基于2D激光雷达的移动机器人同步定位与地图构建算法研究

文中提出一种将激光雷达和轮式里程计相融合的方法,用于提升SLAM (Simultaneous Localization and Mapping)算法前端点云配准效率和点云畸变矫正效果。在点云配准方面,对PL-ICP算法做出改进,首先对激光点云进行预处理去除无效点,再利用自适应体素滤波方法对激光点云进行下采样,在保留点云特征的同时将点云稀疏化,从而减少点云配准的计算量,利用轮式里程计的测量值为点云配准提供初值,提高点云配准的效率和定位效果。在点云畸变矫正方面,按照轮式里程计测量的机器人位姿的时间戳,利用拉格朗日线性插值法对点云配准配得到的机器人位姿进行线性插值,利用EKF算法融合轮式里程计测量的位姿和点云配准插值得到的位姿对轮式里程计的测量误差做出矫正,然后为激光点云提供运动补偿,从而去除点云畸变提升SLAM算法定位和建图效果。利用ROS搭建仿真环境验证了本文提出的算法的有效性。

移动机器人同步定位与地图构建研究进展

同步定位与地图构建(S im u ltaneous loca lization and m app ing,SLAM)作为能使移动机器人实现全自主导航的工具近来倍受关注。本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行分类,并指出其优点和不足。本文首先建立了SLAM问题的一般模型,指出了解决SLAM问题的难点;然后详细分析了基于EKF的一些简化算法和基于其他估计思想的方法;最后,对于多机器人SLAM和主动SLAM等前沿课题进行了讨论,并指出了今后的研究方向。

基于单目视觉的轮式机器人同步定位与地图构建

如何降低计算复杂度是视觉机器人同步定位与地图(SLAM)构建的热点问题。提出一种基于单目视觉的低计算复杂度的轮式机器人同步定位与地图构建算法。该算法在观测步通过图像处理与分析,识别特征点并进行定位,将轮式机器人的视觉投影与空间物体的几何关系转换为计算机器人相对特征点的距离和角度。整体算法步骤按照预测、观测、数据关联、更新、地图构建的递推算法进行同步定位与地图构建。提出的算法可识别环境目标,并进行平滑运动。在滤波观测步只处理单帧图像数据,和Active Vision和立体视觉方法相比,降低了算法的计算复杂度。

动态环境下基于路径规划的机器人同步定位与地图构建

针对动态环境下随机目标同时为特征点和障碍物的情况,提出一种基于路径规划的同步定位与地图构建(SLAM)算法.机器人在同步定位与地图构建的同时,基于势场原理来规划机器人下一步的运动控制规律.利用混合当前统计模型的交互式多模型(IMM)方法预测随机目标的轨迹,采用最近邻数据关联方法将动态随机目标关联到地图中.算法构建的地图由静态特征点和随机目标的轨迹组成.仿真结果表明,提出的算法解决了动态环境中存在的随机目标同时为障碍物时机器人的同步定位与地图构建问题,相关性能指标验证了算法的一致性估计.

有色过程噪声下的轮式机器人同步定位与地图构建

由于机械制造工艺的原因,轮式机器人内部传感器获得的控制量在实际中为有色噪声,经典的同步定位与地图构建(SLAM)算法将不适用.提出一种有色过程噪声的机器人同步定位与地图构建算法.将机器人非线性过程模型线性化,用增广状态变量维数的方法将有色过程噪声模型转化为高斯白噪声模型.算法按照预测、观测、数据关联、更新、地图构建递推进行同步定位与地图构建.仿真结果表明,在有色过程噪声条件下,与EKF-SLAM算法和Fast-SLAM算法相比,提出的算法的机器人定位精度更好.

改进RBPF的移动机器人同步定位与地图构建

传统Rao-Blackwellized粒子滤波器(RBPF)在移动机器人同步定位与地图构建(SLAM)研究中,存在算法复杂度过高、占用内存空间过多导致实时性不理想的问题,因此提出一种改进算法。在某一特定状态的一组粒子集中,粒子的统计特性是一致的,改进算法从中选取一个代表粒子,进行卡尔曼更新步骤,并在同一粒子集中重复使用。同时结合Gmapping算法的建议分布和自适应重采样技术。实际Pioneer III移动机器人在机器人操作系统(ROS)平台上进行的实验表明,该方法在保证栅格地图精度的同时能提高系统的实时性,降低复杂度,提高运算速度。

基于直线特征提取匹配搜救机器人的同步定位与地图构建

针对搜救机器人在灾后特征环境下同步定位与地图构建问题,提出了改进动态阈值分裂合并算法,与固定阈值算法相比提高了直线拟合的准确性。推导出匹配条件参数,通过比较始末点距离解决了误匹配,提高了匹配精度。在此基础上,进行全局定位计算。利用最小二乘法进行滤波处理,提高了定位精度。通过仿真与模拟现场实验表明,本文方法能使提取的直线更准确地反映实际地形环境,完成二维栅格地图的实时创建任务。

未知观测噪声时机器人同步定位与地图构建

对未知观测噪声的机器人同步定位与地图构建问题,提出基于神经网络PID自适应学习观测噪声的机器人同步定位与地图构建算法.已知系统噪声为高斯分布,噪声的方差未知,但其真值是在某个有限集合内.设计一个由神经网络PID控制器、观测噪声调整以及中值滤波构成的噪声在线辨识单元.通过自适应在线辨识观测噪声,并进行新息协方差平均值滤波,迭代修正观测噪声协方差,实现机器人同步定位精度的在线提高.实验表明,该算法可降低观测噪声先验信息不足的影响,减小定位误差.

基于自适应重采样的同步定位与地图构建

就移动机器人同步定位与地图构建展开研究,针对FastSLAM算法产生的粒子退化及粒子集重采样问题,提出了基于自适应重采样的FastSLAM算法。该算法首先计算粒子集的有效样本数,确定粒子退化程度。然后设定有效样本阈值,当有效样本数小于阈值时则进行重采样。仿真表明:与EKF-SLAM相比,基于自适应重采样FastSLAM重采样效率更高,鲁棒性更好,在机器人路径和陆标位置的估计上,也具有更高的精度。

基于分布式无味边缘粒子滤波的同步定位与地图构建

针对复杂环境下同步定位与地图构建(SLAM)中分布式粒子滤波算法存在计算量大、粒子退化严重的问题,在分布式算法的基础上结合无味粒子滤波和边缘化算法,提出了一种基于分布式无味边缘粒子滤波的算法.该算法依据分布式思想将系统分解为多个仅包含部分状态量的子系统,各子系统均采用无味粒子滤波算法进行状态估计,通过边缘化算法优化无味粒子滤波算法的边缘分布函数,主滤波器融合各子滤波器的数据计算最终结果,克服了滤波精度低、计算复杂度高的问题.最后,通过仿真试验证明改进的分布式边缘粒子滤波算法能够抑制粒子退化现象,具有较好的实时性和滤波精度,是解决SLAM的新的有效方法.

基于粒子群优化的同步定位与地图构建

针对基本FastSLAM算法的样本枯竭、估计精度下降等问题,提出了一种基于多样性启发因子的粒子群优化FastSLAM算法.利用粒子群搜索寻优重新分配粒子,使粒子的表示更加接近于真实的后验概率分布,并且采用粒子集多样性测度作为启发因子,引导粒子优化搜索过程,确保群体多样性水平最优,减轻粒子退化现象,驱动粒子集向后验概率较高的区域运动.对所提出的算法进行了仿真实验,验证了算法的可行性和有效性.仿真结果表明,该算法能够改进样本枯竭问题,并能够获得较高的定位精度、地图构建精度及较好的滤波估计稳定性.

多机器人同步定位与地图构建的地图融合算法的改进

本文主要研究了多机器人同步定位与地图构建(SLAM)的地图实时融合问题.在本文中提出一种混合的SLAM算法(HybridSLAM)算法,可以同时观测和更新多个路标,并根据FastSLAM2.0思想利用选取的最准确的路标观测值来修正机器人位姿.然后,在改进HybridSLAM算法基础上,进一步提出一种改进的多机器人HybridSLAM算法(MR–IHybridSLAM).每个机器人在不同初始位置运行IHybridSLAM算法构建子地图,并将子地图信息实时发送到同一工作站中.根据卡尔曼滤波(KF)原理将每个机器人构建的子地图融合成全局地图.最后,通过仿真实验构建多机器人融合的特征地图并与单一机器人快速的SLAM算法(FastSLAM)和HybridSLAM算法构建的地图进行误差对比,进一步来验证该算法的准确性、快速性和可行性.

有色量测噪声下机器人同步定位与地图构建

针对有色量测噪声模型,提出一种有色量测噪声下的轮式机器人同步定位与地图构建算法。通过重新组合轮式机器人的过程模型和量测模型,将有色量测噪声量测模型转化为虚拟的白噪声量测模型。为使过程噪声和量测噪声不相关,对过程模型进行不相关条件处理。算法按照构造的虚拟过程模型和量测模型进行滤波估计和地图构建。仿真结果验证了算法的一致性和鲁棒性。

雾计算赋能机器人同步定位与地图构建

机器人探索预先未知的环境时通常需要同步定位和地图构建(SLAM),例如,在救援场景中,可以利用雾计算这种新兴的计算模式来实现更快、更精确、更节能的机器人SLAM。基于此,提出了雾计算赋能机器人SLAM的框架设计,并分析了其面临的挑战,最后通过真实试验床演示了该框架设计。

特征序列数据关联机器人同步定位与地图构建

针对噪声不确定性增大的数据关联问题,提出特征点序列数据关联机器人同步定位与地图构建方法。根据机器人环境特征点的空间几何信息,基于图论建立特征点间的信息相关性。利用相邻两步的特征点观测信息协方差的变化,转化成求解特征点TSP问题和特征序列最大相关函数,以此确定所观测特征点的数据关联。实验证明,提出的方法可在噪声不确定性增大的情况下,保证同步定位与地图构建算法的一致性。

智能移动机器人同步定位与地图构建算法研究

以移动机器人的同步定位与地图构建(SLAM)算法为研究对象,介绍了机器人同步定位与地图构建的原理,并对现有SLAM算法进行深入研究。对现有的SLAM算法进行改进,提出基于平方根UKF的SLAM算法,仿真结果表明,新算法达到提高SLAM算法的稳定性,减少算法运算复杂度并得到较高的估计精度的目的。

统计特性突变下的机器人同步定位与地图构建

针对未知环境中,机器人同步定位与地图构建(SLAM)时,系统的统计特性发生突变问题,提出了一种基于非线性交互式多模型(IMM)的SLAM算法。该算法的主要思想是:用多个非线性高斯模型近似非线性非高斯模型;每个模型都采用扩展卡尔曼滤波(EKF)对非线性系统线性化;在每一步采用IMM方法获得融合估计值;从而演化机器人的SLAM.Monte Carlo仿真结果表明,在过程噪声均方根误差、量测噪声均方根误差和两者噪声均方根误差都发生变化的情况下,与EKF-SLAM算法和快速SLAM算法相比,该算法具有更好的估计精度。

煤矿巡检机器人同步定位与地图构建方法研究

针对煤矿井下无GPS环境下巡检机器人自主定位问题,研究了基于激光雷达的同步定位与地图构建方法。首先建立激光雷达观测模型和里程计预测模型,将机器人定位和地图构建的实际问题转换为概率数学模型的逻辑推理问题。同时采用自适应蒙特卡罗定位算法进行机器人实时位姿估计,提出了根据粒子权重(地图的匹配度)进行重采样的方法,以去除权重小的粒子,实现了用较少、较好粒子精确表达机器人位姿的后验概率分布,满足机器人利用传感器在栅格地图上实时定位的需求。通过对Fast-SLAM算法进行优化,减少了粒子数量,缓解了粒子耗散,提高了地图构建的精确性。实验结果表明,基于激光雷达的同步定位与地图构建方法有效解决了巡检机器人实时位姿估计和环境地图构建的问题,结合自适应蒙特卡罗定位算法和优化Fast-SLAM算法提高了机器人定位的自适应性和地图构建的精确性。

动态场景下基于语义和光流约束的视觉同步定位与地图构建

针对动态场景下的定位与静态语义地图构建问题,提出了一种基于语义和光流约束的动态环境下的同步定位与地图构建(SLAM)算法,以降低动态物体对定位与建图的影响。首先,对于输入的每一帧,通过语义分割获得图像中物体的掩模,再通过几何方法过滤不符合极线约束的特征点;接着,结合物体掩模与光流计算出每个物体的动态概率,根据动态概率过滤特征点以得到静态特征点,再利用静态特征点进行后续的相机位姿估计;然后,基于RGB-D图片和物体动态概率建立静态点云,并结合语义分割建立语义八叉树地图。最后,基于静态点云与语义分割创建稀疏语义地图。公共TUM数据集上的测试结果表明,高动态场景下,所提算法与ORB-SLAM2相比,在绝对轨迹误差和相对位姿误差上能取得95%以上的性能提升,与DS-SLAM、DynaSLAM相比分别减小了41%和11%的绝对轨迹误差,验证了该算法在高动态场景中具有较好的定位精度和鲁棒性。地图构建的实验结果表明,所提算法创建了静态语义地图,与点云地图相比,稀疏语义地图的存储空间需求量降低了99%。

基于WiFi指纹序列匹配的机器人同步定位与地图构建

同步定位与地图构建(SLAM)是当前机器人定位导航的研究热点,可靠的闭环检测是图优化SLAM的关键。而在大范围的复杂环境下,通过视觉或激光雷达进行闭环检测的可靠性低且计算开销大。针对这一问题,提出了一种基于WiFi指纹序列匹配的图优化SLAM算法。所提算法采用指纹序列进行闭环检测,由于指纹序列中包含多个指纹数据,信息量比单个指纹点对的数据丰富,因此将传统的基于指纹点对的匹配扩展到指纹序列的匹配可以大幅减小闭环误判的几率,从而确保了闭环检测的准确性,满足了SLAM在大范围复杂环境下的算法高精度要求。采用两组实验数据(机器人从不同的起点开始)对所提算法进行验证的结果表明:与高斯相似度的方法相比,所提算法的精度在第一组数据上提高了22.94%;在第二组数据上提高了39.18%。实验结果充分验证了所提算法在提高定位精度、确保闭环检测可靠性方面的优越性。