動態(tài)未知環(huán)境下移動機器人同時定位與地圖創(chuàng)建.pdf

1、伴隨著機器人技術(shù)的發(fā)展以及它們在日常生活和工作的廣泛應(yīng)用，研究者越來越熱衷于研究機器人，其中移動機器人同時定位與地圖創(chuàng)建(Simultaneous Localization and Mapping,SLAM)問題逐漸成了研究者研究和改進的基本問題與熱點，與此同時此問題也是移動機器人真正實現(xiàn)智能化并自主完成自身任務(wù)（例如自主導航、控制決策等）的關(guān)鍵。移動機器人同時定位與工作環(huán)境地圖的創(chuàng)建，是指機器人在其工作環(huán)境工作的過程中，根據(jù)從傳感器中

2、獲得的數(shù)據(jù)，聯(lián)合估計信息以及狀態(tài)轉(zhuǎn)移模型、觀測模型精確地定位自身的位姿，同時增量式地創(chuàng)建機器人所處工作環(huán)境的地圖。目前在SLAM算法框架的研究中，機器人主要使用的工作環(huán)境場景是靜態(tài)環(huán)境，但是在實際的應(yīng)用中，機器人所處的工作環(huán)境往往是隨著時間或者空間的推移處于動態(tài)變化中，因此，研究機器人在動態(tài)未知環(huán)境下的同時定位與地圖的創(chuàng)建以及對現(xiàn)有算法的改進具有十分重要的意義。
　　本文首先介紹了SLAM的研究進程以及該研究領(lǐng)域中廣泛使用的SLA

3、M算法模型，以及機器人表示其工作環(huán)境所使用環(huán)境地圖的表示種類和觀測值與預(yù)測值之間的數(shù)據(jù)關(guān)聯(lián)方法；接著，詳細地介紹了SLAM Bayes算法框架，并進一步說明了根據(jù)不同的概率計算方式衍生出的標準卡爾曼濾波SLAM和粒子濾波SLAM算法模型，并且在標準的算法模型框架上引入了卡爾曼濾波器SLAM的改進算法：擴展卡爾曼濾波器SLAM和無跡卡爾曼濾波器SLAM；為了引出本文解決動態(tài)SLAM的中心思想，詳細地介紹了支持該算法模型的理論基礎(chǔ)：有限集理

4、論以及PHD-SLAM，同時提出了更好地解決SLAM問題的粒子PHD-SLAM算法模型以及無跡粒子PHD-SLAM算法模型；進一步地，本文使用有限集來表示機器人位姿以及地圖特征的聯(lián)合狀態(tài)以及預(yù)測模型中的觀測集，對于地圖中的每個特征設(shè)置狀態(tài)值和觀測總次數(shù)值（初始值都為零），狀態(tài)值來表示該特征未被關(guān)聯(lián)的次數(shù)，觀測總次數(shù)值表示該特征總共在計算的過程中所使用的次數(shù)，并使用局部的思想，以此刻位姿為中心，Kinect所能觀測到的最小以及最大范圍為半