学位论文 > 优秀研究生学位论文题录展示
移动机器人同时定位与地图创建自适应算法研究
作 者: 张文玲
导 师: 陈宗海
学 校: 中国科学技术大学
专 业: 模式识别与智能系统
关键词: 同时定位与地图创建 系统建模 扩展卡尔曼滤波 无迹卡尔曼滤波 粒子滤波 强跟踪滤波器 自适应算法
分类号: TP242
类 型: 硕士论文
年 份: 2009年
下 载: 250次
引 用: 3次
阅 读: 论文下载
内容摘要
移动机器人导航是机器人研究领域的重要课题。在导航技术中,自定位是机器人应当具备的基本功能,但是定位问题离不开环境地图的创建。如果把机器人的自主定位和地图创建作为一个问题来解决,就为实现真正的自我导航提供了良好的前提条件,即同时定位和地图创建(Simultaneous Localization and Mapping)问题,简称SLAM问题。SLAM问题的解决是过去十几年机器人领域最显著的成绩之一,已被应用在室外、水下和陆地等不同领域。面对真实世界的复杂性和动态特点,为了提高移动机器人的智能性,高适应性、高鲁棒性、高效率的SLAM方法是机器人领域的研究热点。本文对移动机器人的同时定位与地图创建问题进行了研究。针对传统SLAM方法存在的问题,以鲁棒性和自适应能力为着眼点,以提高移动机器人在未知环境下自主导航的能力为目标,设计了一种基于强跟踪滤波器(STF)的自适应UKF-SLAM算法。论文的主要工作及贡献包括:1.对移动机器人导航系统进行了建模。所建立的模型主要包括环境地图模型、机器人位置和运动模型、传感器观测模型,噪声模型等。这些基本模型是SLAM问题的研究的平台基础。2.对传统SLAM方法进行了分析。分析表明,扩展卡尔曼滤波算法(EKF)是传统的非线性系统线性化方法,可以用于解决同时定位与地图创建问题;粒子滤波算法(PF)具有状态估计精确度高的优点,不过需要随机产生大量粒子,需要在导航的实时性上加以改进;无迹卡尔曼滤波算法(UKF)利用确定性采样点来近似状态向量的概率分布,可以避免粒子退化问题。3.针对上述几种SLAM算法存在鲁棒性和自适应性差的缺点,提出了基于强跟踪滤波器(STF)的自适应UKF-SLAM算法。针对STF具有极强的模型失配的鲁棒性,且具有概念清晰、计算简单的优点,本文通过融合UKF和强跟踪滤波器来优化SLAM算法,获得UKF-SLAM算法,该算法中的每个Sigma点均进行STF更新,通过STF在线调节因子来相应调节滤波增益,达到提高自适应SLAM算法的自适应调整能力和鲁棒性的目的。本文最后一章对全文进行总结,并且对同时定位与地图创建的研究前景进行了展望。
|
全文目录
摘要 4-5 ABSTRACT 5-9 第一章 绪论 9-21 1.1 引言 9 1.2 自主移动机器人综述 9-11 1.2.1 自主移动机器人研究意义 9-10 1.2.2 机器人导航的研究内容 10-11 1.2.3 移动机器人导航技术发展趋势 11 1.3 移动机器人同时定位与地图创建综述 11-19 1.3.1 SLAM 问题涉及的理论和技术 12-14 1.3.2 SLAM 的实现方法 14-16 1.3.3 SLAM 方法存在的问题及解决方案 16-19 1.3.4 SLAM 前景展望 19 1.4 本文主要内容 19-21 第二章 移动机器人系统建模 21-26 2.1 坐标系统模型 21 2.2 环境模型 21-22 2.3 机器人模型 22 2.3.1 机器人车体模型 22 2.3.2 机器人运动模型 22 2.4 运动控制模型 22-23 2.5 传感器观测模型 23-24 2.6 环境噪声模型和传感器噪声模型 24 2.7 环境特征模型 24-25 2.8 本章小结 25-26 第三章 同时定位与地图创建算法 26-39 3.1 SLAM 问题描述 26-28 3.2 扩展卡尔曼滤波算法 28-31 3.2.1 卡尔曼滤波算法 28-29 3.2.2 扩展卡尔曼滤波 SLAM 算法 29-30 3.2.3 EKF-SLAM 算法存在的问题 30-31 3.3 粒子滤波算法 31-35 3.3.1 标准的粒子滤波算法 31-33 3.3.2 粒子滤波器的优缺点 33 3.3.3 Fast-SLAM 算法 33-35 3.4 无迹卡尔曼滤波SLAM 算法 35-38 3.4.1 UT 变换 35-36 3.4.2 UKF-SLAM 算法 36-38 3.5 本章小结 38-39 第四章 强跟踪UKF 的自适应SLAM 算法 39-43 4.1 强跟踪滤波器 39-40 4.1.1 强跟踪滤波器的引入 39 4.1.2 强跟踪滤波器原理 39 4.1.3 带次优渐消因子的滤波器 39-40 4.2 强跟踪自适应UKF-SLAM 算法 40-42 4.3 本章小结 42-43 第五章 仿真实验与结果分析 43-49 5.1 实验建模和实验设置 43-45 5.1.1 实验建模 43-44 5.1.2 实验环境 44-45 5.2 实验分析 45-47 5.3 本章小结 47-49 第六章 结论与展望 49-51 6.1 本文工作总结 49-51 参考文献 51-57 致谢 57-58 在读期间发表的学术论文与取得的研究成果 58
|
相似论文
- 基于陀螺和星敏感器的卫星姿态确定研究,V448.2
- 基于多Agent理论的卫星协同定轨技术研究,V474
- 基于VRPF的机动目标跟踪的研究,TN957.52
- 图像分割中阴影去除算法的研究,TP391.41
- 有标记点的人体三维运动数据获取方法的研究,TP391.41
- 基于粒子滤波的自主机器人视觉目标跟踪研究,TP242
- 空间红外目标仿真与跟踪技术研究,TP391.41
- 复杂场景中运动目标的检测与跟踪,TP391.41
- 无线传感器网络的目标跟踪算法研究,TN929.5
- 基于鱼眼相机的运动物体检测和跟踪,TP391.41
- 基于无线传感器网络的目标定位跟踪研究,TN929.5
- 流程工业数据校正方法的研究,TP274
- IEEE802.11速率自适应算法的实现与性能分析,TN929.5
- 基于HTTP流化的流媒体自适应传输策略研究及实现,TN919.8
- 基于图像信息的运动目标检测与跟踪算法研究,TP391.41
- 融合视觉与惯性导航的机器人自主定位,TP242
- 数字系统微弱泄漏电磁波信号检测的随机共振法研究,TN911.23
- 无线传感器网络定位及目标跟踪的研究,TN929.5
- 自主水下航行器组合导航算法研究与系统实现,U666.1
- 粒子滤波算法的硬件优化设计,TN713
- 面向室内环境的WSN跟踪关键技术研究,TN929.5
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化技术及设备 > 机器人技术 > 机器人
© 2012 www.xueweilunwen.com
|