一种基于增广EKF的移动机器人SLAM方法

针对移动机器人同步定位与地图构建(SLAM)过程中系统测程法误差累积问题,采用测程法误差模型和车轮速度误差模型的映像关系,结合增广扩展卡尔曼滤波(AEKF)算法结构和实际机器人模型,提出了一种有效提高定位精度的SLAM方法。将机器人速度校正参数附加到卡尔曼滤波算法的向量空间中,以形成增广状态空间,同时预测和更新了SLAM初始状态空间和速度校正参数,笔者在线实时修正机器人的速度和航向角,避免积累航向角误差,从而降低了测程法误差。基于均方根误差和归一化估计方差进行了仿真实验分析,研究结果表明:与EKF-SLAM相比,所提出的方法具有更好的估计性能,使算法保持良好的一致性,大幅度提高了机器人自身定位精度和路标估计准确度。     

大范围环境中移动机器人SLAM问题的解决方法

对移动机器人的SLAM问题的解决方法进行概述。对近年来出现的大范围环境中解决SLAM问题的主要算法进行了详细论述。探讨了SLAM问题当前的一些研究难点和研究趋势。     

基于IMU在线校准的SLAM精度提升方法研究

基于多传感器融合的SLAM算法是当前移动机器人实现精准定位和导航的关键技术之一,在分析了惯性测量单元(IMU)的系统误差会对SLAM算法的建图和导航精度影响较大,并且IMU的系统误差会随工作时间发生变化的问题后,提出了一种易于实现的IMU在线标定方法。该标定方法首先建立了IMU中加速度计和陀螺仪的误差模型。其次通过二维云台实现IMU的姿态调整。然后通过读取加速度传感器的静态数值实现加速度计的误差参数辨识。最后以标定后的加速度计输出数据和陀螺仪计算的旋转矩阵,实现陀螺仪的误差参数辨识。为验证以上标定算法的效果,文中基于标定前后的IMU分别进行SLAM建图实验,实验结果表明,基于标定后IMU的建图精度更好。     

复合自适应模糊控制在移动机器人中的应用

文章综合考虑了运动控制实现的复杂性和精确性,采用一种基于机器人动态性能变化而实时调整模糊控制规则的复合自适应模糊控制方法,从而提高了机器人的自适应能力。实验结果显示,系统响应速度快,可以满足实时性和控制精度的要求。     

3D 激光雷达 SLAM 算法综述

无人平台在大范围环境中实现自主定位与导航的能力需求日益严苛,其中基于激光雷达的同步定位和绘图技术(SLAM)是主流的研究方案。在这项工作中,本文系统概述了3D激光雷达SLAM算法框架和关键模块,分析阐述了近年来的研究热点问题和未来发展趋势,梳理了3D激光雷达SLAM算法性能的评估标准,并据此选取目前较为成熟的具有代表性的6种开源3D激光雷达SLAM算法在机器人操作系统(ROS)中进行了测试评估,基于KITTI基准数据集,从KITTI官方精度标准、SLAM算法精度指标、算法耗时和处理帧率3方面进行了横向比较,结果表明,所选6种算法中LIO-SAM算法性能综合表现突出,其在00序列数据集的测试中,绝对轨迹误差(ATE)和相对位姿误差(RPE)的RMSE数据分别为1.303和0.028,算法处理的帧率(fps)为28.6,最后依据CiteSpace分析讨论了3D激光雷达SLAM技术的应用趋势。     

一种带遗忘因子的自适应卡尔曼滤波器及其在移动机器人中的应用

在移动机器人姿态估计过程中,由于难以建立准确的系统模型,导致参数量测不准确。采用一种自适应卡尔曼滤波器,通过加入遗忘因子的方式改变滤波器对状态估计的信任程度,改善了系统中噪声统计模型不准确对测量结果的影响。仿真结果表明,当经验知识不足导致建立姿态测量模型不准确时,自适应卡尔曼滤波器的滤波效果优于传统卡尔曼滤波器,提高了姿态信号的估计精度。     

一种基于SLAM的多功能探索机器人设计

针对机器人在未知环境下导航和捕获目标问题,设计了一种基于SLAM技术的探索机器人,并提出一种融合机器视觉与SLAM算法的导航方法。机器人由主控模块、底层驱动模块、摄像头、激光雷达和机械臂构成。通过在安装有开源机器人操作系统(ROS)的机器人上进行实验。实验结果表明,通过上述方法能够构建可靠有效的地图并规划出合理的移动路线,完成目标物体的定位和捕获。     

移动机器人路径规划的现状与发展

机器人路径规划是移动机器人导航的核心技术之一.移动规划技术近年发展迅速,涌现出了许多规划方法,在环境描述方式和技术的基础上,总结了机器人发展史上具有典型意义的规划方法,探讨了几种路径规划方法,分析了栅格分解法、人工势场法、同步定位与地图构建法,并指出了其各自的性能.     

融合自适应邻域差分进化的FastSLAM算法

机器人导航与建图中FastSLAM算法应用最广,但FastSLAM算法存在较多的问题,对算法中存在粒子集退化、重采样中丢失粒子多样性问题进行研究,研究结果表明,融合了自适应邻域差分进化算法的AMNDE-FastSLAM算法能有效改善这一问题。AMNDE-FastSLAM算法根据FastSLAM算法中的运动模型对粒子进行位姿估计更新,从建议分布中提取粒子,将FastSLAM算法中的重采样步骤替换为具有自适应能力的改进邻域差分进化算法。最后的实验结果表明,与传统的FastSLAM算法相比,AMNDE-FastSLAM算法具有更好的鲁棒性,在处理机器人被"绑架"问题上收敛速度更快、更优。     

基于单目视觉直线跟踪的SLAM实现

同时定位和地图生成问题(SLAM)是移动机器人的一个基本问题,有着广阔的应用背景.由于视觉传感器具有成本低、信息丰富的特点,是当前SLAM问题研究的一个热点.针对视觉传感器视野小、远距离观测精度低的问题,提出了一种基于直线跟踪的单目视觉SLAM算法.该算法通过对直线特征的近距离观测和跟踪,保证了定位的精度和地图生成的效率.在Pioneer3dx机器人平台上进行的实验研究表明,该算法尤其适合于结构化环境几何地图的构建.     

基于扩展Kalman滤波器算法的移动机器人同步定位与建图

针对移动机器人的同步定位与建图（SLAM）问题,提出了一种基于改进的扩展Kalman滤波算法的同步定位与建图方法。通过建立基于直线特征提取的机器人观测模型,推导了SLAM建图的预测和更新算式,设计了基于特征点数目的SLAM预测与更新率算子,实现了移动机器人的同步定位与建图。实验结果表明该方法有效、可行。     

基于卡尔曼滤波器的轮式机器人定位方法

以自主研发的两轮差动驱动轮式机器人为试验平台,以码盘、陀螺仪和数字罗盘作为机器人的定位系统,建立了两轮差动机器人的运动学方程,采用卡尔曼滤波器对3种传感器的数据进行融合,获得机器人的位置和姿态信息。     

基于AFKF的多传感器加权融合算法

为实现对被测物体在匀速、匀加速以及变加速运动状态下的动态位置进行精确测量,提出一种基于自适应渐消卡尔曼滤波的多传感器加权融合算法,将各子传感器测量数据进行自适应渐消卡尔曼滤波,并由获得的均方误差阵实时为位置测量的估计值自适应分配权重,最终进行加权融合。通过算法的实例应用验证,与传统的MSIF-SKF算法相比,该算法具有更高的动态位置检测精度。     

卡尔曼滤波在足球机器人定位中的应用

在动态环境中的自我定位是移动机器人的一个能完成后续的决策及规划.卡尔曼滤波是一种最优化回归数据处理算法,已广泛应用于机器人导航、传感器数据融合、导弹追踪.本文将卡尔曼滤波应用于足球机器人定位中.     

室内移动机器人主动SLAM技术研究

为提高移动机器人自主探索室内未知环境的能力,基于实时获取的里程计和激光雷达数据,提出了一种面向室内环境的主动SLAM算法。首先利用激光雷达高精度特性,进行高频率的扫描匹配,提高了机器人定位和建图精度。同时基于实时地图,通过边界探索算法实现了机器人自主、高效遍历室内环境,并建立全局地图。鉴于室内环境通常是动态的,在全局路径规划的基础上引入局部路径规划,实现了机器人运动过程中的实时避障。使用Kobuki移动机器人平台在室内环境中进行了实验验证,实验结果表明该算法在小规模室内场景下的建图精度约为5cm,全程用时约为人为遥控方式的1.5倍。     

Comparison of Linearized Kalman Filter and Extended Kalman Filter for Satellite Motion States Estimation

The performance of the conventional Kalman filter depends on process and measurement noise statistics given by the system model and measurements.The conventional Kalman filter is usually used for a linear system,but it should not be used for estimating the state of a nonlinear system such as a satellite motion because it is difficult to obtain the desired estimation results.The linearized Kalman filtering approach and the extended Kalman filtering approach have been proposed for a general nonlinear system.The equations of satellite motion are described.The satellite motion states are estimated,and the relevant estimation errors are calculated through the estimation algorithms of the both above mentioned approaches implemented in Matlab are estimated.The performances of the extended Kalman filter and the linearized Kalman filter are compared.The simulation results show that the extended Kalman filter is much better than the linearized Kalman filter at the aspect of estimation effect.     

Extended Kalman Filter frequency tracker for nonstationary harmonic signals

In this paper, we propose a frequency tracking algorithm based on an Extended Kalman Filter (EKF). We introduce a generalized state space model to estimate and track frequency of a harmonic signal embedded in broad-band noise. Such nonstationary noisy harmonic signals are characterized by time-varying frequencies and amplitudes. Developing a modified state-space model, we improve performance of EKF frequency tracker for these signals. The proposed method is also used in an adaptive algorithm to estimate noise variance which is assumed to be unknown. Simulation results reveal superiority of the proposed method compared with typical EKF, short time Fourier transform, and interpolated discrete Fourier transform.     

基于AEKF的车辆质量与道路坡度实时估计

针对车辆在实际行驶过程中外界噪声的统计特性无法已知的问题,以车辆纵向动力学模型为基础,提出了自适应扩展卡尔曼滤波(adaptive extended Kalman filter,简称AEKF)的车辆质量及道路坡度估计算法。以动态估计车辆系统中的质量与坡度为研究对象,引入了旋转质量换算系数,建立车辆纵向动力学系统的状态空间模型,考虑了不同时刻的档位匹配与行驶特殊工况的处理。对系统状态方程进行离散化处理,得到系统状态方程与系统测量方程,在扩展卡尔曼滤波(extended Kalman filter,简称EKF)的基础上引入带遗忘因子的噪声统计估计器,通过AEKF对状态方程与测量方程实时更新,进行在线估计和校正噪声统计值,从而解决系统的噪声时变问题。本研究算法与EKF算法估计及实测结果的对比分析表明,本研究算法能够很好地对车辆质量和坡度信号进行有效滤波和估计,在短时间内逐渐收敛并逼近实测值,从而能够合理有效地检测车辆在行驶过程中的状态信息。