自主式水下機器人同時定位與地圖構建中的數(shù)據(jù)關聯(lián)算法研究.pdf

1、同時定位與地圖構建(SimultaneousLocalizationandMapping,SLAM)方法作為一種極其具有挑戰(zhàn)意義的課題在機器人導航領域得到廣泛的研究并取得了突破性的進展。SLAM算法不需要先驗的水下環(huán)境信息,當機器人在水下運動時,利用自身攜帶傳感器感知環(huán)境,提取環(huán)境中的有用信息,利用這些信息進行自身定位,與此同時,增量地構建水下環(huán)境地圖。然而在海底復雜的環(huán)境中,大多數(shù)外部傳感器都不可用,自主式水下機器人(Autonomo

2、usUnderwaterVehicle,AUV)只能依靠艙內攜帶的慣性傳感器來獲取自身的相關信息以及通過主動式聲納來獲取周圍的環(huán)境信息,而此時聲納所獲得的觀測信息卻具有嚴重的噪聲干擾,對AUV的導航與定位造成了很大的困難,同時也對SLAM算法提出了更高的要求。
　　 在SLAM算法中,數(shù)據(jù)關聯(lián)是一個最為關鍵也最為困難的問題,特別是在水下復雜多變的環(huán)境中,可靠的數(shù)據(jù)關聯(lián)顯得尤為重要。數(shù)據(jù)關聯(lián)是將環(huán)境中觀測到的特征同之前觀察到的特征

3、或是地圖中已存特征關聯(lián)的過程,正確的數(shù)據(jù)關聯(lián)可以讓機器人相對于它觀測到的特征來決定自身的位置,而少數(shù)的幾次關聯(lián)失敗都有可能導致SLAM算法的發(fā)散。
　　 本文闡述了數(shù)據(jù)關聯(lián)的基本理論,進而結合AUV模型闡述了基于擴展卡爾曼濾波器(ExtendedKalmanFilter,EKF)的SLAM算法的框架和具體實現(xiàn)步驟,并針對其中的關鍵步驟--數(shù)據(jù)關聯(lián)進行重點介紹,指出了數(shù)據(jù)關聯(lián)中存在的問題,然后通過仿真實驗詳細比較了其中兩種最常用的

4、數(shù)據(jù)關聯(lián)算法--單一兼容最近鄰(IndividualCompatibilityNearestNeighbor,ICNN)和聯(lián)合兼容分枝界限(JointCompatibilityBranchandBound,JCBB)的性能。仿真結果表明,使用JCBB算法來處理SLAM中的關聯(lián)問題具有較好的魯棒性,然而卻具有計算復雜度大、運算速度慢的缺點。本文針對JCBB的計算復雜度提出了一些相關的改進措施,同時通過對仿真結果的分析,表明在基于EKF的S