移动机器人同时定位与地图创建的研究.pdf

国内图书分类号：
国际图书分类号：621


工学硕士学位论文

移动机器人同时定位与地图创建的研究








硕士研究生 : 王忠善
导师: 付宜利 教授
申请学位: 工学硕士
学科、专业 : 机械电子工程
所在单位: 机电学院
答辩日期: 2008 年 6 月
授予学位单位 : 哈尔滨工业大学
Classified Index:
: 621
Dissertation for the Masteral Degree in Engineering

RESEARCH ON SIMULTANEOUS
LOCALIZATION AND MAPPING FOR
MOBILE ROBOT





Candidate: Wang Zhong Shan
Supervisor: Prof. Fu Yi Li
Academic Degree Applied for: Master of Engineering
Specialty: Mechatronics Engineering
Affiliation: School of Mechatronics
Date of Defence: June , 2008
Degree-Conferring-Institution: Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘 要

在移动机器人领域，同时定位与地图创建(Simultaneous Localization and
Mapping, SLAM)问题的研究日益受到人们关注，被认为是实现真正全自主
移动机器人的关键。
本文描述了机器人位置模型及环境地图模型的表示方法，建立了移动机
器人的运动模型、观测模型。
室内环境特征可主要抽象为点特征和线段特征。根据超声测距传感器的
特点，对于同一特征的不同测量，点特征的位置为传感器测量圆弧的交点，
线段特征位置为传感器测量圆弧切线，获得特征位置前需要先进行特征类型
的判断。本文提出的直线多次测量模型，通过比较测量圆弧交点间的接近程
度与切点间的接近程度，实现了室内环境点和线段特征的类型判别，再通过
测量圆弧交点和切点的计算完成特征参数的提取，使配备超声测距传感器的
移动机器人能有效获得特征观测量，确定环境特征的位置。本文将此方法用
于移动机器人 SLAM 问题研究中，用直线多次测量模型获取系统观测量，
实现了基于超声测距特征地图的 SLAM。
机器人运动系统模型普遍存在着模型信息不准确不完整、系统参数容易
变化等问题，在应用扩展卡尔曼滤波解决 SLAM 问题时使预测估计不可
靠，进而使基于此估计值的特征观测量误差变大，最终使滤波发散。本文提
出了将神经网络辅助卡尔曼滤波的方法，用神经网络的非线性拟合能力来逼
近模型误差。把神经网络的全部连接权值扩展到系统状态中，用扩展卡尔曼
滤波进行状态估计的同时在线训练网络权值，使网络在线学习获取模型误差
校正机器人位姿估计。本文推导了基于神经网络的辅助卡尔曼滤波 SLAM
执行过程，对网络雅克比矩阵进行了详细的求解。