动态环境基于粒子滤波的移动机器人自定位

摘要

移动机器人自定位通常也称为位姿估计问题，是指在给定环境地图的条件下，根据传感器感知数据和机器人的运动控制估计机器人相对于环境地图的坐标。一般认为，自定位是智能移动机器人必须具备的基本功能之一，是智能移动机器人执行其他任务的基础。传感器数据存在噪声、环境地图存在局部相似性、环境会随着时间发生不可预知的变化是移动机器人自定位所面临的主要挑战。 本文研究单机器人在动态室内环境下的主动定位问题。通过广泛地文献阅读，在比较了现有的自定位方法和滤波方法的基础上，本文采用粒子滤波方法和动态信息滤除方法开展相关研究。论文主要工作有： 首先，研究并实现了基于粒子滤波的移动机器人自定位方法；对影响该算法性能的重要因素，如粒子数目、重采样方法、随机粒子特性、自适应粒子数目调整，以及动态环境下对未知障碍物的预处理等，进行了实验和讨论；提出了根据粒子群聚集程度来动态调整粒子先验概率更新中的噪声参数的方法，加快了粒子集解搜索速度。 其次，针对动态环境，基于动态信息滤除的思想，研究并实现了障碍物检测信息的建模和基于检测模型的未知障碍物判定算法。 第三，采用随机生成目标点的半主动定位策略来避免机器人陷入到局部相似性较高的环境中，帮助粒子滤波算法消除收敛在非正确解的粒子群，而只保留真实位姿附近的粒子群。针对主动定位要求，研究了复杂动态环境下具有局部感知能力的移动机器人路径规划问题，提出了虚拟侧滑力的思想和动静态障碍物的虚拟侧滑力计算方法，较好地解决了拥塞环境下机器人基于势场法避障所存在的局部振荡问题。 在仿真环境中，利用采集自真实环境的数据对上述方法进行了实验。实验验证了改进后的基于粒子滤波的自定位方法对于路径跟踪、全局定位和机器人绑架这三类自定位问题的有效性和鲁棒性，基于动态信息滤除的自定位算法在动态环境下的有效性，以及基于虚拟侧滑力的路径规划算法在复杂动态环境下的实时性和有效性。

目录

文摘

英文文摘

第1章绪论

1.1研究背景

1.2自定位问题描述和分类

1.3国内外研究现状

1.4本文研究内容

第2章机器人自定位问题及方法

2.1定位问题基本要素

2.1.1移动机器人运动学模型

2.1.2地图信息

2.1.3传感信息模型

2.2机器人传感器误差

2.2.1 运动误差

2.2.2观测误差

2.3贝叶斯滤波

2.4高斯模型滤波

2.4.1卡尔曼滤波

2.4.2扩展卡尔曼滤波

2.4.3多假设分布滤波

2.5非参数模型滤波

2.5.1栅格法

2.5.2粒子滤波法

2.6本章小结

第3章基于粒子滤波的自定位算法

3.1粒子滤波定位法

3.2机器人运动模型

3.3粒子观测模型

3.4关键因素的影响分析

3.4.1粒子数目

3.4.2重采样方法

3.5基于运动噪声的粒子群解搜索

3.5.1粒子运动模型的参数设定

3.5.2基于噪声的搜索

3.5.3实验效果

3.6随机粒子

3.7自适应粒子数目调整

3.7.1 KLD-Sampling法

3.7.2实验效果

3.8本章小结

第4章动态环境对定位的影响

4.1未知障碍物状态建模

4.2障碍物信息检测模型

4.3基于检测模型的未知障碍物判定

4.4实验效果

4.5本章小结

第5章主动自定位及路径规划

5.1主动定位问题

5.2路径规划的基本算法

5.3基于侧滑力的规划算法

5.3.1静态障碍物侧滑力的计算

5.3.2动态障碍物的侧滑力计算

5.3.3陷阱检测与跳出

5.4仿真结果

5.5本章小结

第6章实验结果与验证

6.1仿真平台结构

6.2算法流程

6.3基本自定位问题的实验效果

6.3.1路径跟踪

6.3.2全局定位

6.3.3机器人绑架问题

6.3.4实际地图数据下的仿真结果

第7章结论与展望

参考文献

致谢