移動機器人粒子濾波定位與地圖創(chuàng)建方法研究.pdf

1、隨著計算機科學(xué)、傳感器技術(shù)、人工智能等學(xué)科的發(fā)展，機械設(shè)計、制造水平的不斷提高，移動機器人日益向著智能化和自主化的方向發(fā)展。自主定位和地圖創(chuàng)建是移動機器人智能導(dǎo)航和環(huán)境探索的研究基礎(chǔ)，定位精度和創(chuàng)建地圖的準(zhǔn)確性是機器人能否在實際環(huán)境中成功應(yīng)用的前提。移動機器人的工作環(huán)境分為室外環(huán)境和室內(nèi)環(huán)境兩種，本文針對移動機器人在室內(nèi)環(huán)境中的自主定位和地圖創(chuàng)建展開研究。
　　 由于視覺傳感器信息量豐富，使用視覺傳感器進行移動機器人定位比較適合

2、基于地圖的定位。但是視覺信息計算量大、視角的變化、光照的變化都給視覺特征的提取和匹配帶來困難，找到精確、高效的特征提取和匹配方法是基于地圖定位方法的關(guān)鍵步驟。尺度不變特征變換(Scale Invariant Feature Transform，SIFT)生成的特征對圖像的比例縮放、旋轉(zhuǎn)、三維視角、噪聲、光強的變化具有較好的不變性和可辨別性，是一種很可靠的特征點檢測方法，在移動機器人定位與地圖創(chuàng)建方面應(yīng)用廣泛。但是SIFT特征計算復(fù)雜，大

3、量的冗余特征點在匹配過程中并不需要，因此有必要在不影響特征匹配的前提下減少特征點數(shù)目。本文對經(jīng)典SIFT算法詳盡的搜索方法進行改進并引入到Monte Carlo定位方法中，提出一種新的基于迭代SIFT的Monte Carlo定位方法(Iterative SIFT Monte CarloLocalization，ISIFT-MCL)。ISIFT-MCL方法既保證對圖像光強變化、尺度縮放、三維視角變化和噪聲干擾的不變性，又減少SIFT算法產(chǎn)

4、生的不必要的特征點及其對應(yīng)的特征點抽取和匹配的時間。在機器人定位過程中，里程計信息和環(huán)境特征的感知信息通過粒子濾波相融合，解決定位過程中的多峰問題，獲得更好的定位實時性。
　　 單一的傳感器大多情況下只能提供部分外界信息，移動機器人很難根據(jù)單一傳感器信息做出精確的判斷。利用多傳感器信息融合技術(shù)對各種信息進行綜合，可以獲得互補的、冗余的、完整的環(huán)境信息，使得機器人能夠魯棒地定位。為了有效地利用視覺和激光測距信息使機器人準(zhǔn)確定位，在

5、考慮單目視覺和激光測距傳感器的基礎(chǔ)上，提出一種融合視覺信息和激光測距信息的移動機器人粒子濾波定位方法。首先，提出一種基于自適應(yīng)曲率計算的地圖創(chuàng)建方法，利用自適應(yīng)曲率估計函數(shù)從激光掃描數(shù)據(jù)中同步分割出直線段、曲線段和角點特征，然后對分割好的特征進行提取和描述，創(chuàng)建環(huán)境特征地圖，利用粒子濾波方法進行全局定位。其次，提出一種可用于機器人定位的圖像檢索的新方法:選取高斯混合模型矢量量化(Gaussian Mixture Vector Quant

6、ization，GMVQ)方法對機器人訓(xùn)練階段采集的每一幅環(huán)境圖像提取GMVQ顏色直方圖。數(shù)據(jù)庫中的每一幅圖像有效地構(gòu)成一個特定的類。與一般直方圖不同之處在于GMVQ直方圖記錄了顏色的實際空間分布，更有利于圖像的匹配和檢索。采用歐氏距離進行圖像GMVQ直方圖的相似性度量，將機器人采集的當(dāng)前環(huán)境圖像和數(shù)據(jù)庫中的圖像一一匹配，檢索出與定位環(huán)境最相似的圖像用于機器人視覺定位。最后，在前兩種方法研究的基礎(chǔ)上提出一種激光掃描和圖像檢索相結(jié)合的機器

7、人粒子濾波定位方法。在粒子濾波定位感知更新階段采用概率方法進行感知信息的融合，避免了異質(zhì)傳感器信息物理意義不同不好融合的問題。測距傳感器信息的不確定性由視覺傳感信息修正，而視覺傳感器識別信息的緩慢由測距傳感器信息彌補，使機器人更加適應(yīng)復(fù)雜的室內(nèi)環(huán)境。
　　 機器人在定位過程中，由于機器人本身的不確定性和所處的環(huán)境的不可預(yù)測性，使得定位變得困難。概率理論較好地解決了移動機器人定位問題，但是現(xiàn)有的粒子濾波算法需要大量的粒子才能很好地

8、描述后驗密度分布;另外，重要性重采樣導(dǎo)致粒子集包含了許多重復(fù)粒子，造成了粒子的貧化。針對粒子濾波算法存在的以上問題，提出了一種基于區(qū)間分析的機器人粒子濾波定位方法。多個粒子連續(xù)分布于整個區(qū)間內(nèi)，區(qū)間粒子的權(quán)值對應(yīng)的是區(qū)間的權(quán)重，而不是傳統(tǒng)意義上的每個粒子一一對應(yīng)各自的權(quán)重。區(qū)間粒子濾波器主要涉及區(qū)間運算，約束滿意度處理等。區(qū)間分析能很好地處理非高斯白噪聲和測量誤差。區(qū)間分析的引入很好地解決了粒子濾波器需要大量粒子的問題，使得粒子更快地逼

9、近機器人的真實軌跡，在同等精度要求下減少所需的粒子數(shù)。
　　 FastSLAM算法采用Rao-Blackwellised粒子濾波器遞推估計機器人的狀態(tài)和路標(biāo)，地圖創(chuàng)建部分采用N個獨立的EKF(Kalman Filter，EKF)濾波器實現(xiàn)。EKF對非線性系統(tǒng)進行一階線性化時存在線性誤差，誤差累積可能造成濾波器的不收斂;同時也存在粒子的貧化和退化問題。針對以上問題，提出了一種FastSLAM框架下的粒子群優(yōu)化的同步定位與地圖創(chuàng)建的

10、方法。將粒子群優(yōu)化思想引入到粒子濾波算法中，利用粒子群優(yōu)化粒子的后驗位姿建議分布，解決了粒子濾波器需要大量粒子和粒子貧乏的問題。針對EKF存在線性化誤差的結(jié)構(gòu)性弱點，路標(biāo)位置的估計和地圖的更新引入無跡卡爾曼濾波方法(Unscented KalmanFilter，UKF)，并且引入自適應(yīng)重采樣方法來減低粒子的退化概率。對比實驗分析可知，在相同粒子數(shù)的情況下，獲得了比FastSLAM更高的定位和地圖的精度。
　　 最后，對全文進行了