移动机器人路径规划和地图创建研究

摘要

机器人学是当今高技术研究最活跃的领域之一。作为机器入学的重要分支，移动机器人的研究涉及多个学科，在不同的领域得到了广泛的应用。自主导航是移动机器人应具备的基本功能，路径规划和地图创建是移动机器人实现自主导航需要解决的关键问题，决定着移动机器人是否能完成对环境的自主探索。路径规划是移动机器人在有障碍的环境中，寻找一定指标下尽可能优化的避障路径。地图创建是通过传感器采集的信息绘制机器人所处环境的过程，是路径规划和运动控制的基础。同时定位与地图创建(simultaneous localization and mapping，SLAM)将地图创建和定位合并为一个估计问题来建立更加可信的环境地图。移动机器人在自主导航的过程中，需要创建环境地图，实现自身定位和路径规划，因此研究移动机器人路径规划和地图创建具有理论和现实的意义。
　　论文以移动机器人为研究对象，对路径规划和SLAM算法进行研究，具体研究内容如下:
　　1.基于卡尔曼滤波的SLAM算法并没有考虑外部干扰问题，但其影响常导致移动机器人定位的失败。针对此问题，提出抗外部干扰的卡尔曼滤波SLAM算法。该算法将外部干扰检测和状态方差膨胀过程融入到扩展卡尔曼滤波和无迹卡尔曼滤波的SLAM算法中，减少了外部干扰的影响，提高了算法的估计精度和鲁棒性。
　　2.针对不正确的先验知识会影响FastSLAM算法对系统状态估计精度问题，提出基于动态分数阶和alpha稳定分布粒子群优化(DFC&ASD-PSO)的FastSLAM算法。该算法在FastSLAM框架中融入先验知识修正的过程，使得先验知识更接近于真实值。通过临近观测的不一致性和DFC&ASD-PSO完成先验知识的修正，提高SLAM结果的精度。
　　3.针对FastSLAM算法存在线性化误差和粒子耗尽的问题，提出基于平方根无迹卡尔曼滤波(SR-UKF)和改进遗传重采样的FastSLAM算法。该算法采用SR-UKF来估计粒子的提议分布，不仅降低了线性化误差，而且确保了协方差矩阵的非负定，保证了SLAM算法的稳定性。为了防止粒子衰退和保证粒子的多样性，使用基于双赌轮选择和快速Metropolis-Hastings变异的遗传算法来对粒子进行重采样。
　　4.基于可视图的全局路径规划算法中，可视图构造是个非常耗时的过程且包含了很多无用的可视边。为了提高全局路径规划的效率，提出同步可视图构造和路径搜索(SVGA)算法。SVGA算法不是在路径搜索之前构造可视图，而是将可视图的构造融入到路径搜索过程中。根据启发式搜索，只构造与最优路径有关的可视边，而忽略大部分的可视边。性能分析证明了SVGA算法在减少计算量的同时搜索到的仍是最优路径。
　　5.针对可视图只能在已知环境中进行路径规划的限制，提出基于三次B样条曲线和粒子群优化的改进可视图算法。该算法由多边形动态生成、路径规划和路径平滑三个步骤组成。局部陷阱和路径平滑是局部路径规划中需要解决的两个重要问题。为了逃离局部陷阱，在多边形动态生成的过程中增加了环境记忆的功能。通过三次B样条曲线和粒子群优化算法平滑路径以满足机器人动力约束条件。