论文部分内容阅读
同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)是指移动机器人在未知环境中行进时用传感器观测信息增进式地构建环境地图,同时实现自身定位。SLAM的解决方式是智能移动机器人研究领域的热点和难点,被认为是能否真正实现机器人自主导航的关键。本文主要对移动机器人SLAM过程中的误差累积问题做了一定的研究,具体内容及贡献如下：(1)介绍了非线性滤波SLAM算法的相关基础理论,包括基于贝叶斯滤波的SLAM通用理论模型、基于扩展卡尔曼滤波的SLAM算法和基于粒子滤波的SLAM算法。(2)针对SLAM过程中的系统测程法误差累积问题,根据SLAM广泛采用的机器人模型建立了合理的误差运动过程模型,参考增广扩展卡尔曼滤波算法框架,提出了一种SLAM方法。详细推导了该方法的具体算法过程,建立了特征地图仿真环境,进行了仿真实验。(3)基于FastSLAM算法,对机器人误差运动模型的适用性展开了相关研究。推导了包含机器人运动模型误差参数的粒子滤波算法过程。在含有较多路标点的特征地图中,就粒子数较少和较多两种情况下对算法进行了仿真实验。(4)在深入学习机器人操作系统的运行机制后,搭建了TurtleBot机器人实验平台,修改了SLAM功能包中的相关模块。在长廊场景下进行了SLAM测试实验,在办公室环境下进行了机器人自主导航实验。实验结果表明：对于轮式移动机器人,运用所提出的误差运动过程模型能够有效减小航向角和测程法的误差,可以明显改善SLAM状态的估计精度,能较好地完成导航任务。