大尺度环境中自主式水下机器人同时定位与地图构建算法研究

摘要

自主式水下机器人(AUV)无疑将发展成为未来海洋监测和调查的主要工具。目前AUV导航定位主要依赖声学基线技术,综合费用大、工作范围小、费时费力,是阻碍其广泛应用的主要瓶颈。本文旨在探索AUV在脱离外部支持框架下,采用同时定位与地图构建(SLAM)方法实现未知环境中的自主导航定位。SLAM方法在小尺度环境下已经得到成功应用,然而将其应用于大尺度环境AUV的自主导航与定位仍需攻克三个难点:一是算法数据关联问题;二是算法估计一致性问题;三是算法计算复杂度问题。本文即围绕这三个核心问题开展研究工作。
　　针对传统单一兼容最近邻(ICNN)和联合兼容分枝界定(JCBB)数据关联算法的缺陷,本文提出一种适用于大尺度环境中的SLAM数据关联算法—迭代分类匹配(ICM)方法。ICM通过使用四元数方法从初次关联成功的测量-地图特征集中提取出二者间的最小二乘匹配向量,并将该向量用于对初次关联失败的地图特征集进行匹配更新,以此来削弱不精确的机器人位姿估计对数据关联结果的影响。更新后的初次关联失败测量-地图特征集作为输入再次进行数据关联直到满足均方误差检测。仿真及维多利亚公园数据集实验验证了 ICM算法是一种适用于大尺度环境的SLAM数据关联算法。
　　为了解决大尺度环境中 SLAM算法易出现估计不一致问题,在对经典EKF-SLAM系统进行可观测性分析基础上,总结出系统可观测性与系统一致性之间的关系,揭示 SLAM算法出现估计不一致问题的深层原因。通过引入局部一致性的概念,设计出一种满足局部一致性约束的LCEKF-SLAM估计器。仿真及海试实验将LCEKF-SLAM与传统的以及当前比较流行的几种估计器进行了详细比较,估计误差、一致性和算法计算复杂度三方面的实验结果均显示出LCEKF-SLAM估计器的优越性。
　　为满足AUV-SLAM在大尺度环境中实时应用的需求,提出一种基于子地图思想的混合 SLAM方法,其具体内容包括:局部子地图建立过程采用添加了局部一致性约束的LCEKF-SLAM估计器,并引入多约束子地图建立策略;局部子地图联结过程则选择计算效率较高的SEIF算法,并引入 D&C子地图联结策略进一步降低整个算法的计算复杂度。仿真、维多利亚公园数据集和海试实验证实基于子地图思想的混合SLAM方法在极大降低算法计算复杂度的同时,还兼顾算法的精确性和一致性。
　　论文最后对全部研究工作进行了总结,并提出工作的不足以及今后可以改进的地方。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状及发展前景

1.3 本文工作及章节安排

第二章 同时定位与地图构建

2.1 引言

2.2 SLAM概率模型

2.3 基于EKF的SLAM算法

2.4 基于 EIF的SLAM算法

2.5 本章小结

第三章 C-Ranger AUV实验平台及声呐数据处理

3.1 引言

3.2 系统简介

3.3 声呐及声呐数据处理

3.3 C-Ranger SLAM算法

3.4 本章小结

第四章 适用于大尺度环境的SLAM算法数据关联问题研究

4.1 引言

4.2 迭代分类匹配数据关联算法

4.3 实验与分析

4.4 本章小结

第五章 基于系统可观测性分析的EKF-SLAM算法一致性研究

5.1 引言

5.2 基于可观测性的EKF-SLAM系统一致性分析

5.3局部一致性及局部一致估计器

5.4 实验及分析

5.5 本章小结

第六章 大尺度环境中SLAM算法计算复杂度研究

6.1 引言

6.2 基于子地图的混合SLAM算法

6.3 实验及分析

6.4 本章小结

第七章 总结与展望

7.1 论文工作总结

7.2 工作不足与展望

附录A：EKF-SLAM系统线性化误差状态空间公式推导

A.1 预测模型

A.2 测量模型

参考文献

致谢

个人简历

攻读博士学位期间发表论文及参与项目情况