基于Rao-Blackwellized粒子滤波的移动机器人同时定位与地图创建算法的研究

摘要

同时定位与地图创建是指机器人在进行自身定位的同时创建增量式地图，并根据创建的地图来更新自己的位姿。作为移动机器人智能导航研究的重要基础和关键技术，过去十几年中SLAM问题的研究逐渐成为移动机器人研究领域的热点问题。　　基于EKF的SLAM算法在实际应用中存在的缺陷:计算复杂度高、系统的噪声要求是高斯白噪声、数据关联问题。本文使用另外一种方法实现SLAM，并解决这些问题，主要工作如下:　　(1)介绍了机器人同时定位与地图创建（SLAM，Simultaneous Localizationand Mapping）问题的基本理论及概率模型，在此基础上建立了SLAM系统的运动模型、观测模型、噪声模型、环境地图模型等一系列模型，定义了采样位姿、状态更新、地图创建等方面的相关公式。　　(2)给出了基于Rao-Blackwellized粒子滤波的SLAM算法，将系统状态的后验概率分解为路径估计部分和以路径估计为基础的地图估计部分，路径估计部分使用粒子滤波算法，地图估计部分使用EKF算法。　　(3)针对Rao-Blackwellized粒子滤波的SLAM算法中存在的重要性密度函数的选取、传感器信息的获取、粒子滤波中粒子匮乏等问题，将遗传算法的进化理论引入Rao-Blackwellized粒子滤波SLAM算法，取代粒子滤波中的重采样，并采用模拟退火准则对遗传优化后的粒子进行选取，提出了一种融合遗传优化的Rao-Blackwellized粒子滤波的SLAM算法。

目录

声明

摘要

致谢

第一章 绪论

1．1 引言

1．2 SLAM的目的及意义

1．3 国内外研究现状

1．3．1 移动机器人定位现状

1．3．2 移动机器人地图创建现状

1．3．3 SLAM算法研究现状

1．4 论文主要研究内容及章节安排

第二章 移动机器人同时定位与地图创建模型表示

2．1 SLAM问题的概率模型

2．2 SLAM涉及到的关键技术

2．2．1 地图的描述方法

2．2．2 环境信息的提取

2．2．3 不确定信息的处理

2．2．4 数据关联

2．3 SLAM中的模型

2．3．1 坐标系模型

2．3．2 里程计模型

2．3．3 机器人的运动学模型

2．3．4 传感器观测模型

2．3．5 噪声模型

2．3．6 环境特征模型及地图模型

2．4 本章小结

第三章 融合遗传优化的粒子滤波算法

3．1 蒙特卡洛方法

3．2 采样与重采样技术

3．2．1 采样方法

3．2．2 粒子退化与重采样

3．3 粒子滤波算法步骤

3．4 融合遗传优化的粒子滤波

3．4．1 遗传算法的基本术语

3．4．2 遗传算法中的进化运算理论

3．4．3 融合遗传优化的粒子滤波算法步骤描述

3．5 仿真分析

3．6 本章小结

第四章 融合遗传优化的Rao-Blackwellized粒子滤波SLAM算法

4．1 Rao-Blackwellized分解

4．2 基于Rao-Blackwellized粒子滤波SLAM算法中粒子的表示形式及计算复杂度

4．3 基于Rao-Blackweilized粒子滤波SLAM的流程及分析

4．3．1 基于Rao-Blackwellized粒子滤波SLAM流程步骤

4．3．2 基于Rao-Blackwellized粒子滤波SLAM性能分析

4．4 融合遗传优化的Rao-Blackwellized粒子滤波SLAM算法

4．4．1 重要性密度函数的选取

4．4．2 基于SIFT的特征提取与匹配

4．4．3 基于遗传算法的粒子优化

4．4．4 地图的估计

4．4．5 融合遗传优化的Rao-Blackwellized粒子滤波SLAM算法的流程描述

4．5 实验结果及分析

4．6 本章小结

第五章 总结与展望

5．1 工作总结

5．2 未来工作展望

参考文献

附录1：攻读硕士学位期间发表的论文

附录2：攻读硕士学位期间获得的奖励

附录3：攻读硕士学位期间参与项目