移動機器人同時定位與地圖創(chuàng)建自適應(yīng)算法研究.pdf

1、移動機器人導(dǎo)航是機器人研究領(lǐng)域的重要課題。在導(dǎo)航技術(shù)中，自定位是機器人應(yīng)當具備的基本功能，但是定位問題離不開環(huán)境地圖的創(chuàng)建。如果把機器人的自主定位和地圖創(chuàng)建作為一個問題來解決，就為實現(xiàn)真正的自我導(dǎo)航提供了良好的前提條件，即同時定位和地圖創(chuàng)建(SimultaneousLocalizationandMapping)問題，簡稱SLAM問題。SLAM問題的解決是過去十幾年機器人領(lǐng)域最顯著的成績之一，已被應(yīng)用在室外、水下和陸地等不同領(lǐng)域。面對真實

2、世界的復(fù)雜性和動態(tài)特點，為了提高移動機器人的智能性，高適應(yīng)性、高魯棒性、高效率的SLAM方法是機器人領(lǐng)域的研究熱點。 本文對移動機器人的同時定位與地圖創(chuàng)建問題進行了研究。針對傳統(tǒng)SLAM方法存在的問題，以魯棒性和自適應(yīng)能力為著眼點，以提高移動機器人在未知環(huán)境下自主導(dǎo)航的能力為目標，設(shè)計了一種基于強跟蹤濾波器(STF)的自適應(yīng)UKF-SLAM算法。論文的主要工作及貢獻包括： 1.對移動機器人導(dǎo)航系統(tǒng)進行了建模。所建立的模型

3、主要包括環(huán)境地圖模型、機器人位置和運動模型、傳感器觀測模型，噪聲模型等。這些基本模型是SLAM問題的研究的平臺基礎(chǔ)。 2.對傳統(tǒng)SLAM方法進行了分析。分析表明，擴展卡爾曼濾波算法(EKF)是傳統(tǒng)的非線性系統(tǒng)線性化方法，可以用于解決同時定位與地圖創(chuàng)建問題；粒子濾波算法(PF)具有狀態(tài)估計精確度高的優(yōu)點，不過需要隨機產(chǎn)生大量粒子，需要在導(dǎo)航的實時性上加以改進；無跡卡爾曼濾波算法(UKF)利用確定性采樣點來近似狀態(tài)向量的概率分布，可

4、以避免粒子退化問題。 3.針對上述幾種SLAM算法存在魯棒性和自適應(yīng)性差的缺點，提出了基于強跟蹤濾波器(STF)的自適應(yīng)UKF-SLAM算法。針對STF具有極強的模型失配的魯棒性，且具有概念清晰、計算簡單的優(yōu)點，本文通過融合UKF和強跟蹤濾波器來優(yōu)化SLAM算法，獲得UKF-SLAM算法，該算法中的每個Sigma點均進行STF更新，通過STF在線調(diào)節(jié)因子來相應(yīng)調(diào)節(jié)濾波增益，達到提高自適應(yīng)SLAM算法的自適應(yīng)調(diào)整能力和魯棒性的目的