论文部分内容阅读
移动机器人导航是机器人研究领域的重要课题。在导航技术中,自定位是机器人应当具备的基本功能,但是定位问题离不开环境地图的创建。如果把机器人的自主定位和地图创建作为一个问题来解决,就为实现真正的自我导航提供了良好的前提条件,即同时定位和地图创建(Simultaneous Localization and Mapping)问题,简称SLAM问题。SLAM问题的解决是过去十几年机器人领域最显著的成绩之一,已被应用在室外、水下和陆地等不同领域。面对真实世界的复杂性和动态特点,为了提高移动机器人的智能性,高适应性、高鲁棒性、高效率的SLAM方法是机器人领域的研究热点。本文对移动机器人的同时定位与地图创建问题进行了研究。针对传统SLAM方法存在的问题,以鲁棒性和自适应能力为着眼点,以提高移动机器人在未知环境下自主导航的能力为目标,设计了一种基于强跟踪滤波器(STF)的自适应UKF-SLAM算法。论文的主要工作及贡献包括:1.对移动机器人导航系统进行了建模。所建立的模型主要包括环境地图模型、机器人位置和运动模型、传感器观测模型,噪声模型等。这些基本模型是SLAM问题的研究的平台基础。2.对传统SLAM方法进行了分析。分析表明,扩展卡尔曼滤波算法(EKF)是传统的非线性系统线性化方法,可以用于解决同时定位与地图创建问题;粒子滤波算法(PF)具有状态估计精确度高的优点,不过需要随机产生大量粒子,需要在导航的实时性上加以改进;无迹卡尔曼滤波算法(UKF)利用确定性采样点来近似状态向量的概率分布,可以避免粒子退化问题。3.针对上述几种SLAM算法存在鲁棒性和自适应性差的缺点,提出了基于强跟踪滤波器(STF)的自适应UKF-SLAM算法。针对STF具有极强的模型失配的鲁棒性,且具有概念清晰、计算简单的优点,本文通过融合UKF和强跟踪滤波器来优化SLAM算法,获得UKF-SLAM算法,该算法中的每个Sigma点均进行STF更新,通过STF在线调节因子来相应调节滤波增益,达到提高自适应SLAM算法的自适应调整能力和鲁棒性的目的。本文最后一章对全文进行总结,并且对同时定位与地图创建的研究前景进行了展望。