移動(dòng)機(jī)器人粒子濾波定位與地圖創(chuàng)建方法研究.pdf

1、隨著計(jì)算機(jī)科學(xué)、傳感器技術(shù)、人工智能等學(xué)科的發(fā)展，機(jī)械設(shè)計(jì)、制造水平的不斷提高，移動(dòng)機(jī)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(dòng)機(jī)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(jī)器人能否在實(shí)際環(huán)境中成功應(yīng)用的前提。移動(dòng)機(jī)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(duì)移動(dòng)機(jī)器人在室內(nèi)環(huán)境中的自主定位和地圖創(chuàng)建展開(kāi)研究。
　　 由于視覺(jué)傳感器信息量豐富，使用視覺(jué)傳感器進(jìn)行移動(dòng)機(jī)器人定位比較適合

2、基于地圖的定位。但是視覺(jué)信息計(jì)算量大、視角的變化、光照的變化都給視覺(jué)特征的提取和匹配帶來(lái)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(duì)圖像的比例縮放、旋轉(zhuǎn)、三維視角、噪聲、光強(qiáng)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(diǎn)檢測(cè)方法，在移動(dòng)機(jī)器人定位與地圖創(chuàng)建方面應(yīng)用廣泛。但是SIFT特征計(jì)算復(fù)雜，大

3、量的冗余特征點(diǎn)在匹配過(guò)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(diǎn)數(shù)目。本文對(duì)經(jīng)典SIFT算法詳盡的搜索方法進(jìn)行改進(jìn)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(duì)圖像光強(qiáng)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(diǎn)及其對(duì)應(yīng)的特征點(diǎn)抽取和匹配的時(shí)間。在機(jī)器人定位過(guò)程中，里程計(jì)信息和環(huán)境特征的感知信息通過(guò)粒子濾波相融合，解決定位過(guò)程中的多峰問(wèn)題，獲得更好的定位實(shí)時(shí)性。
　　 單一的傳感器大多情況下只能提供部分外界信息，移動(dòng)機(jī)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(duì)各種信息進(jìn)行綜合，可以獲得互補(bǔ)的、冗余的、完整的環(huán)境信息，使得機(jī)器人能夠魯棒地定位。為了有效地利用視覺(jué)和激光測(cè)距信息使機(jī)器人準(zhǔn)確定位，在

5、考慮單目視覺(jué)和激光測(cè)距傳感器的基礎(chǔ)上，提出一種融合視覺(jué)信息和激光測(cè)距信息的移動(dòng)機(jī)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(jì)算的地圖創(chuàng)建方法，利用自適應(yīng)曲率估計(jì)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(diǎn)特征，然后對(duì)分割好的特征進(jìn)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(jìn)行全局定位。其次，提出一種可用于機(jī)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(duì)機(jī)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(kù)中的每一幅圖像有效地構(gòu)成一個(gè)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(shí)際空間分布，更有利于圖像的匹配和檢索。采用歐氏距離進(jìn)行圖像GMVQ直方圖的相似性度量，將機(jī)器人采集的當(dāng)前環(huán)境圖像和數(shù)據(jù)庫(kù)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(jī)器人視覺(jué)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(jī)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(jìn)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(wèn)題。測(cè)距傳感器信息的不確定性由視覺(jué)傳感信息修正，而視覺(jué)傳感器識(shí)別信息的緩慢由測(cè)距傳感器信息彌補(bǔ)，使機(jī)器人更加適應(yīng)復(fù)雜的室內(nèi)環(huán)境。
　　 機(jī)器人在定位過(guò)程中，由于機(jī)器人本身的不確定性和所處的環(huán)境的不可預(yù)測(cè)性，使得定位變得困難。概率理論較好地解決了移動(dòng)機(jī)器人定位問(wèn)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(yàn)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(duì)粒子濾波算法存在的以上問(wèn)題，提出了一種基于區(qū)間分析的機(jī)器人粒子濾波定位方法。多個(gè)粒子連續(xù)分布于整個(gè)區(qū)間內(nèi)，區(qū)間粒子的權(quán)值對(duì)應(yīng)的是區(qū)間的權(quán)重，而不是傳統(tǒng)意義上的每個(gè)粒子一一對(duì)應(yīng)各自的權(quán)重。區(qū)間粒子濾波器主要涉及區(qū)間運(yùn)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(cè)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(wèn)題，使得粒子更快地逼

9、近機(jī)器人的真實(shí)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(jì)機(jī)器人的狀態(tài)和路標(biāo)，地圖創(chuàng)建部分采用N個(gè)獨(dú)立的EKF(Kalman Filter，EKF)濾波器實(shí)現(xiàn)。EKF對(duì)非線性系統(tǒng)進(jìn)行一階線性化時(shí)存在線性誤差，誤差累積可能造成濾波器的不收斂;同時(shí)也存在粒子的貧化和退化問(wèn)題。針對(duì)以上問(wèn)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(yàn)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(wèn)題。針對(duì)EKF存在線性化誤差的結(jié)構(gòu)性弱點(diǎn)，路標(biāo)位置的估計(jì)和地圖的更新引入無(wú)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(lái)減低粒子的退化概率。對(duì)比實(shí)驗(yàn)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(duì)全文進(jìn)行了