论文部分内容阅读
近年来,移动机器人作为目前热门的基础研究方向,受到广泛关注,同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术作为移动机器人自主导航的关键,在移动机器人身处未知环境定位失效过程中提供必要支撑。所以本论文分别从基于概率的卡尔曼SLAM和SLAM中的数据关联这两个方面出发,对移动机器人同步定位与建图技术进行研究。主要内容如下:（1）从移动机器人SLAM入手,建立了移动机器人运动学模型、传感器观测模型、环境地图模型以及数据关联模型,定义了其实施过程中所需的坐标系,并基于上述模型建立并阐述了移动机器人SLAM概率模型。（2）为了解决基于粒子滤波器的同步定位与建图算法（Fast simultaneous localization and mapping,Fast SLAM）在运行过程中所存在的一致性差,以及过程中其估计精度随粒子的退化和贫化逐渐降低的问题,本文提出了一种改进粒子建议分布函数和重采样的Fast SLAM算法。在此算法中,在移动机器人定位估计阶段采用强跟踪平方根中心差分卡尔曼滤波（Strong Tracking Square Root Central Difference Kalman Filter,STSRCDKF）获取自适应调节分布函数,使其更加近似粒子后验概率分布,进而提高粒子采样精度;在地图估计阶段,采用STSRCDKF实现对环境路标存在位置的判定,提高移动机器人建图精度;最后在重采样阶段,提出了一种自适应的蝙蝠启发式重采样技术（BAR）,克服了粒子退化和贫化的问题,并且与目前存在SR,PRR和AGR方法相比,具有更好的优化效果,对粒子执行系统重采样策略,从而在降低粒子退化现象的同时保证粒子的多样性。仿真结果表明,相比STSRCDFast SLAM算法和Fast SLAM2.0算法,本文提出的算法减小了一致性偏差,提高了实时建图的精度,性能也更为鲁棒。（3）数据关联在移动机器人SLAM中作为其状态估计的必要前提,保证其在定位与建图过程中的收敛性。针对SLAM中所应用的数据关联算法无法平衡计算复杂度和关联度的问题,本文提出了联合最大似然的数据关联算法。将SLAM的数据关联问题转化为一种组合优化问题,利用蝙蝠搜寻最优解进行数据关联。仿真结果表明,本文所提出的数据关联算法保证了其运行过程中的收敛性,简化了原有算法的复杂度,提高了关联度。（4）搭建移动机器人平台,在室内,走廊和环形走廊三种环境中进行三种算法仿真对比。在室内测试中,本文提出的IBFast SLAM算法在边界清晰度、细节完整性和粒子抑制效果更好。在走廊测试中,本文提出的IBFast SLAM算法在细节完整性、粒子抑制效果更好;在百米误差,均方根误差控制偏差更小。在闭环走廊环境中,可以看出本文提出的BAJML算法回环效果更好,其余的JML算法与JCBB算法在回环处有略微偏差。