动态环境下移动机器人同时定位与建图研究.pdf

摘要移动机器人同时定位与建图(SLAM)问题是移动机器人研究领域的基本问题与研究热点,也是移动机器人真正实现自主的最重要的条件之一。所谓同时定位与建图,是指机器人在移动过程中根据位姿估计和传感器数据进行自身定位,同时建造增量式地图。当前提出的很多SLAM问题的解决方法是面向静态环境的,然而机器人真实的工作环境往往是动态的,因此对于动态环境下移动机器人SLAM技术的研究有着十分重要的意义。移动机器人在动态环境下的同时定位与建图主要涉及三个问题: SLAM解决方法、数据关联和动态目标的处理。本文针对这三个问题展开了深入的研究,最后建立和实现了SLAMiDE系统,。本文在研究中取得了以下成果: 针对扩展卡尔曼滤波SLAM方法在路标增加时协方差计算量倍增的问题,提出了一种基于局部地图的扩展卡尔曼滤波同时定位和建图的方法。该方法周期性地以机器人所在位姿为原点建立局部坐标系,进行局部SLAM,然后根据局部地图范围对全局地图更新。由于无需每次更新全局地图,因此减少了计算复杂度,且由于局部地图的独立性,因此该方法累积误差少,同时还会减少计算量。将粒子群优化的思想引入到粒子滤波SLAM中,提出了一种基于粒子群优化的同时定位与建图方法。该方法既可发挥粒子滤波适用任意非线性系统的优点,还可通过增加考虑个体粒子和群体粒子的影响,改善SLAM预测过程的粒子采样,从而提高采样效率。在保证 SLAM的精度和粒子的收敛性的同时,减少粒子集中时所使用的粒子数。针对经典的单匹配最近邻和联合匹配方法中关联假设一旦确定就不能修改的不足,将数据关联问题转换成离散优化问题,提出了一种基于粒子滤波的多假设数据关联方法。其核心是利用多个粒子来维持多种数据关联假设,通过计算关联代价来获得粒子权重,用基本剪枝技术在粒子重采样过程中滤除错误的数据关联假设。该方法实际上是在一定时间以后才获得真正最优或次优的关联结果,通过实验分析和比较发现,该方法能获得更正确的数据关联结果和更高的定位精度。由于动态环境下声纳传感器无法正确检测动态目标从而降低地图创建的精度的问题,本文提出了一种声纳和视觉传感器结合的动态环境地图创建方法。为保持地图信息的完整性,该方法分别建立了动、静态栅格地图,利用前一时刻的静态地图、当前声纳观测信息和摄像头检测的动态目标信息的比较来更新,并给出了地图更新模型。视觉信息能成功的解决地图中某些动态目标被当成静态目标的错误,从而建立正确的地图。设计并实现了动态环境下移动机器人同时定位与建图系统 SLAMiDE(SLAM inDynamic Environments),为动态环境下移动机器人SLAM给出了一个整体结构和实现方法。该系统将观测数据利用缸近邻聚类后,构建统一的目标模型,综合前面研究的数据关联、动态目标检测和SLAM解决方法,引入局部地图思想,将移动机器人运行环境中的动态目标、静态目标和移动机器人位姿同时进行估计,最终实现了在动态环境下移动机器人的同时定位与建图。实验结果表明该系统能够在比较平坦的室内动态环境下实现准确的动态目标检测、地图创建以及机器人位姿估计。关键词动态环境,移动机器人,同时定位与建图,数据关联,动态目标检测,扩展卡尔曼滤波,粒子滤波,粒子群优化 ABSTRACT Simultaneous Localization andMapping(SLAM)is afundamental and hotproblem inmobile one ofthemost important qualifications formobile robot iStheprocess that a robot locates itselfwith sensing and incrementally buildstheenvironment ,most oftheSL砧Ⅵ methods are based on theassumption thattheenvironments arestatic. Since the realworld are isnecessary toresearch也e mobile robotSLAM approaches indynamicenvironments. There are three involved inmobile robotSLAM in dynamicenvironments:SLAM solutions。data associationanddynamic objects