移动机器人同时定位与地图创建方法研究

论文摘要

在移动机器人导航中,实现机器人自身的准确定位是一项最基本、最重要的功能,也是移动机器人研究中备受关注、富有挑战性的一个重要研究主题。本文的研究工作就是围绕着移动机器人自主定位进行的。然而,机器人的定位是以环境地图为基础的,而环境地图的创建又需要精确的定位。在未知环境中,这是一个既矛盾又相关的过程。为了实现真正意义上的自主导航,必须把机器人定位和环境地图创建作为一个问题来解决,使机器人具有同时定位与地图创建(SLAM)的能力。本文在山东省自然科学基金课题“新型智能导游机器人(Y2002G18)”和山东省科技攻关项目“多语种智能导游机器人(031080124)”的支持下,对移动机器人定位和SLAM进行了研究。针对传统方法的不足,提出改进的机器人定位和SLAM方法,以提高移动机器人自主探测未知环境的能力。具体研究内容包括以下几方面:1、通过分析观测噪声统计特性对扩展卡尔曼滤波算法性能的影响,提出一种基于观测噪声模糊自适应调整的扩展卡尔曼滤波定位方法。该方法利用模糊逻辑和协方差匹配技术对观测噪声协方差R进行自适应调整,以克服观测噪声统计特性不确定的影响,实现定位算法性能的在线改进。同时采用一种传感器故障诊断和修复算法来监测传感器状态,提高算法的鲁棒性。将该方法用于观测噪声统计特性未知情况下的机器人定位,不仅可以降低观测噪声先验信息不完备的影响,而且能够防止滤波器发散和提高机器人定位的精度。2、针对普通粒子滤波算法容易受到样本贫化的影响,而且需要大量的样本才能取得较好定位效果的问题,提出一种进化粒子滤波定位方法。将进化计算中选择、交叉和变异操作引入粒子滤波算法,对样本进行优化,使样本向后验密度分布取值较大的区域运动,从而更好地表达系统的后验密度。同时改善样

论文目录

• 独创性声明
• 学位论文版权使用授权书
• 摘 要
• Abstract
• 1 绪论
• 1.1 移动机器人系统的研究概述
• 1.2 问题的提出及研究的意义
• 1.3 移动机器人定位与地图创建概述
• 1.3.1 移动机器人定位
• 1.3.1.1 位置跟踪
• 1.3.1.2 全局定位
• 1.3.2 地图创建
• 1.3.2.1 栅格地图
• 1.3.2.2 特征地图
• 1.3.2.3 拓扑地图
• 1.4 移动机器人同时定位与地图创建（SLAM）概述
• 1.4.1 SLAM 的实现方法
• 1.4.1.1 基于扩展卡尔曼滤波（EKF）的SLAM 方法
• 1.4.1.2 基于粒子滤波的SLAM 方法
• 1.4.1.3 提高SLAM 鲁棒性的方法
• 1.4.1.4 降低SLAM 算法复杂度的方法
• 1.4.2 SLAM 研究的关键问题
• 1.4.2.1 不确定信息的处理
• 1.4.2.2 数据关联问题
• 1.4.2.3 算法的复杂度
• 1.4.2.4 地图的表示
• 1.4.3 SLAM 的研究趋势
• 1.5 论文的主要研究内容与组织结构
• 2 移动机器人系统建模
• 2.1 坐标系统模型
• 2.2 机器人位置模型
• 2.3 里程计或控制命令模型
• 2.4 机器人运动模型
• 2.5 环境地图模型
• 2.6 传感器观测模型
• 2.7 环境特征的动态模型
• 2.8 传感器噪声模型和系统噪声模型
• 2.9 本章小结
• 3 基于模糊自适应卡尔曼滤波移动机器人定位方法研究
• 3.1 引言
• 3.2 移动机器人定位问题
• 3.3 卡尔曼滤波算法与扩展卡尔曼滤波算法
• 3.3.1 卡尔曼滤波算法
• 3.3.2 扩展卡尔曼滤波算法（EKF）
• 3.3.3 基于EKF 的移动机器人定位
• 3.3.3.1 机器人运动模型
• 3.3.3.2 观测模型
• 3.3.3.3 数据关联
• 3.3.3.4 EKF 定位算法
• 3.3.3.5 EKF 定位实验结果
• 3.4 模糊自适应扩展卡尔曼滤波定位算法
• 3.4.1 模糊自适应扩展卡尔曼滤波算法
• 3.4.2 传感器故障诊断与修复算法
• 3.4.3 定位实验结果
• 3.5 本章小结
• 4 基于进化粒子滤波的移动机器人定位方法研究
• 4.1 引言
• 4.2 粒子滤波算法
• 4.2.1 贝叶斯滤波原理
• 4.2.2 顺序重要性采样（SIS）
• 4.2.3 样本退化
• 4.2.4 粒子滤波算法的描述
• 4.3 基于粒子滤波的移动机器人定位算法
• 4.4 进化粒子滤波算法
• 4.4.1 进化选择
• 4.4.2 交叉和变异
• 4.4.3 进化粒子滤波算法描述
• 4.4.4 定位实验与结果分析
• 4.4.4.1 机器人的运动模型和观测模型
• 4.4.4.2 实验结果分析
• 4.5 本章小结
• 5 基于支持向量回归的 EKF 粒子滤波定位算法
• 5.1 引言
• 5.2 改进的粒子滤波算法
• 5.2.1 计算EKF 重要性采样函数
• 5.2.2 支持向量回归（SVR）算法
• 5.2.3 改进的粒子滤波算法描述
• 5.3 仿真实验与结果分析
• 5.4 本章小结
• 6 基于改进粒子滤波算法的移动机器人同时定位与地图创建方
• 6.1 引言
• 6.2 移动机器人SLAM 问题
• 6.3 基于Rao-Blackwellized 粒子滤波的SLAM 方法
• 6.4 改进的粒子滤波SLAM 方法
• 6.4.1 基于PF 的机器人位姿估计
• 6.4.2 基于SVR 粒子滤波的路标位置估计
• 6.4.3 计算位姿样本的重要性权重
• 6.4.4 自适应重采样
• 6.4.5 改进的粒子滤波SLAM 方法描述
• 6.5 SLAM 实验结果
• 6.5.1 机器人运动模型和路标运动模型
• 6.5.2 观测模型
• 6.5.3 SLAM 实验结果
• 6.6 本章小结
• 7 总结与展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 攻读博士学位期间发表的论文和参加的科研项目