機器人同時定位與建圖方法研究.pdf

1、移動機器人的同時定位與建圖(Simultaneous Localization and Mapping，SLAM)作為機器人系統(tǒng)中的一個重要分支，是保證機器人在未知環(huán)境探索中是否能完全自主的關鍵所在。
　　 本論文圍繞機器人SLAM中的一些關鍵問題，深入研究了機器人的地圖創(chuàng)建、地圖融合以及多機器人之間的相互定位等問題，提出了一些自己的看法和解決方案，主要體現(xiàn)在以下幾個方面:
　　 (1)在詳細分析聲納傳感器的鏡面反射和散

2、射特性在測距過程中造成的一些不確定信息的基礎上，提出了基于不確定性信息的概率柵格地圖和特征幾何地圖的創(chuàng)建方法。在概率柵格地圖中，引入了距離影響因子，調整了聲納概率測距模型，提高了地圖的精度。在特征幾何地圖中，結合隨機Hough變換(Radomized Hough Transform，RHT)和多分辨率Hough變換（Multi-resolution Hough Transform，MHT）算法的優(yōu)點，提出了一種快速的Hough變換提取特

3、征的方法。該方法將所有聲納弧上的離散點作為種子點，然后隨機選取一部分離散點與種子點匹配，匹配的話累積存儲單元就加一，當累積存儲單元具有最大累積數時，則提取出直線特征。在一定程度上去除了一些不確定信息，從而對一些鏡面反射或干擾噪聲所造成的錯誤信息具有一定的魯棒性。
　　 (2)采用分散探索、集中建圖的混合式控制結構，提出了基于差異進化算法的地圖融合方法。首先讓機器人從各自不同位置出發(fā)，融合各類傳感器數據創(chuàng)建柵格局部地圖;然后通過改

4、進的差異進化(Differential Evolution，DE)算法搜索最優(yōu)轉換函數，根據轉換函數旋轉和平移某個地圖，使得該地圖和其它地圖之間的重疊區(qū)域最大，相異度最小;最后通過接受函數的值來判斷是否成功融合為一個全局地圖。其中搜索最優(yōu)轉換函數采用改進的差異進化算法，變異策略DE/best/1和DE/rand/1通過線性模擬退火加權策略組合成新的變異操作，用線性退火因子作為加權因子，提高算法的收斂精度和收斂速率，快速成功的完成局部地圖

5、的融合。同時，在基于Hough變換的地圖融合方法的基礎上，分析了重疊度、旋轉角度對地圖融合算法的性能影響，通過隨機采樣和固定步長對Hough變換的離散點進行采樣，提高地圖創(chuàng)建的實時性。
　　 (3)深入分析了基于粒子濾波的SLAM方法，提出了基于粒子群優(yōu)化的機器人SLAM方法。首先針對粒子存在的退化問題，將粒子群優(yōu)化和FasSLAM方法相結合，在預測采樣過程中結合機器人的觀測值進行優(yōu)化，從而增強了位置預測的準確性，有效的解決了粒

6、子退化問題;然后針對粒子存在的耗盡問題，引入遺傳算法中的變異操作，保持了粒子的多樣性;最后將其粒子群優(yōu)化的思想擴展到異質多機器人的FastSLAM算法中。在異質多機器人系統(tǒng)中，充分利用某個機器人的精確定位能力，測出與其它機器人之間的相對位姿（距離和角度），并將其相對的觀測量融合到粒子的預測采樣過程中，提高了機器人之間的相互定位精度。
　　 (4)在基于稀疏擴展信息濾波的基礎上，研究了稀疏規(guī)則和數據關聯(lián)問題，提出了一種新的稀疏化規(guī)