论文部分内容阅读
随着移动机器人朝自主化及智能化的方向发展,其自主导航能力将越发的重要。自主导航依赖环境地图的参与,而即时定位与地图构建(Simultaneous Localization and Mapping简称SLAM)赋予了移动机器人构建地图的能力。SLAM是指移动机器人在位姿信息未知及缺少先验地图的情况下,依赖自身携带的传感器,独立地同时完成自身位姿的估计及环境地图的构建。由于移动机器人定位与建图之间的相互依赖,使得SLAM问题极具挑战性,因此对移动机器人SLAM进行研究具有重要理论及现实意义。传统的基于扩展卡尔曼滤波器的SLAM算法(EKF-SLAM)、基于粒子滤波器的SLAM算法(PF-SLAM)及基于图优的SLAM算法(Graph-SLAM)都存在地图一致性、闭环及大尺度环境实时地图构建等问题。针对上述问题,本文进行了深入研究,主要工作内容及创新点如下:(1)针对SLAM过程中存在的一致性问题,提出了一种基于分层优化的SLAM算法。该算法在Graph-SLAM框架下,采用子地图作为图的节点,并使用树结构组织增量式节点位姿,通过对节点树进行全局优化将检测到的闭环误差分配至限定的环路节点,并经节点子地图内部优化,进而消除了子地图内部及子地图之间的不一致性。(2)针对EKF-SLAM依赖预先定义的模型来提取特征,使得算法受限于特定的环境及算法生成的特征地图环境信息缺失严重等问题,对其进行了改进,提出了一种不依赖具体几何模型的基于激光帧特征的EKF-SLAM算法用于子地图的构建。结合直接帧匹配SLAM算法与PF-SLAM的优点,提出了一种基于粒子滤波器的爬山帧匹配SLAM算法用于子地图的构建。(3)提出了一种基于前瞻的子地图分割方法。分析了传统子地图分割方法的缺点,提出了依据过去T时刻的子地图局部环境结构信息对移动机器人当前位姿定位的确定性程度分割子地图,同时采用概率的方式对该思想进行数学描述。(4)针对SLAM中的闭环问题,提出了一种基于四叉树的子地图相关匹配闭环检测法。相较于高精度地图,低精度地图过估计环境中障碍物的概率,基于这个基础,提出了一种基于四叉树的子地图相关匹配闭环检测法。采用仿真、开源数据及真实物理环境实验对所提出的SLAM算法进行测试,分析了所提出SLAM算法的一致性及实时性。仿真和实验结果表明,所提出的SLAM算法能够满足实时性要求且一致性优于同类SLAM算法。