学位论文 > 优秀研究生学位论文题录展示

基于二维地图匹配的机器人定位关键技术研究

作　者: 吴伟
导　师: 徐心和
学　校: 东北大学
专　业: 控制理论与控制工程
关键词: 机器人定位多传感器融合二维地图重构 SPModel模型 H_∞滤波虚拟传感器
分类号: TP242
类　型: 博士论文
年　份: 2006年
下　载: 668次
引　用: 3次
阅　读: 论文下载

内容摘要

机器人定位问题是自主机器人运行过程中需要解决的难点问题之一。实际上，在很多应用领域里机器人不可能观测到全局信息，仅仅具有局部视觉功能，因此解决局部视觉机器人定位在工程上更实用、更有价值。本文系统地分析了基于二维地图匹配定位的基础理论，这种快速实用的方法不仅可以实现室内环境机器人的定位，而且由于全球GPS系统能够提供构建的世界地图，从而利用地图匹配定位算法还可以实现户外环境重构和定位，使得此算法的应用领域大幅扩展。本文的主要成果如下：在传统的概率模型里使用矢量V_AF=（a，b）^T描述一条直线，直线公式为y=ax+b。当直线与Y轴平行时则出现一奇点，因此需要改变描述方程为：x=ay+b。两个方程的交替使用，必然使得估计方程的交替过程比较复杂。通常在接近奇点时的协方差趋近于无穷，而且计算的精确性大幅度降低。本文应用对称扰动模型（SPModel）描述任意二维几何特征以及传感器观测的不确定性。该模型特点是将机器人的位置信息定义为四部分—位置矢量、扰动量、协方差和约束矩阵。用约束矩阵和相对位置矢量的积建立超声波传感器提取的直线特征与观测读数融合的数学模型，从而避免了传统模型中的近奇点问题，提高了计算的精确性。将固定的直线目标和传感器按照固定时序、角度旋转扫描该直线目标的过程，看成是传感器不变，目标沿着一条直线做常加速运动。根据这一思想，推导出相应的传感器状态方程，并且将观测过程系统参数不确定性定义在模型之中，采用H_∞滤波估计实现超声波传感器观测数据集合的分割，同卡尔曼滤波估计方法进行比较，该方法可以改善由于卡尔曼滤波发散而导致数据集合无法分割的现象，实现提取有效数据的目标。将SPModel模型应用于超声波传感器识别的角、半平面特征和视觉传感器识别的垂直边界的信息融合，校正二维多边形环境地图，从而应用多传感器融合实现了较为精确的二维环境地图重建，为机器人最终实现准确定位奠定了基础。将SPModel模型应用于重构的二维地图与环境先验地图模型匹配融合，实现机器人定位。将与几何特征相关的约束条件应用在匹配过程，从而提高了匹配速度。

全文目录

独创声明  3
学位论文版权使用授权书  3-4
摘要  4-6
Abstract  6-8
目录  8-12
第一章绪论  12-24
  1.1 引言  12
  1.2 移动机器人定位和建图技术  12-18
    1.2.1 基于不同传感器的定位方法  13
    1.2.2 通用定位技术  13-15
    1.2.3 移动机器人建图  15-18
  1.3 数据融合技术  18-20
    1.3.1 常用多传感器融合技术  18-19
    1.3.2 轮式机器人多传感器融合技术  19-20
  1.4 机器人仿真平台体系研究  20-21
  1.5 本文内容  21-24
    1.5.1 研究方法  21-22
    1.5.2 研究内容  22-24
第二章相关理论基础  24-54
  2.1 引言  24
  2.2 几何模型  24-29
    2.2.1 齐次变换和雅可比矩阵  24-27
    2.2.2 差分变换和雅可比矩阵  27-28
    2.2.3 参数矢量定义  28-29
  2.3 对称及扰动模型(SPMedel)  29-33
    2.3.1 几何特征描述二  29-32
    2.3.2 描述不确定性  32-33
  2.4 几何特征配对  33-37
    2.4.1 子特征和特征间配对  34-36
    2.4.2 特征与模型特征间配对  36-37
  2.5 估计技术  37-43
    2.5.1 卡尔曼滤波  37-41
    2.5.2 扩展信息滤波器  41-42
    2.5.3 马氏(Mahalanobis)距离  42-43
  2.6 鲁棒 H_∞滤波估计问题  43-53
    2.6.1 H_∞标准控制问题  44-45
    2.6.2 H_∞滤波问题  45-47
    2.6.3 基于线性不等式的H_∞滤波问题  47-50
    2.6.4 基于线性不等式的H_2/H_∞滤波问题  50-53
  2.7 小结  53-54
第三章环境模型的建立  54-76
  3.1 引言  54-55
  3.2 环境信息描述  55-60
    3.2.1 2D超声波测距原理  55-57
    3.2.2 2D超声波描述  57-59
    3.2.3 2D超声波传感器误差模型  59-60
  3.3 2D超声波分割设定  60-62
    3.3.1 2D超声波分割建模  60
    3.3.2 超声波直线分割边界中心确定  60-62
  3.4 超声波信息分割  62-69
    3.4.1 环境距离数据集合定义  62
    3.4.2 扫描序列分割方法  62-67
    3.4.3 线段的端点估计  67-69
  3.5 估计直线  69-70
  3.6 直线融合  70-72
  3.7 线段的长度估计  72-74
    3.7.1 几何关系  72-73
    3.7.2 长度估计  73-74
  3.8 小结  74-76
第四章多传感器融合检测特征  76-92
  4.1 引言  76
  4.2 特征  76-82
    4.2.1 几何特征定义  76-78
    4.2.2 同质区域的状态空间描述  78-79
    4.2.3 半平面与直线分割关系  79-80
    4.2.4 角和直线分割关系  80-82
  4.3 两条直线分割的关系  82
  4.4 特征和传感器观测读数的关系  82
  4.5 关联特征的关系  82-83
  4.6 单目视觉信息  83-86
    4.6.1 Burns分割提取  83-84
    4.6.2 摄像机模型  84-85
    4.6.3 单目视觉信息描述  85-86
  4.7 多传感器校准  86-87
  4.8 超声波和视觉融合  87-89
    4.8.1 超声波和视觉的特征配对  88
    4.8.2 多传感器融合方法预测特征位置  88-89
  4.9 试验结果  89-90
  4.10 小结  90-92
第五章机器人定位  92-106
  5.1 引言  92-93
  5.2 定位问题  93-94
  5.3 几何约束  94-101
    5.3.1 一元约束  95-96
    5.3.2 二元约束  96-98
    5.3.3 刚性约束  98-100
    5.3.4 扩展约束  100-101
  5.4 移动机器人位置估计  101-102
  5.5 可视性约束  102-103
  5.6 多传感器融合试验  103-105
  5.7 小结  105-106
第六章仿真软件的开发  106-116
  6.1 引言  106
  6.2 仿真器  106-108
  6.3 软件框架  108-109
  6.4 配置及动态链接库  109
  6.5 仿真模型实现  109-114
    6.5.1 仿真系统实时性  110-111
    6.5.2 如何提高实时性  111-112
    6.5.3 碰撞检测  112-114
  6.6 仿真结果  114-115
  6.7 小结  115-116
第七章结论与展望  116-118
参考文献  118-128
致谢  128-130
攻读学位期间发表的论著  130-132
个人简历  132

基于二维地图匹配的机器人定位关键技术研究

内容摘要

全文目录

相似论文