室內(nèi)環(huán)境下移動機器人定位與環(huán)境建模方法的研究.pdf

1、機器人定位問題在移動機器人智能行為研究中有著非常重要的意義，是實現(xiàn)勻主導(dǎo)航、在未知環(huán)境中完成復(fù)雜智能任務(wù)的關(guān)鍵，也集中體現(xiàn)了機器人的感知能力和智能水平。本文以室內(nèi)環(huán)境下移動機器人開發(fā)應(yīng)用為背景，對移動機器人在基于特征的室內(nèi)環(huán)境中實現(xiàn)高性能的自主定位和環(huán)境建模等問題進行了深入研究。本文的主要研究成果有： (1)針對室內(nèi)結(jié)構(gòu)化環(huán)境下的移動機器人應(yīng)用，提出了一種融合改進聲納模型與Hough變換的位姿跟蹤算法。該算法采用改進的聲納模型，

2、并將經(jīng)典的Hough變換引入移動機器人自定位，將由Hough變換提取的直線特征組成的局部地圖，與全局地圖在Hough空間進行匹配，更新機器人的位姿信息。并借助擴展卡爾曼濾波器將此信息與里程計測得的數(shù)據(jù)進行融合，從而最終實現(xiàn)機器人位姿跟蹤。不同于一般的地圖匹配定位方法，該算法的整個匹配過程是在Hough空間而不是在笛卡兒空間進行的，因而與一般方法相比具有更高的計算效率。仿真與真實環(huán)境中的實驗驗證了該位姿跟蹤算法的有效性。 (2)為

3、了解決移動機器人的絕對定位問題，實現(xiàn)初始位姿完全未知下的全局定位，介紹了一種將基于擴展卡爾曼濾波器的多假設(shè)跟蹤方法與貝葉斯概率估計相結(jié)合的混合的機器人全局定位方法并將其應(yīng)用于室內(nèi)多邊形環(huán)境中。該方法用高斯和表示系統(tǒng)狀態(tài)分布，對可能的匹配產(chǎn)生位置假設(shè)，利用擴展卡爾曼濾波器來跟蹤每一個狀態(tài)假設(shè)，更新狀態(tài)估計和協(xié)方差矩陣，并采用貝葉斯概率公式估計假設(shè)的正確性，將正確性低于某一閾值的假設(shè)刪掉以確保計算效率。由于這一方法具有多模態(tài)性，因而能夠解決

4、全局定位問題。實驗驗證了該算法處理全局定位問題的能力。 (3)為了增強在不確定性條件下機器人定位的抗干擾性能，同時解決機器人被綁架問題，以Monte Carlo方法為基礎(chǔ)并進行改進，提出了一種改進的MonteCarlo定位算法。該算法同時采用運動模型與感知模型作為重要性函數(shù)并從中進行采樣，避免了采樣集不包含真實位姿采樣的情況，能夠有效地解決全局定位與綁架問題。同時在重采樣過程中引入了額外的兩個檢驗過程，即采樣過收斂和均勻性驗證，

5、用于判斷采樣與感知信息的匹配程度，以適時的進行重采樣，節(jié)省了計算資源并提高了定位效率。通過常規(guī)Monte Carlo算法、加入隨機采樣MonteCarlo算法與改進Monte Carlo算法的定位性能比較，驗證了改進Monte Carlo算法的有效性。 (4)針對未知模型環(huán)境下在線建模-SLAM(同時定位與環(huán)境建模)這一移動機器人實現(xiàn)自主能力中的重要問題，本文研究了一種基于貝葉斯法則的柵格地圖創(chuàng)建方法，對多個聲納傳感器信息進行融