大规模环境下多机器人协作同时定位与建图研究

摘要

随着移动机器人领域的研究不断深入，其应用领域也不断得到推广。大规模环境下的移动机器人自主完成作业成为当前研究的热门课题，并在行星探索、军事反恐、灾难搜救等领域拥有巨大的应用潜力。未知环境下，移动机器人在线创建地图并同时利用地图实现自身的定位，即同时定位与建图(SimultaneousLocalization and Mapping，SLAM)是其自主完成作业的基础。大规模环境结构复杂，导航难度高，加之单机器人在大规模环境下存在传感器能力、计算复杂度与存储规模等方面的限制，多机器人协作是解决大规模环境下同时定位与建图问题的可行途径，从而受到研究者重视。
　　 大规模环境结构复杂，可能是结构化环境，也可能是非结构化环境，而实际应用中经常是两种环境的结合体，即半结构化环境。为了研究大规模环境下多机器人协作SLAM问题，本文首先从非结构化大规模环境和结构化大规模环境出发，分别研究两种环境下多机器人协作SLAM。接下来，综合以上两种环境下多机器人协作SLAM方法，本文给出半结构化大规模环境下多机器人协作SLAM的综合解决方案，以实现多机器人在环境中协作、自主、高效地建图，实现建立完整且一致的环境地图，同时完成各个机器人对自身的定位，以便利用该地图高效执行任务。本文主要进行以下三个方面的研究工作：
　　 (1)针对非结构化大规模环境，本文研究了基于局部子地图的多机器人自主协作SLAM方法。机器人在环境中并行创建局部子地图，并利用基于扩展卡尔曼滤波器的子地图融合方法得到全局地图。本文同时给出一种主动的多机器人同时定位与建图方法，根据建图精度、建图效率以及各个机器人之间的协调三个因素对机器人的控制输入进行优化，实现了多机器人在环境中自主协作SLAM。本文还研究了子地图融合时机对于全局地图的影响，通过对融合时机的优化，得到精度更高的全局地图。
　　 (2)针对结构化大规模环境，本文研究了基于拓扑地图的多机器人协作SLAM方法，基于广义Voronoi图(Generalized Voronoi graph，GVG)为环境建立拓扑模型。针对大规模环境中存在开阔的区域，传统的GVG模型因传感距离的限制，无法在线创建的问题，本文提出了一种改进的GVG模型，称为饱和GVG，并给出了多机器人在线创建饱和GVG的方法。拓扑节点匹配是多机器人建立一致的环境拓扑地图并实现在地图上定位的基础，本文给出了一种基于多假设方法的节点匹配策略，通过建立多假设树并扩展，将当前时刻每一种可能的机器人位置/环境拓扑结构的假设作为一个叶子节点，并根据其后验概率、GVG节点类型以及机器人的相互观测等信息进行剪枝，最终得到全局一致的准确环境拓扑地图，从而实现了结构化大规模环境下多机器人协作SLAM。
　　 (3)针对半结构化大规模环境，本文研究了结构化区域与非结构化区域建图的结合，给出了一种综合的解决方案。针对环境面积覆盖充分性和环境信息描述充分性的要求，本文提出了一种新型的特征一拓扑混合地图表示方法，该方法同时包含拓扑地图和特征子地图，其中拓扑地图采用饱和GVG，记录了环境的框架结构，而特征地图则记录了环境的细节信息，特征地图通过拓扑地图得到了有序的组织。针对结构化区域和非结构化区域，本文给出了不同的主动建立特征子地图的方法。本文研究了拓扑地图和特征子地图的相互辅助创建，从而以更快的速度得到全局唯一的拓扑地图以及精度更高的特征子地图，实现了拓扑地图和特征子地图两者的有机结合。以火灾现场救援为例，本文研究了基于特征-拓扑混合地图的多机器人同时救援、定位与建图，实现了在未知的大规模环境中救援、定位与建图三者同时在线完成，体现了特征-拓扑混合地图在机器人实际作业中的应用价值。