自主式水下机器人同时定位与地图构建算法的研究

论文摘要

自主式水下机器人AUV(Autonomous Underwater Vehicle)代表了未来水下机器人技术的研究方向,是目前研究工作的热点。而导航问题仍是AUV所面临的主要技术挑战之一,在导航问题中,定位问题又是移动机器人的基本问题,是指移动机器人通过携带的传感器完成对内部状态的检测或对外部环境的感知,从而估算其自身位置和姿态的过程。在未知的环境中,机器人的定位与构图是融为一体相互关联的,即同时定位和地图构建SLAM (Simultaneous Localization and Mapping)。问题可描述为:一个自主移动机器人从未知环境中的未知位置出发,在机器人航行过程中根据自身携带的传感器采集的数据实现自身位置的确定,同时增量式地构建全局环境地图。本文首先介绍了SLAM算法的基础即卡尔曼滤波器理论,然后阐述了在单纯声纳更新的SLAM算法基础上引入了其他传感器更新环节的SLAM算法,即多传感器更新的SLAM算法,详细介绍了其实现流程,并从理论上说明其能够提高了机器人定位和构图精度。接着介绍了试验的前期准备,即AUV平台携带的传感器以及SLAM算法中用于构建环境地图的特征的提取。提取精确可靠的环境特征是SLAM算法准确度的保障,而环境特征的表示则依据机器人航行的环境。然而直接提取的环境特征可能比较密集,影响了SLAM算法的效率和精度,因此需对特征点进行去噪声和稀疏化处理,噪声是针对声纳自身的噪声及其环境背景噪声,而稀疏化处理则是针对声纳发射的单个波束及其多个波束间的冗余信息的。最后通过湖试和海试试验验证了多传感器更新的SLAM算法的有效性。湖试试验的结果表明了该算法在机器人的定位和构图精度方面优于仅声纳更新的SLAM算法,而较长距离的海试试验进一步验证了该算法的有效性,且说明了该算法的定位和构图精度满足自主式水下机器人的航行要求。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 AUV 研究概况
• 1.1.1 国内研究概况
• 1.1.2 国外研究概况
• 1.1.3 AUV 的关键技术
• 1.2 SLAM 概述
• 1.3 论文的组织结构
• 2 AUV 同时定位与地图构建算法（SLAM）
• 2.1 卡尔曼滤波器原理
• 2.2 SLAM 算法的系统模型
• 2.2.1 坐标模型
• 2.2.2 状态模型
• 2.2.3 观测模型
• 2.2.4 特征模型
• 2.3 基于EKF 的SLAM 算法
• 2.3.1 AUV 状态向量
• 2.3.2 SLAM 算法的执行流程
• 2.4 多传感器更新的EKF SLAM 算法
• 2.4.1 算法流程图
• 2.4.2 伪代码描述
• 2.4.3 SLAM 算法描述
• 2.4.4 最近邻数据关联算法
• 2.5 本章小结
• 3 AUV 传感器与特征提取
• 3.1 AUV 试验平台
• 3.1.1 构建环境地图和避障的传感器：SONAR
• 3.1.2 速度传感器：DVL
• 3.1.3 角度传感器：AHRS、GYRO
• 3.1.4 位置信息传感器：GPS
• 3.2 声纳数据的特征提取
• 3.2.1 声纳扫描原理
• 3.2.2 特征提取的目的
• 3.2.3 特征提取方法
• 3.3 声纳特征校正
• 3.4 本章小结
• 4 AUV SLAM 的湖试与海试
• 4.1 湖试与结果分析
• 4.1.1 仅声纳更新的SLAM 算法的轨迹和地图
• 4.1.2 多传感器更新的SLAM 算法的轨迹和地图
• 4.1.3 SLAM 算法的定位偏差
• 4.2 较长距离海试与结果分析
• 4.2.1 AUV 航行的环境地图
• 4.2.2 AUV SLAM 算法的轨迹和地图
• 4.2.3 AUV SLAM 算法的轨迹和地图的不确定度
• 4.2.4 AUV SLAM 算法定位偏差
• 4.3 本章小结
• 5 总结与展望
• 5.1 论文总结
• 5.2 未来展望
• 参考文献
• 附录A 2D 空间的变换运算
• 附录B 经纬度到地球坐标系的转换
• 致谢
• 个人简历
• 攻读硕士学位期间发表的学术论文与专利