基于粒子滤波的机器人定位及目标跟踪

论文摘要

近年来,移动机器人同时定位与地图构建(Simultaneous Localization and Mapping, SLAM)已经成为智能机器人研究领域的热点话题。应用传感器感知的信息实现可靠定位是自主移动机器人最基本、最重要的能力,也是机器人研究中备受关注富有挑战性的一个研究主题。机器人同时定位与地图创建是自主移动机器人在未知环境运动的先决条件。在机器人自主控制中,动态目标发现与跟踪(Detection and Tracking of Moving Objects, DATMO)方法是另一项关键性技术。早期的研究认为SLAM与DATMO是两个独立的问题。实际上,两者之间是互为补充的关系。为了实现水下机器人自治能力,以及汽车、轮船、飞机等交通工具自主驾驶及安全辅助驾驶的功能,SLAM与DATMO算法最终将融合在一起。文章首先回顾了SLAM与DATMO技术的发展与应用,并指出两者之间的关系。在此基础上引出了本文研究的重点:首先是基于粒子滤波器实现SLAM的算法,深入研究和探讨了粒子滤波器在处理SLAM问题上的优势,仿真结果显示基于粒子滤波的SLAM具有较高的定位精度,并且在处理非线性问题上具有良好的表现。通过与基于EKF的SLAM仿真结果相比较,显示了基于粒子滤波的SLAM算法的准确性和鲁棒性。文中提出用粒子滤波器实现DATMO的算法,DATMO的仿真结果证实了本算法的正确性与可靠性。实验数据表明在动态环境中运用本算法处理机器人自身定位和动态目标跟踪问题,定位的准确性和收敛性得到大幅度的提高。与EKF算法在一致性方面的比较显示了本算法在处理动态非线性问题上的卓越性能。本文算法思想是将粒子滤波器应用于机器人同时定位与地图构建以及动态目标跟踪中。将后验概率分解成两部分,一是路径的后验概率,另一个是以路径概率为条件的环境特征(静态的,动态的)的后验概率。除了对机器人的路径以及环境特征进行采样,粒子滤波器也对数据关联的可能性进行采样。对数据关联的可能性进行采样使得仿真结果的准确性得到大幅提高。与传统的EKF算法相比,粒子滤波器处理SLAM问题可以得到更高的定位精度,处理动态环境中的机器人自身定位与目标跟踪具有更强的鲁棒性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 SLAM 与DATMO 在国内外的研究发展与应用、关系
• 1.2.1 SLAM 与DATMO 的研究发展
• 1.2.2 SLAM 与DATMO 的应用
• 1.2.3 SLAM 与DATMO 的关系
• 1.3 本课题的主要工作及论文的组织结构
• 2 移动机器人定位与构图问题
• 2.1 移动机器人的定位问题
• 2.2 移动机器人的构图问题
• 2.2.1 栅格地图
• 2.2.2 特征地图
• 2.2.3 拓扑地图
• 2.3 传感器模型及机器人运动模型
• 2.3.1 LM5200 激光测距仪特性及模型
• 2.3.2 里程计模型
• 2.3.3 机器人和移动物体模型
• 2.4 基于EKF 的SLAM
• 2.5 基于概率的SLAM
• 2.6 基于粒子滤波器的SLAM
• 2.7 数据关联
• 2.7.1 数据关联的过程
• 2.7.2 门限过滤
• 2.8 本章小结
• 3 基于粒子滤波的同时定位与地图构建（SLAM）
• 3.1 SLAM 问题的定义
• 3.2 SLAM 的后验概率估计
• 3.3 粒子滤波器实现SLAM 推导
• 3.3.1 后验概率的分解表达
• 3.3.2 分解SLAM 的公式
• 3.4 粒子滤波器实现SLAM 方法
• 3.4.1 基本的粒子滤波器
• 3.4.2 机器人定位算法的步骤
• 3.4.3 采样
• 3.4.4 假设分布
• 3.4.5 环境特征估计的更新
• 3.4.6 权值计算
• 3.4.7 权值重采样
• 3.4.8 基于粒子滤波的SLAM 算法概述
• 3.5 实验结果
• 3.5.1 粒子滤波器实现SLAM 的仿真结果
• 3.5.2 EKF 实现SLAM 的仿真结果
• 3.5.3 PF-SLAM 和EKF-SLAM 比较
• 3.6 本章小结
• 4 动态目标的发现与跟踪（DATMO）
• 4.1 动态目标的跟踪
• 4.2 机器人同时定位与动态目标跟踪
• 4.3 问题描述
• 4.4 参数表示
• 4.5 基于粒子滤波的DATMO 算法
• 4.5.1 观测模型
• 4.5.2 运动模型
• 4.5.3 数据关联
• 4.5.4 算法结构
• 4.6 仿真结果
• 4.7 本章小结
• 5 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 附录A PF -Based SLAM算法
• 致谢
• 个人简历
• 攻读硕士学位期间发表的论文