基于DSmT的移动机器人地图构建及传感器管理

针对智能移动机器人探测未知环境的问题,引入了一种新的信息融合方法DSmT(Dezert-Smarandache Theo-ry),采用栅格地图,并根据声纳在DSmT框架下的数学模型,利用经典DSm模型构造了一组能自动调节误差范围的声纳基本信度赋值函数(gbbaf),以处理未知环境下声纳获取的不确定和不精确信息,甚至于高冲突信息。提出了简单有效的传感器管理方法,完全消除了复杂环境下声波的多次反射和串扰现象。最后,用Pioneer 2-DX机器人分别进行了DSmT和DST(Dempster-Shafer Theory)两种算法的地图构建实验,并绘制了相应的二维基本信度赋值地图。将DSmT与DST构建出的环境地图做比较,充分验证了DSmT及提出的传感器管理方法在未知环境下的有效性,为处理动态高冲突信息提供了有力的理论依据。

基于混合DSm模型的移动机器人动态环境地图构建

针对移动机器人探测动态未知环境的问题,引入了一种由贝叶斯理论和Dempster-Shafer证据理论(DST)扩展而来的新的信息融合方法——Dezert-Smarandache理论(DSmT).采用栅格地图,并根据声纳的物理特性,在DSmT框架下建立了声纳的数学模型.运用DSmT中的高级模型,即混合DSm模型,构造了一组基本信度赋值函数(gbbaf),用以处理动态环境下声纳获取的不确定和不精确信息,甚至于高冲突信息.借助Pioneer 2-Dxe移动机器人分别进行了混合DSm模型和DST两种算法的地图构建实验,并绘制了相应的二维基本信度赋值地图.将由混合DSm模型与DST构建出的环境地图进行了比较,充分验证了混合DSm模型在未知动态环境下的有效性,为处理动态高冲突信息提供了有力的理论依据.

使用非视觉传感器的移动机器人定位问题的研究方法

回顾使用非视觉信息的移动机器人定位问题研究状况，根据各种方法研究的侧重点将此问题分为4类，即使用信标的定位，基于环境模型的定位，基于多传感器融合信息的方法以及定位和环境建模同时进行的方法，且指出各种方法的优缺点。给出当今定位问题研究的热点和难点，并预测发展趋势。

混合DSm模型的移动机器人地图构建

针对移动机器人探测静态未知环境时,利用不精确传感器(声纳)获取的数据信息不精确、不确定及高冲突性等问题,引入了一种信息融合方法Dezert-Smarandache证据理论(DSmT),并根据声纳的物理特性建立了混合DSm模型,构造了基本信度赋值函数.使用Pioneer 2-DXe机器人进行了地图构建实验,将由混合DSm模型构建出的静态环境地图与实际环境布局进行比较,实验结果充分验证了算法的有效性,为处理不精确信息提供了有力的理论依据.