复杂场景下机器人SLAM算法研究

摘要

同步定位与建图（Simultaneous Localization and Mapping，SLAM）是移动机器人实现自主导航的关键技术。如今移动机器人的应用环境愈加复杂，在大范围或者地图特征较密集的城市环境中，外部环境的不确定干扰使机器人传感器噪声特性突变，传统的移动机器人SLAM算法会出现估计精度下降，实时性下降等问题，严重影响实际应用。因此研究如何提高复杂场景下的移动机器人SLAM算法的定位与建图精度、鲁棒性与实时性，这对推动移动机器人产业的发展，真正实现移动机器人自主导航具有重要的理论意义和实用价值。 首先，讨论并建立移动机器人SLAM系统的运动控制模型、传感器观测模型等，并描述了SLAM问题的数学模型，为后续的算法研究建立了统一的仿真模型。 其次，详细推导了基于扩展卡尔曼滤波的EKF-SLAM算法，分析其存在的缺陷，并深入研究了EKF-SLAM算法中的数据关联部分，考虑到大范围环境下的最近邻数据关联算法计算量较大，精度降低的问题提出局部关联策略和动态自适应关联阈值准则对最近邻数据关联算法进行改进，改进的数据关联算法在一个局部地图中匹配可能的地图特征，同时关联阈值随着位姿状态估计误差变化而改变，避免了由于恒定关联阈值出现关联错误的情况，仿真实验结果验证了改进算法的有效性。 最后深入研究了基于粒子滤波的FastSLAM算法。在实际环境中，往往不能满足FastSLAM算法中对于稳态噪声的假设，外部干扰会导致系统模型发生变化，传感器噪声特性突变，加大了建议分布函数与真实后验概率分布之间的差异，进一步加剧了粒子退化的问题，也影响了粒子的多样性表达，出现粒子贫化问题。针对上述问题，利用自适应多渐消UKF获得建议分布函数，同时引入排挤机制的PSO算法优化粒子分布，使得建议分布函数能够真实的反应系统后验概率分布，使FastSLAM算法具有处理非稳态噪声的能力，这对移动机器人SLAM算法在复杂场景下的应用也有很大意义。利用仿真平台和真实环境标准数据集验证了改进FastSLAM算法的有效性。