基于B样条特征的SLAM算法研究

论文摘要

为了成功地完成未知环境中的各项任务，移动机器人必须具有利用其自身位姿信息及周围环境特征地图来实现自主导航的能力。对机器人自身位姿和环境特征地图的估计问题通常被称作同时定位与地图构建（SLAM）问题。随着SLAM逐渐成为机器人领域的研究热点，特征提取作为SLAM算法中的一个关键环节，近期也受到人们越来越多的关注。特征提取的方法有很多，最常用的有点特征提取和线特征提取。虽然基于点特征和线特征的提取方法在SLAM问题中已经得到成功的应用，但随着现代环境中曲线几何特征的出现，准确而有效的描述复杂性逐步增加的环境成为当前特征提取急需解决的问题。考虑到环境特征的复杂性以及点特征和线特征描述环境特征的局限性，本文介绍了一种新颖的使用B-样条曲线去描述复杂环境特征的SLAM问题的解决方法——B-样条SLAM。该方法使用B-样条曲线作为环境特征的建模工具，控制点构成的集合可以定义B-样条曲线的形状，用于对环境特征进行完整简洁地描述。因为B-样条曲线使用控制点描述其形状，因此将B-样条应用于EKF-SLAM中同样是可行的。高效的B-样条曲线与EKF-SLAM框架相融合后，可以用参数化的方法表示任何复杂的环境结构。首先，绪论部分简要概述了本文的研究背景及其意义，移动机器人领域导航技术的分类及其优缺点，SLAM算法的产生过程及研究成果。其次，介绍了基于特征的同时定位与地图构建算法（SLAM）的系统状态模型、机器人和特征模型的表示方法，详细介绍了基于EKF的SLAM算法的一般结构框架及各部分的数学模型和公式。再次，介绍了B-样条曲线的基本原理，包括它的定义、重要性质、B-样条曲线的拟合方法及估测控制点协方差矩阵的计算，并用实验验证了曲线阶次和节点间距对B-样条拟合结果的影响。文章然后将B-样条理论与SLAM算法有机地融合在一起形成了本文的核心内容——B-样条SLAM算法。基于B-样条的特征提取，数据关联， B-样条SLAM算法的原理及预测、观测、更新和地图扩充等过程都进行了详细的阐述和推导，仿真实验的初步结果说明无论环境的几何特征如何复杂，B-样条SLAM都可以有效地对其进行描述。文章最后对全文进行了总结和归纳，并指出基于B-样条曲线的SLAM算法今后可以改进的地方以及下一步的努力方向。

论文目录

• 摘要
• Abstract
• 1. 绪论
• 1.1. 课题研究背景及意义
• 1.2. 导航技术简介
• 1.3. 同时定位与地图构建算法（SLAM）综述
• 1.4. 本文主要工作及章节安排
• 2. SLAM 算法原理
• 2.1. 系统状态模型
• 2.2. 机器人和特征模型
• 2.2.1. 机器人过程模型
• 2.2.2. 陆标模型
• 2.2.3. 传感器模型
• 2.3. SLAM 算法估计过程
• 2.3.1. 预测阶段
• 2.3.2. 观测阶段
• 2.3.3. 更新阶段
• 2.3.4. 扩充阶段
• 2.3.5. 数据关联
• 2.4. 本章小结
• 3. B-样条拟合及其仿真
• 3.1. B-样条定义
• 3.2. B-样条曲线的性质
• 3.3. 样条拟合
• 3.4. 估测控制点的协方差矩阵
• 3.5. 仿真实验
• 3.6. 本章小结
• 4. 基于 B-样条的 SLAM
• 4.1. 基于激光测距仪的样条特征提取
• 4.2. 基于 B-样条的数据关联
• 4.3. 基于 B-样条的 EKF-SLAM
• 4.3.1 状态模型
• 4.3.2 预测阶段
• 4.3.3 观测阶段
• 4.3.4 更新阶段
• 4.3.5 地图扩充
• 4.3.6 仿真实验
• 4.4. 本章小结
• 5. 总结与展望
• 参考文献
• 致谢
• 个人简历
• 攻读硕士学位期间发表的论文