基于不確定信息處理的移動機器人定位與地圖構(gòu)建研究.pdf

1、定位、地圖構(gòu)建、路徑規(guī)劃，一直是研究未知環(huán)境下移動機器人導航技術所涉及的三個主要內(nèi)容。它們之間并非相互獨立，在考慮到所有傳感器信息都具有不確定性的情況下，單獨考慮其中一個問題是不符合實際情況的。本文圍繞這三個問題展開研究，主要包括以下五部分內(nèi)容： 1.對移動機器人蒙特卡羅定位(Monte Carlo Localization，MCL)算法從兩個方面進行了擴展。一是針對其在含有對稱和自相似結(jié)構(gòu)的環(huán)境中容易失敗的問題，提出了一種基于

2、多假設跟蹤的自適應蒙特卡羅定位改進算法。該算法根據(jù)粒子間空間相似性采用核密度樹聚類算法對粒子群進行聚類，每簇粒子代表一個位姿假設并用一個獨立的MCL算法進行跟蹤，總體上形成了一組非等權(quán)的粒子濾波器，很好地克服了普通粒子濾波器由于粒子貧乏而引起的過度收斂問題。同時運用該核密度樹實現(xiàn)了自適應采樣來提高算法的性能。另外，該算法可以較好地解決機器人“綁架”問題。二是研究了不完整地圖情況下移動機器人定位問題，將定位過程中機器人的位姿分為6種狀態(tài)，

3、每一種狀態(tài)對應一個粒子簇。在計算狀態(tài)轉(zhuǎn)移概率的基礎上，實現(xiàn)了不完整地圖中蒙特卡羅定位算法，突破了MCL算法只能應用于完整地圖情況的限制。 2.從點一點對應方法出發(fā)，研究了雷達掃描匹配問題。提出了一種基于曲線質(zhì)心點對應的雷達掃描匹配算法，并將其應用于移動機器人位差估計。該算法實現(xiàn)簡單且比迭代最近點(Iterative Closest Point，ICP)算法收斂快。不足之處是其精度不高，如果在ICP算法的基礎上引入該算法，可以在提

4、高匹配速度的同時保證估計精度。 3.深入研究了單機器人未知環(huán)境下同步定位與地圖構(gòu)建(Simultaneous Localization and Mapping，SLAM)問題。在分析采樣和重采樣操作對地圖估計一致性影響的基礎上，針對采用柵格地圖的Rao-Blackwellized粒子濾波移動機器人同步定位與地圖構(gòu)建(RBPF-SLAM)算法設計了兩種新的采樣策略：固定滯后Gibbs采樣和固定滯后平滑采樣。它們的共同點是都能夠利用

5、當前新獲取的信息來改善濾波器對先前路徑的估計，從而降低了粒子退化的可能性。另外，提出了一種基于優(yōu)化組合的重采樣方法，通過對選取粒子和被拋棄粒子的適當線性組合而產(chǎn)生新的粒子，增加了粒子多樣性，從而提高粒子濾波器的精度。這些改進策略能改善RBPF-SLAM算法的綜合性能：在采用相同粒子數(shù)目的情況下，重采樣次數(shù)顯著減少，地圖估計一致性也顯著提高。 4.研究了多機器人SLAM中地圖合成問題，提出了一種基于虛擬機器人運動的地圖相對位姿估計

6、方法。首先，利用細化算法分別構(gòu)建不完整地圖A與B空閑區(qū)域的骨架，然后在A(或B)中模擬一機器人沿著該地圖的骨架運動并不斷觀測，同時，將這些模擬的數(shù)據(jù)作為數(shù)據(jù)源在B(或A)中做非完整地圖蒙特卡羅定位，如果定位成功，則能方便地得到兩地圖間的相對位姿假設。通過控制機器人運動使它們盡量相遇，可以對這些位姿假設進行檢驗，如果假設為真，則以此為初值采用一啟發(fā)式隨機搜索算法對估計進一步優(yōu)化。 5.研究了移動機器人主動環(huán)境探測問題，重點研究了基