移动机器人同时定位与地图创建方法研究
在移动机器人导航中，实现机器人自身的准确定位是一项最基本、最重要的功能，也是移动机器人研究中备受关注、富有挑战性的一个重要研究主题。本文的研究工作就是围绕着移动机器人自主定位进行的。然而，机器人的定位是以环境地图为基础的，而环境地图的创建又需要精确的定位。在未知环境中，这是一个既矛盾又相关的过程。为了实现真正意义上的自主导航，必须把机器人定位和环境地图创建作为一个问题来解决，使机器人具有同时定位与地图创建(SLAM)的能力。
本文在山东省自然科学基金课题“新型智能导游机器人(Y2002G18)”和山东省科技攻关项目“多语种智能导游机器人(031080124)”的支持下，对移动机器人定位和SLAM进行了研究。针对传统方法的不足，提出改进的机器人定位和SLAM方法，以提高移动机器人自主探测未知环境的能力。具体研究内容包括以下几方面：
l、通过分析观测噪声统计特性对扩展卡尔曼滤波算法性能的影响，提出一种基于观测噪声模糊自适应调整的扩展卡尔曼滤波定位方法。该方法利用模糊逻辑和协方差匹配技术对观测噪声协方差R进行自适应调整，以克服观测噪声统计特性不确定的影响，实现定位算法性能的在线改进。同时采用一种传感器故障诊断和修复算法来监测传感器状态，提高算法的鲁棒性。将该方法用于观测噪声统计特性未知情况下的机器人定位，不仅可以降低观测噪声先验信息不完备的影响，而且能够防止滤波器发散和提高机器人定位的精度。
2、针对普通粒子滤波算法容易受到样本贫化的影响，而且需要大量的样本才能取得较好定位效果的问题，提出一种进化粒子滤波定位方法。将进化计算中选择、交叉和变异操作引入粒子滤波算法，对样本进行优化，使样本向后验密度分布取值较大的区域运动，从而更好地表达系统的后验密度。同时改善样本的多样性，减轻样本贫化。移动机器人位置跟踪和全局定位实验结果表明，与普通粒子滤波算法相比，进化粒子滤波算法可以减少所需样本数量，具有更高的定位精度和更好的鲁棒性。
3、为了改善采用小样本集时粒子滤波定位算法的性能，提出一种基于支持向量回归的EKF粒子滤波定位方法。首先利用EKF计算重要性采样函数，通过融合最新的观测信息z<,K>，使该分布尽可能的接近真实的后验分布，从而提高采样质量；利用支持向量回归算法对加权样本集进行评价，充分利用相邻样本的信息计算更加精确的样本权重，从而减轻重采样阶段样本有效性和多样性的损失，降低样本贫化的危险。定位实验表明改进的粒子滤波算法采用较小的样本集就能获得令人满意的定位效果。
4、对未知环境下移动机器人同时定位与地图创建进行研究，提出一种改进的Rao-Blacwellized粒子滤波SLAM方法(RBPF)。不仅采用RBPF估计机器人路径的后验概率密度分布，而且采用粒子滤波器来估计路标位置的后验概率密度分布，使机器人位姿和地图的联合后验概率密度可以在每一点用样本集非线性地描述；采用支持向量回归算法(SVR)构建路标样本集的回归函数，计算更加精确的样本权重，从而减少所需样本数量，采用较小的样本集就可以得到较好的路标位置估计；采用自适应重采样技术，只在需要时才进行重采样，减少重采样的次数，保持合理的样本多样性。SLAM实验结果证明了方法的有效性。
本文在最后一章对全文进行了总结，并且对今后进一步的研究方向进行了展望。
移动机器人;卡尔曼滤波;粒子滤波;支持向量回归
中国海洋大学
博士
物理海洋学(海洋技术)
魏志强;孟庆春
2006
中文
TP242
101
2007-08-07（万方平台首次上网日期，不代表论文的发表时间）