
• 3.2.5 实验
• 3.3 环境地图的表示
• 3.4 本章小结
• 第四章 粒子滤波定位
• 4.1 基本粒子滤波定位算法
• 4.1.1 运动模型采样
• 4.1.2 观测模型计算粒子权重
• 4.1.3 重采样操作
• 4.2 动态自适应粒子数
• 4.3 随机粒子辅助滤波器
• 4.3.1 全局随机粒子
• 4.3.2 辅助滤波器
• 4.4 爬山算法优化全局粒子分布
• 4.4.1 问题描述与分析
• 4.4.2 爬山优化的描述与分析
• 4.5 动态环境下的未知障碍物检测滤除
• 4.6 计算时间约束
• 4.7 实验
• 4.7.1 仿真实验
• 4.7.2 真实机器人实验
• 4.8 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢