学位论文 > 优秀研究生学位论文题录展示

在结构化环境中基于群体智能的多机器人地图构建

作　者: 王宁
导　师: 梁阿磊
学　校: 上海交通大学
专　业: 软件工程
关键词: 多机器人地图构建粒子群优化边界线段提取地图合并引力/斥力
分类号: TP242
类　型: 硕士论文
年　份: 2010年
下　载: 91次
引　用: 0次
阅　读: 论文下载

内容摘要

在未知环境中地图构建是移动机器人研究的一个重要课题,是近年来的热点研究领域,是移动机器人在未知环境下实现自主的基础,是移动机器人导航、路径规划、避障的基础。相对于单机器人,多机器人地图构建具有很多优点,首先,多机器人能够更加快速的完成探索任务;其次,多机器人具有更好的扩展性和鲁棒性;最后,多机器人更加安全可靠,适用于广阔、恶劣的复杂环境。然而,由于要与真实环境交互,多机器人地图构建面临很多挑战和困难。多机器人系统要比分布式系统更加复杂,需要根据环境和单个机器人能力制定一个合适的协作机制,通过机器人之间的配合完成任务,即协作问题;其次,地图信息是存储在单个机器人身上的,需要将分布在机器人身上的地图信息合并成一张完整的地图,即信息集成问题;再次,现在的多机器人地图构建方法,几乎都要求有个全局坐标这一前提,这对硬件提出更高要求;最后,本文所用的机器人结构简单,通讯受限,能量有限,这就要求算法不易复杂。根据常识,人类在寻找目标或旅游的过程中,并不需要准确定位自己的方位,而是通过环境中某种特殊标志物来达到粗略定位的目的。受此启发,本文利用相邻机器人采集的数据具有相似特征这一特性,通过相似特征统一机器人之间的坐标,最终达到地图融合的目的,在此过程中不依靠全局坐标信息,完成地图构建任务。本文的主要贡献包括:1.将粒子群优化算法应用于多机器人自我部署问题,解决如何在无全局坐标及无中心控制情况下让多机器人到达合适位置的问题。群体智能特点是机器人结构简单,无中央控制。因此机器人在无全局定位能力情况下,自行分布在合适位置是一件十分困难的事情。在本算法中,机器人依靠被动的感知相互之间的距离,通过模拟引力/斥力,达到扩散到合适位置的目的。2.实现了局部地图探索和将栅格地图提取成基于线段的特征地图的算法。当机器人到达合适位置后,机器人会根据基于边界思想的地图探索方法,对自己周围的环境进行探索,并且以栅格地图的形式存储下来,然后利用边缘点跟踪算法将栅格地图提取为基于线段的特征地图,从而获得局部地图。3.利用office地形多直线和角的特点,将角度作为一种特征值,提出一种基于line segment几何图形匹配的改进算法,完成地图信息融合。当机器人获得局部地图后,依靠相邻机器人之间探测的地图信息具有冗余性及相似性特点,将具有相同几何图形的地图统一坐标,并减少误差,从而达到地图融合的目的。可以完成无全局定位和相互测距情况下的地图创建。

全文目录

摘要  5-7
ABSTRACT  7-14
1 绪论  14-22
  1.1 研究背景  14-17
    1.1.1 地图构建  14-15
    1.1.2 地图构建研究内容  15-17
  1.2 研究现状  17-19
    1.2.1 基于任务分配的地图构建方法  17
    1.2.2 虚拟物理学的方法  17
    1.2.3 期望最大化( expectation maximization, EM)算法  17-18
    1.2.4 SLAM( simultaneous localization and mapping, SLAM)  18
    1.2.5 群体智能（Swarm Intelligence）  18
    1.2.6 认知地图  18-19
    1.2.7 地图信息融合  19
  1.3 研究目标与内容  19-20
  1.4 算法思想  20-21
    1.4.1 算法依据  20
    1.4.2 算法描述  20-21
  1.5 课题来源  21
  1.6 论文各章的主要内容  21-22
2 粒子群算法  22-29
  2.1 群体智能  22-23
    2.1.1 蚁群优化算法  22-23
  2.2 粒子群优化算法  23-28
    2.2.1 算法模型及分析  24-25
    2.2.2 算法流程  25-26
    2.2.3 参数因素  26-27
    2.2.4 终止条件  27-28
  2.3 相关应用  28
  2.4 本章小结  28-29
3 基于粒子群优化的自我部署算法  29-46
  3.1 设计目标  29
  3.2 算法设计  29-33
    3.2.1 模型  29-32
    3.2.2 终止条件  32-33
  3.3 实验与结果  33-45
    3.3.1 实验设置  33-34
    3.3.2 实验结果  34-43
    3.3.3 实验结论  43-44
    3.3.4 实验小结  44-45
  3.4 本章小结  45-46
4 地图探索及特征提取  46-56
  4.1 地图表示方法  46-49
    4.1.1 栅格地图  47
    4.1.2 特征地图  47-48
    4.1.3 拓扑地图  48-49
    4.1.4 混合地图  49
  4.2 局部地图探索  49-53
    4.2.1 算法思想  49-50
    4.2.2 算法流程  50-52
    4.2.3 实验结果  52-53
  4.3 提取  53-55
    4.3.1 算法描述  53-55
    4.3.2 实验结果  55
  4.4 本章小结  55-56
5 地图信息融合  56-75
  5.1 融合原理  56-58
  5.2 坐标转化  58-61
    5.2.1 寻找可能的坐标转化  58-59
    5.2.2 评估最好的坐标转化  59-61
  5.3 算法改进  61-64
    5.3.1 减小匹配转化的计算量  61-62
    5.3.2 相似地形下提高匹配精度  62-64
  5.4 融合策略  64-67
    5.4.1 集中式融合策略  64-65
    5.4.2 分布式融合策略  65-66
    5.4.3 上传终端裁剪冗余  66-67
  5.5 实验  67-73
    5.5.1 仿真平台  67-69
    5.5.2 实验结果  69-73
  5.6 本章小结  73-75
6 总结与展望  75-78
  6.1 全文总结  75
  6.2 工作展望  75-78
参考文献  78-85
致谢  85-86
攻读学位期间发表的学术论文目录  86

在结构化环境中基于群体智能的多机器人地图构建

内容摘要

全文目录

相似论文