动态环境下基于路径规划的机器人同步定位与地图构建

针对动态环境下随机目标同时为特征点和障碍物的情况,提出一种基于路径规划的同步定位与地图构 建（SLAM）算法．机器人在同步定位与地图构建的同时,基于势场原理来规划机器人下一步的运动控制规律．利用 混合当前统计模型的交互式多模型（IMM）方法预测随机目标的轨迹,采用最近邻数据关联方法将动态随机目标关 联到地图中．算法构建的地图由静态特征点和随机目标的轨迹组成．仿真结果表明,提出的算法解决了动态环境中 存在的随机目标同时为障碍物时机器人的同步定位与地图构建问题,相关性能指标验证了算法的一致性估计．     

多机器人地图融合方法研究

多机器人建图是实现机器人自主导航,完成复杂智能任务的关键.其中如何将不同机器人采集的数据融合到全局地图中,成了多机器人建图中的一个核心问题.文中采用独立探索、集中建图的探索策略,提出一种基于改进差异进化算法的多机器人概率栅格地图的融合.该算法在地图相似度的概念基础上,建立相异度函数,利用改进的进化算法搜索策略快速地搜索各局部地图之间的最大重叠部分,实现了多机器人系统栅格地图的融合,有效的解决了相对位置未知情况下的地图创建问题.通过实验验证了该方法正确、可行.     

室内环境下同步定位与地图创建改进算法

提出了一种室内环境下基于平方根无迹卡尔曼滤波（SRUKF）的同步定位与地图创建（SLAM）算法． 该方法在每步迭代中采用平方根无迹粒子滤波器进行机器人状态估计,并引入平方根无迹卡尔曼滤波器定位路标, 进而完成机器人状态和相应路标信息更新．将本文算法与机器人运动模型和红外标签观测模型结合进行了仿真和实 验,结果表明,本算法在同步定位和地图创建过程中提高了机器人状态和路标估计的精度及稳定性．     

基于VSLAM的自主移动机器人三维同时定位与地图构建

移动机器人在探索未知环境且没有外部参考系统的情况下,面临着同时定位和地图构建（SLAM）问题。针对基于特征的视觉SLAM（VSLAM）算法构建的稀疏地图不利于机器人应用的问题,提出一种基于八叉树结构的高效、紧凑的地图构建算法。首先,根据关键帧的位姿和深度数据,构建图像对应场景的点云地图;然后利用八叉树地图技术进行处理,构建出了适合于机器人应用的地图。将所提算法同RGB-D SLAM（RGB-Depth SLAM）算法、ElasticFusion算法和ORB-SLAM（Oriented FAST and Rotated BRIEF SLAM）算法通过权威数据集进行了对比实验,实验结果表明,所提算法具有较高的有效性、精度和鲁棒性。最后,搭建了自主移动机器人,将改进的VSLAM系统应用到移动机器人中,能够实时地完成自主避障和三维地图构建,解决稀疏地图无法用于避障和导航的问题。     

基于激光雷达增强的视觉SLAM多机器人协作地图构建方法的研究

针对光线强度对机器人视觉同步定位与地图构建（Simultaneous Localization and Mapping, SLAM）建图信息量、时效性和鲁棒性影响大的问题,提出一种基于激光雷达（Light Detection And Ranging,LiDAR）增强的视觉SLAM多机器人协作地图构建方法。在地图构建过程中,将LiDAR深度测量值集成到现有的特征点检测和特征描述子同步定位与地图构建（Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping,ORB-SLAM3）算法中,利用改进的扩展卡尔曼滤波算法将激光雷达的高精度数据和视觉传感器的时序信息融合在一起,获得单个机器人的位姿状态,结合深度图进行单个机器人稠密点云地图的构建;利用关键帧跟踪模型和迭代最近点（Iterative Closest Point, ICP）算法得到存在共识关系的机器人之间的坐标转换关系,进而得到各机器人的世界坐标系,在世界坐标系中实现多机器人协作地图的融合与构建。在Gazebo仿真平台中实验验证了方法的时效性和鲁棒性。     

煤矿巡检机器人同步定位与地图构建方法研究

针对煤矿井下无GPS环境下巡检机器人自主定位问题,研究了基于激光雷达的同步定位与地图构建方法。首先建立激光雷达观测模型和里程计预测模型,将机器人定位和地图构建的实际问题转换为概率数学模型的逻辑推理问题。同时采用自适应蒙特卡罗定位算法进行机器人实时位姿估计,提出了根据粒子权重(地图的匹配度)进行重采样的方法,以去除权重小的粒子,实现了用较少、较好粒子精确表达机器人位姿的后验概率分布,满足机器人利用传感器在栅格地图上实时定位的需求。通过对Fast-SLAM算法进行优化,减少了粒子数量,缓解了粒子耗散,提高了地图构建的精确性。实验结果表明,基于激光雷达的同步定位与地图构建方法有效解决了巡检机器人实时位姿估计和环境地图构建的问题,结合自适应蒙特卡罗定位算法和优化Fast-SLAM算法提高了机器人定位的自适应性和地图构建的精确性。     

温室移动机器人复合栅格地图构建方法研究

针对温室环境中机器人依靠自身携带的传感器无法获取全面的环境信息,从而常导致路径规划错误的问题,提出了一种结合外部传感器系统获取温室环境信息,构建复合栅格地图的方法。首先,利用无线传感器网络定时采集对机器人通过性有影响的温度、湿度环境信息,并发送给机器人;其次,当温度或湿度数据的变化率达到设定阈值时,机器人利用阈值分割和插值法分别建立温度和湿度栅格地图;最后,将温度栅格地图、湿度栅格地图和室内障碍物物栅格地图相结合,构建动态更新的复合栅格地图。经测试,采用常规A*算法规划路径时,基于环境数据变化率阈值设定为±10%的复合栅格地图的成功率和完成时间,分别是基于普通栅格地图成功率的2.5倍,和1.05倍。结果表明,复合栅格地图能提高路径规划的成功率,并且不会由于动态更新复合栅格地图,导致机器人响应时间明显增加,实时性能满足系统的实际需求。     

基于信息增益一致性的多机器人地图融合算法

针对多机器人协同SLAM(同步定位与地图构建)的地图融合中,由于通信距离受限或网络拓扑变化造成信息缺失、从而影响全局地图构建的问题,提出一种基于信息增益一致性原理的动态地图融合算法.该算法是完全分布式的,且不依赖于任何特殊的机器人通信网络结构.该算法利用机器人所测局部地图的历史数据和当前数据之间的新增信息,使每个机器人都能同步地获取一致的、最新的全局地图.在有限的网络连接条件下,所提出的地图融合算法能够通过渐近收敛的方式获得准确的全局地图.在每一次迭代中,每个机器人得到的全局地图都是无偏的.在实验中通过实际环境的RGB-D(彩色-深度)数据验证了算法的有效性.     

一种桌面机器人及其自主地图绘制算法

利用嵌入式技术设计了一种桌面机器人系统,机器人体积不到200 cm3,系统利用全局摄像机采集图像,通过无线通信组件对机器人定位导航,从而进行面向地图绘制的智能行为研究;从桌面机器人系统采集到地图信息,并生成神经网络训练样本,利用可增长自组织特征映射图GSOM(Growing Self-organizing Map)的地图绘制算法,通过不断增加新的神经元实现网络规模的增长,从而生成以少数SOM图神经元分布描述环境特征信息的拓扑地图;在机器人系统上进行了基于GSOM模型的自主地图的绘制实验,并利用所得拓扑地图进行了准确的机器人导航实验.实验结果表明基于GSOM的自主地图绘制方法可行,机器人系统表现出类似生物的自主智能行为.该方法可以应用于大环境下机器人的自主地图测绘与导航.     

基于聚类匹配的移动机器人地图实时创建算法

提出了一种基于模式识别聚类思想的数据点集匹配算法.该匹配算法具有传统迭代匹配算法和非迭代匹配算法的优点,匹配速度快,精度高.结合上述匹配算法,给出了一种基于激光测距仪的移动机器人环境地图实时创建方法.该方法使用从环境数据中提取出的特征点来完成两组激光数据点集的匹配,进而完成环境地图的创建.利用本实验室自主研发的救援机器人平台对该算法进行了验证,实验结果表明,该算法能够完成室内环境下移动机器人实时准确有效的环境地图创建.     

Mobile robot localization based on PSO estimator

Localization is fundamental to autonomous operation of the mobile robot. A particle filter (PF) is widely used in mobile robot localization. However, the robot localization based PF has several limitations, such as sample impoverishment and a degeneracy problem, which reduce significantly its performance. Evolutionary algorithms, and more specifically their optimization capabilities, can be used in order to overcome PF based on localization weaknesses. In this paper, mobile robot localization based on a particle swarm optimization (PSO) estimator is proposed. In the proposed method, the robot localization converts dynamic optimization to find the best robot pose estimate, recursively. Unlike the localization based on PF, the resampling step is not required in the proposed method. Moreover, it does not require noise distribution. It searches stochastically along the state space for the best robot pose estimate. The results show that the proposed method is effective in terms of accuracy, consistency, and computational cost compared with localization based on PF and EKF.     

基于声音的分布式多机器人相对定位

提出了一种基于声音的分布式多机器人相对定位方法.首先,每个机器人通过声源定位算法估计发声机器人在其局部坐标系下的坐标;然后,每个机器人（不含发声机器人）通过无线通信方式将发声机器人在其坐标系下的坐标广播给所有其他机器人,通过坐标变换每个机器人可计算出所有其他机器人在其坐标系下的坐标,从而实现分布式相对定位.理论推导及实验证明只要两个机器人先后发声,通过本文所提方法即可实现多机器人相对定位.室内外环境中采用6个自制小型移动机器人实验表明,所提方法在3米的范围内可实现16厘米的相对定位精度.     

Improved visual SLAM: a novel approach to mapping and localization using visual landmarks in consecutive frames

Pathfinding is becoming more and more common in autonomous vehicle navigation, robot localization, and other computer vision applications. In this paper, a novel approach to mapping and localization is presented that extracts visual landmarks from a robot dataset acquired by a Kinect sensor. The visual landmarks are detected and recognized using the improved scale-invariant feature transform (I-SIFT) method. The methodology is based on detecting stable and invariant landmarks in consecutive (red-green-blue depth) RGB-D frames of the robot dataset. These landmarks are then used to determine the robot path, and a map is constructed by using the visual landmarks. A number of experiments were performed on various datasets in an indoor environment. The proposed method performs efficient landmark detection in various environments, which includes changes in rotation and illumination. The experimental results show that the proposed method can solve the simultaneous localization and mapping (SLAM) problem using stable visual landmarks, but with less computation time.     

A novel efficient algorithm for mobile robot localization

Being autonomous is one of the most important goals in mobile robots. One of the fundamental works to achieve this goal is giving the ability to a robot for finding its own correct position and orientation. Different methods have been introduced to solve this problem. In this paper, a novel method based on the harmony search (HS) algorithm for robot localization through scan matching is proposed. Simulation results show that the proposed method in comparison with a genetic algorithm-based approach has better accuracy and higher performance. Furthermore a new hybrid algorithm based on harmony search and differential evolution (DE) algorithms is proposed and evaluated on different benchmark functions. Finally the hybrid algorithm has been applied for mobile robot localization and it outperformed the HS-based approach.     

基于局部子图匹配的SLAM 方法

针对现有的SLAM 解决方法在机器人被“绑架”时失效的问题,提出了基于局部子图匹配的方法．该 方法对现有的SLAM 解决构架进行了改进,提出交点最优匹配的特征相关算法,并且将奇异值分解方法引入机器人 定位．最后,在结构化环境下将本方法和基于扩展卡尔曼滤波器的方法进行比较,讨论了基于局部子图匹配的方法 在结构化环境中解决机器人“绑架”问题的有效性和可行性．     

Elevation moment of inertia: A new feature for Monte Carlo localization in outdoor environment with elevation map

The elevation map is one of the most popular maps for outdoor navigation. We propose the elevation moment of inertia (EMOI), which represents the distribution of elevation around a robot in an elevation map, for use in the matching of elevation maps. Using this feature, outdoor localization can be performed with an elevation map without external positioning systems. In this research, the Monte Carlo localization (MCL) method is used for outdoor localization, and the conventional method is based on range matching, which compares range sensor data with the range data predicted from an elevation map. Our proposed method is based on EMOI matching. The EMOI around a robot is compared with the EMOIs for all cells of the pregiven reference elevation map to find a robot pose with respect to the reference map. MCL based on EMOI matching is very fast, although its accuracy is slightly lower than that of conventional range matching. To deal with the disadvantage of EMOI matching, an adaptive switching scheme between EMOI matching and range matching was also proposed. Various outdoor experiments indicated that the proposed EMOI significantly reduced the convergence time of MCL. Therefore, the proposed feature is considered to be useful when an elevation map is used for outdoor localization. © 2010 Wiley Periodicals, Inc.     

一种有效的移动机器人里程计误差建模方法

移动机器人里程计误差建模是研究移动机器人定位问题的基础. 现有的移动机器人里程计误差建模方法多数针对某一种驱动类型移动机器人设计, 运动过程中缺乏对里程计累计误差的实时反馈补偿, 经过长距离运动过程定位精度大幅度降低. 因此本文针对同步驱动和差动驱动轮式移动机器人平台提出了一种通用的里程计误差建模方法. 在假设机器人运动路径近似弧线基础上, 依据里程计误差传播规律推导了非系统误差、系统误差与里程计过程输入之间的近似函数关系, 进而提出一种具有闭环误差实时反馈补偿功能的移动机器人定位算法, 对定位过程中产生的里程计累计误差给予实时反馈补偿. 实验表明新算法有效地减少了里程计累计误差, 提高了定位精度.     

A Localization Algorithm for Autonomous Mobile Robots via a Fuzzy Tuned Extended Kalman Filter

The capability to acquire the position and orientation of an autonomous mobile robot is an important element for achieving specific tasks requiring autonomous exploration of the workplace. In this paper, we present a localization method that is based on a fuzzy tuned extended Kalman filter (FT-EKF) without a priori knowledge of the state noise model. The proposed algorithm is employed in a mobile robot equipped with 16 Polaroid sonar sensors and tested in a structured indoor environment. The state noise model is estimated and adapted by a fuzzy rule-based scheme. The proposed algorithm is compared with other EKF localization methods through simulations and experiments. The simulation and experimental studies demonstrate the improved performance of the proposed FT-EKF localization method over those using the conventional EKF algorithm.     

基于激光雷达的机器人定位信息处理技术研究

为了提高机器人定位和测距能力,提出一种基于激光雷达的机器人定位信息处理技术,采用激光雷达扫描技术进行机器人定位信号采集,对采集的激光雷达信号进行相关波束形成处理,采用相关处理后对激光雷达信号进行扩频处理,生成机器人定位测距码,结合测距码加权技术进行自适应学习,采用相位估计方法进行机器人的目标位置跟踪识别,根据处理后的激光雷达信号进行机器人的目标方位估计和测距,实现机器人准确定位。仿真结果表明,采用该方法进行机器人定位的准确性较高,激光雷达信号输出信噪比较高,说明机器人定位的抗干扰能力较强,提高了机器人的定位测距精度。     

一种新的基于RFID的室内移动机器人自定位方法研究

针对室内移动机器人自定位算法定位精度不高、定位误差存在波动的问题,提出了一种RTFL(RFID tag floor based localization)定位算法与RSSI定位算法相结合的室内移动机器人自定位方法。由RTFL定位算法给定机器人位置估算初值和机器人所在的范围,然后通过基于RSSI的机器人自定位系统进行机器人位置的进一步精确定位。求解过程中,通过遗传算法求解极大似然方程组,并且提出了染色体的筛选和剔除策略。仿真实验结果表明：该方法在有效的时间内完成定位,平均定位误差为0.1572m,与传统的改进方法0.33214m的定位误差相比,降低了近一倍。并且新方法受环境影响较小,鲁棒性较好,能够很好的满足室内移动机器人的定位要求。