移動機(jī)器人的同時定位和地圖構(gòu)建.pdf

1、隨著社會信息化技術(shù)的發(fā)展,工業(yè)、農(nóng)業(yè)、科研、國防等各個領(lǐng)域越來越需要高性能的自動化系統(tǒng).特別是在機(jī)器人與自動化領(lǐng)域,更是引起了很多人的興趣.眼下,世界各地的機(jī)器人公司和科研機(jī)構(gòu)正加緊開發(fā)研制各種智能移動服務(wù)機(jī)器人,代替人類工作.開發(fā)研制各種自主車系統(tǒng),用于安全駕駛或者軍事.根據(jù)機(jī)器人的工作環(huán)境,可以分為室內(nèi)移動機(jī)器人和室外自主車系統(tǒng)(ALV,Autonomous Land Vehicle).在所有這些應(yīng)用中,自主導(dǎo)航是一個最基本的需求,

2、而機(jī)器人定位又是自主導(dǎo)航的最基本內(nèi)容,并且現(xiàn)代定位方法是結(jié)合內(nèi)、外部傳感器的基于環(huán)境地圖的定位方法.所以本文就圍繞著移動機(jī)器人研究中的環(huán)境地圖構(gòu)建、移動機(jī)器人定位、同時定位與地圖構(gòu)建三個問題進(jìn)行了深入研究,取得了一些有意義的成果.第一部分內(nèi)容是環(huán)境地圖構(gòu)建,包括室內(nèi)環(huán)境地圖構(gòu)建和室外環(huán)境地圖構(gòu)建.對于室內(nèi)環(huán)境地圖構(gòu)建,由于采樣點在空間分布上的不均勻性,運用變閾值自適應(yīng)分隔方法對采樣點進(jìn)行聚類,同時運用加權(quán)統(tǒng)計中心來表示擬合線段的中點.相

3、對于常閾值分隔和統(tǒng)計平均中心,這種方法能夠更好地近似實際環(huán)境對象,構(gòu)建更精確的局部線段地圖和局部特征點地圖.對局部地圖進(jìn)行融合構(gòu)建全局地圖,在融合的過程中保持線段或特征點的順序位置關(guān)系,構(gòu)建順序環(huán)境地圖.對于室外道路環(huán)境地圖構(gòu)建,首先提出了一個基于統(tǒng)計密度的障礙檢測算法,用于道路環(huán)境和越野環(huán)境下的障礙檢測.提取環(huán)境路標(biāo)特征,構(gòu)建由道路兩側(cè)大樹組成的局部環(huán)境地圖.對同一環(huán)境路標(biāo)特征的多次觀測,分別基于獨立性假設(shè)和相關(guān)性假設(shè),對局部地圖進(jìn)行

4、融合構(gòu)建全局一致的2D環(huán)境地圖.對于室外越野環(huán)境地圖構(gòu)建,通過對多次觀測信息的融合,構(gòu)建以柵格表示的3D環(huán)境地形圖.第二部分內(nèi)容是移動機(jī)器人定位,包括全局定位和局部位置跟蹤.對于全局定位,基于順序地圖和相對位置關(guān)系,混合完整線段和特征點,提出了一個有效的匹配方法.以全局地圖作參考幀,用于機(jī)器人全局定位,以局部地圖作參考幀,用于幀間定位.運用順序地圖,提高了匹配搜索效率,運用相對位置關(guān)系,避免了不斷的坐標(biāo)變換.對于機(jī)器人局部位置跟蹤,在卡

5、爾曼濾波的框架內(nèi),通過重新構(gòu)造系統(tǒng)狀態(tài)向量,選用觀測路標(biāo)特征在全局地圖中的坐標(biāo)位置作為觀測向量,系統(tǒng)動態(tài)方程和系統(tǒng)觀測方程是線性的,從而運用最優(yōu)的卡爾曼濾波對機(jī)器人位置進(jìn)行遞歸估計.它克服了由非線性系統(tǒng)方程進(jìn)行線性化時引入的線性化誤差.最后,對幾種定位方法,包括擴(kuò)展卡爾曼濾波,擴(kuò)展卡爾曼濾波,Unscented卡爾曼濾波,馬爾可夫定位,蒙特卡洛定位,匹配定位,進(jìn)行了實驗比較.第三部分是同時定位與地圖構(gòu)建(SLAM,Simultaneou

6、s Localization and Map-building),好比"雞生蛋,蛋生雞"的問題,包括室內(nèi)和室外環(huán)境下的同時定位與地圖構(gòu)建.對于室內(nèi)環(huán)境,在全協(xié)方差SLAM方案的基礎(chǔ)上,通過重新構(gòu)造系統(tǒng)狀態(tài)向量,選用適當(dāng)?shù)挠^測向量,系統(tǒng)動態(tài)模型、觀測模型、環(huán)境特征增廣模型都是線性的,得到一個基于線性系統(tǒng)模型的SLAM方案.調(diào)整狀態(tài)向量元素的順序,協(xié)方差矩陣對角線上是兩個相同的對稱子矩陣,非對角線上是兩個相反的負(fù)對稱子矩陣.對這個方案進(jìn)行優(yōu)