長期運行移動機器人的定位與地圖構建.pdf

1、移動機器人領域的發(fā)展有效提升了機器人的自主性，使機器人具備更大的工作范圍，更低的環(huán)境部署要求，以及更靈活豐富的任務執(zhí)行等，對于機器人的進一步應用推廣有重要的意義。在移動機器人技術方面，最首要的任務是回答“我在哪里”，即定位問題。目前，最常見的方式是機器人先對環(huán)境進行地圖構建，然后利用構建的地圖進行定位。其中，地圖構建依賴同時定位與構圖(SLAM)系統(tǒng)。然而，這種方式對于長期運行案例，比如倉儲機器人、巡檢機器人等不再可行。因為SLAM得到

2、的地圖在定位期間可能已經(jīng)過期，甚至SLAM期間就已經(jīng)過期。針對這個問題，本文提出一種支持機器人長期運行的多階段SLAM方法，思路是通過將長期運行SLAM問題轉化為多階段SLAM問題，假設階段內(nèi)環(huán)境靜止，而階段間環(huán)境變化，從而給出一種多階段SLAM方案，使得移動機器人能夠適應環(huán)境變化，構建具有時效性的地圖，最終具有長期定位能力，并且計算復雜度可接受。具體包括了三方面五個創(chuàng)新點的內(nèi)容:
　　(1)信息層面從冗余到精簡，本文從兩張地圖之

3、間的Kullback-Leibler距離出發(fā)，導出了衡量構建兩張地圖的位姿集合間的量化差距，基于這個差距提出了圖模型位姿節(jié)點的修剪算法。在此之上，本文又提出位姿修剪后，在圖模型中生成新的稀疏因子的方法，保留一部分節(jié)點用于維持圖模型幾何關系的信息。實現(xiàn)通過控制節(jié)點使圖模型保持與地圖相關的復雜度，而非原來的軌跡長度;
　　(2)觀測層面從靜態(tài)到動態(tài)，本文從位姿估計出發(fā)，利用概率模型將問題轉化為傳感器類型無關的一般化概率推斷和參數(shù)估計問

4、題，并發(fā)現(xiàn)該框架能夠囊括許多經(jīng)典算法，并且借助該模型提出了多傳感器的融合框架。在此一般化模型的基礎上，本文又將環(huán)境的動態(tài)融合到模型的變量中，使動態(tài)環(huán)境檢測變?yōu)槎鄠鞲衅飨碌母怕誓Ｐ屯评韱栴}，提升了計算效率和準確率。
　　(3)框架層面從單次到多次，本文通過將單次SLAM轉化為多次SLAM，并在每次SLAM之間設立包含基于修剪的冗余性處理和基于動態(tài)檢測的時效性處理的圖模型控制模塊，使SLAM可以長期運行，僅通過損失少量精度，就可以獲得