室外移動機器人同時定位與建圖的一致性方法研究.pdf

1、同時定位與建圖(Simultaneous Localizationand Mapping，SLAM)是指移動機器人在探測未知環(huán)境時，為實現(xiàn)完全自治，建立增量式的環(huán)境地圖、同時估計自身位姿的過程，是聯(lián)合狀態(tài)估計問題。本文使用激光雷達(dá)作為距離一角度測量傳感器，感知室外環(huán)境中物體與機器人的相對位置，建立點特征地圖;針對SLAM濾波器的一致性問題展開研究，并結(jié)合增量式地圖創(chuàng)建過程的特點，提出若干改進(jìn)方法，將其應(yīng)用于智能車輛環(huán)境地圖創(chuàng)建和偵察機器

2、人自動回撤。
　　 在使用擴(kuò)展卡爾曼濾波器(Extended Kalman Filter,EKF)解決SLAM問題時，利用完全協(xié)方差矩陣維護(hù)不同狀態(tài)分量之間的互相關(guān)，在狀態(tài)更新時利用相關(guān)性對不可觀測的特征進(jìn)行維護(hù)，但模型不精確和線性化引起的累積誤差導(dǎo)致無法正確更新協(xié)方差矩陣，同時產(chǎn)生錯誤的狀態(tài)估計，產(chǎn)生樂觀估計。本文首先驗證了機器人在運動前重復(fù)觀測新的特征時，線性化誤差必將導(dǎo)致不一致性，并發(fā)現(xiàn)機器人方向角的方差較大是主要因素。為

3、了改善一致性能，提出了可移動坐標(biāo)框架方法，在檢測到新的特征時通過坐標(biāo)變換，將參考框架移至機器人當(dāng)前位姿處，使特征的初始方差僅由測量噪聲決定，而與機器人位姿估計誤差無關(guān)。狀態(tài)分量之間的初始相關(guān)性較小、機器人方向角的卡爾曼增益矩陣較小以及位姿估計誤差的有界性，為坐標(biāo)框架移動提供了依據(jù)。改進(jìn)的方法將未知環(huán)境探測變成始終在已探測環(huán)境中進(jìn)行探測，因此將線性化誤差引起的不一致性限制在局部環(huán)境中。
　　 由于EKF在維護(hù)協(xié)方差矩陣時具有平方復(fù)

4、雜度，因此使用擴(kuò)展信息濾波器(Extended Information Filter,EIF)解決SLAM問題。本文以圖模型為數(shù)據(jù)結(jié)構(gòu)，解釋在坐標(biāo)框架移動時，若保留機器人舊的位姿向量，則新的位姿不再與不可檢測到的舊的特征之間產(chǎn)生約束，從而使圖模型保持局部屬性。為了同時獲得較好的一致性和計算性能，提出了可移動坐標(biāo)框架的稀疏信息濾波器，當(dāng)機器人在不同局部環(huán)境中進(jìn)行切換時，使用坐標(biāo)框架移動和保留機器人位姿，使信息矩陣具有確切稀疏性，保證在局部

5、探測時具有常時間計算復(fù)雜度。在特征分布密集的環(huán)境中，為了減少坐標(biāo)框架移動的次數(shù)，結(jié)合現(xiàn)有稀疏化近似方法，可以獲得更稀疏的信息矩陣。
　　 為了實現(xiàn)大規(guī)模環(huán)境探測，利用分治法的思想，提出了一種基于約束的子地圖方法，根據(jù)位置相鄰的子地圖中公共特征之間的匹配關(guān)系、以及子地圖使用的局部坐標(biāo)框架與前一子地圖中機器人位姿之間的等價關(guān)系，建立加權(quán)最小二乘約束。環(huán)路閉合后，使用迭代最優(yōu)化方法求解相應(yīng)的約束方程，計算這些局部坐標(biāo)框架的全局位姿，并

6、對每個子地圖的末端進(jìn)行局部調(diào)整，獲得子地圖對應(yīng)的全局位置，最后得到全局一致的環(huán)境地圖。
　　 最后，針對偵察機器人在探測危險環(huán)境時面臨的自動回撤問題，本文提出了基于路徑點的匹配方法，使用迭代最近點算法逐步調(diào)整回撤時的機器人位姿，使當(dāng)前傳感器測量數(shù)據(jù)與探測階段記錄的關(guān)鍵路徑點對應(yīng)的測量值匹配。對于復(fù)雜環(huán)境探測，將機器人在所有采樣時刻的位姿作為變量，使用原始測量數(shù)據(jù)直接表示環(huán)境，根據(jù)加權(quán)最小二乘方法，首先得到全局一致的原始數(shù)據(jù)地圖，