基于主动环形闭合约束的移动机器人分层同时定位和地图创建

基于Rao-Black wellized粒子滤波器提出了一种基于主动闭环策略的移动机器人分层同时定位和地图创建(si multaneous localization and mapping,SLAM)方法,基于信息熵的主动闭环策略同时考虑机器人位姿和地图的不确定性;局部几何特征地图之间的相对关系通过一致性算法估计,并通过环形闭合约束的最小化过程回溯修正.在仅有单目视觉和里程计的基础上,建立了鲁棒的感知模型;通过有效的尺度不变特征变换(scale invariant feature transform,SIFT)方法提取环境特征,基于KD-Tree的最近邻搜索算法实现特征匹配.实际实验表明该方法为实现SLAM提供了一种有效可靠的途径.

基于图优化的SLAM后端优化算法研究

针对移动机器人的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)问题,传统后端优化算法比较依赖于前端传感器构造位姿图,而且对于假阳性环形闭合约束鲁棒性较低。基于此,提出了一种鲁棒后端优化算法。利用因子图建立SLAM的优化模型,在使用新的鲁棒代价函数基础上引入先验约束用于确认启用或关闭前端传递的环形闭合约束,从而使得后端拓扑图能够摒弃前端传递的假阳性环形闭合约束并朝向真实地图收敛,再利用L-M(Levenberg-Mar-quardt)算法进行优化使其收敛到真实地图。仿真结果表明,SLAM后端优化算法缩小了前端数据和后端优化之间的差距,满足移动机器人精确定位与建图的需求。