基于ROS系统的移动机器人SLAM算法的应用研究

即时定位与地图构建（Simultaneous Localization and Mapping,SLAM）算法是移动机器人的热门研究之一,可以使机器人真正实现自主行走。文章分析总结了SLAM算法,介绍了基于机器人操作系统（Robot Operating System,ROS）构建的移动机器人Roban,解析了应用于具体机器人的SLAM算法原理,可为未来移动机器人路径规划研究提供一定的思路。     

自主移动机器人室内定位方法研究综述

自主移动机器人的室内定位作为机器人研究领域中最基本的问题已被广泛研究。根据定位技术和传感器的不同,将室内定位方法分为航迹推算定位、地图匹配定位和基于信标定位三类。详细介绍了超声波网络定位系统和基于无线射频识别（RFID）的定位方法。对几种基于概率的定位算法做了分析和对比,并对自主移动机器人室内定位方法的研究方向做了展望。     

基于扫描匹配预处理的即时定位与地图创建

研究了室内自主移动机器人的即时定位与地图创建问题。分析了目前解决SLAM问题的方法,提出了基于扫描匹配预处理的即时定位与地图创建,用扫描匹配为SLAM提供机器人先验位姿信息。对实验结果和数据的分析,得出了所提出方法可进一步提高SLAM的精度和鲁棒性。     

视觉同时定位与地图创建综述

同时定位与地图创建 （simultaneous localization and mapping，SLAM）自1986年提出以来一直是机器人领域的热点问题，被认为是实现真正全自主移动机器人的关键。其目的是让机器人在未知环境下实现自身定位同时创建出环境地图。视觉SLAM （visual simultaneous localization and mapping，VSLAM）是仅用相机作为传感器的定位与制图。随着计算机视觉和机器人技术的发展，VSLAM已成为无人系统领域的研究焦点。本文对VSLAM的最新研究现状进行总结，阐述了VSLAM中的主要问题，分别介绍了VSLAM基于滤波和图优化的实现方法，并探讨了VSLAM 的研究与发展方向。     

一种改进的粒子滤波SLAM算法

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

基于RGB-D相机的室内移动机器人自定位方法

精准可靠的自定位是移动机器人实现多机协同、路径规划与控制决策等自主能力的基础。因此,室内服务机器人作为移动机器人的典型代表,要求能够实时进行自定位,并且有效地避开各种静态和动态障碍物。基于此,提出一种基于RGB-D相机的室内移动机器人自定位方法,该方法利用Hough变换对机器人建立的环境地图进行线特征提取,并建立环境模型误差查找表,将非结构化环境中的自定位问题转化为结构化环境中的自定位问题,然后利用匹配优化算法实现自定位。实验结果表明,采用所提出的方法,机器人能够实现室内环境下实时精确的自定位。     

基于RGB-D相机的SLAM技术研究综述

视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是自主移动机器人、自动驾驶车和无人机关键技术,是当前机器人和计算机视觉领域的研究热点。对当前主流的SLAM技术发展历程及研究现状进行概述。重点围绕RGB-D SLAM研究展开讨论,包括：对各类视觉传感器进行性能分析和对比;对当前具有代表性的几类RGB-D SLAM系统的原理、方法和技术性能进行详细的分析;对RGB-D SLAM的关键问题、测试数据集及评估指标进行综合性归纳。最后,对视觉SLAM的发展趋势进行展望与总结。     

基于概率的移动机器人SLAM算法框架

在移动机器人同时定位与地图创建(SLAM)过程中,机器人本身位置不确定,其所处环境也不可预知,针对这些不确定性因素,应用贝叶斯规则作为理论基础,建立移动机器人SLAM算法的概率表示模型,通过扩展卡尔曼滤波器实现SLAM算法,并介绍一种激光雷达数据与特征地图的数据关联方法。实验结果表明,该方法为实现SLAM算法提供了一种有效可靠的途径。     

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。     

基于SLAM的移动机器人避障研究

随着人工智能理论的成熟和算力的不断提高,移动机器人具有更加广阔的发展空间。作为移动机器人的核心算法——同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术是一种移动机器人在陌生环境下实现自身实时定位和环境建图的重要方法。相对于其他SLAM方法,基于激光信息的SLAM在构建地图时,距离测量比较准确、误差模型简单,在强光直射以外的环境中运行稳定,可以提高移动机器人在不同环境下的自主避障能力。因此,本文基于激光SLAM对路径规划算法进行研究、优化定位和导航技术,以期提高在实际环境下移动机器人的自主避障效率。     

ROS的服务类移动机器人SLAM导航的研究

近年来,随着人工智能的迸发,计算机的各项技术的突破,硬件技术的发展。机器人行业也取得了新的进展。服务类移动机器人的研发也不限于实验室,慢慢走出实验室而开始商用。对于服务类移动机器人来说,SLAM(同时定位于地图构建)是关键技术,也是目前研究的主要方向和热门。本文主要针对室内移动机器人的探究,使用ROS平台和Gazebo试验和仿真SLAM。一开始介绍本文的研究背景和近年来国内外的服务类移动机器人的现状。其次介绍了本文所用到的移动平台,和介绍ROS机器人操作系统。之后介绍SLAM的概率学模型,在概率学模型上添加地图。最后开始试验对SLAM的测试,在未知环境下实现了地图构建和导航。     

未知环境中移动机器人SLAM问题的研究进展

移动机器人的定位与地图创建是机器人研究中一个基础且重要的问题。本文对该领域的最新进展进行了综述．特别侧重于未知环境中机器人并发定位与地图创建(SLAM)问题；比较详细地分析了地图表示方法、定位和环境特征的提取、不确定信息的表示和处理等关键技术：同时对几种典型的SLAM方法进行了介绍：阐述了移动机器人SLAM问题研究中所面临的主要问题．并探计了将来的发展方向。     

基于协助校正方法的多机器人主动同时定位与建图

协作策略是多机器人主动同时定位与建图(SLAM)的关键。文中提出一种多机器人相互校正的协作策略, 称为协助校正。 该方法通过优化机器人对陆标的观测来提高定位与建图的精度, 共包括弱协助校正和强协助校正两种模式。 前者是一种间接的协助模式, 可应用于所有机器人自身定位均不准确的情形。 后者是一种直接的协助模式, 由自身定位精度较高的机器人主动校正其它机器人及相应陆标。 文中将这两种协助校正模式利用状态机统一到多机器人主动SLAM应用中。在仿真实验中将协助校正与其它多机器人主动SLAM方法进行对比以验证其精度优势, 并与单机器人主动SLAM对比以验证其导航代价极低的优势。最后在两台Poineer3-DX移动机器人上进行真实环境实验,实验结果证实协助校正方法可在实际应用中有效提高多机器人主动SLAM的探索效率和精度。     

基于粒子滤波的移动机器人SLAM改进算法

针对未知环境中移动机器人同时定位和地图创建（Simultaneous Localization and Map Building,SLAM）由于机器人位姿和环境地图都不确定导致定位和地图创建变得更加复杂,提出一种局部最优（全局次优）参数法,即通过局部最优的位姿创建局部最优的环境地图,再通过局部最优的环境地图寻求局部最优的位姿,如此交替进行,直到得到全局确定性的位姿和确定性的环境地图。实验结果表明,同标准的基于粒子滤波的SLAM 算法（Particle Filtering-SLAM,PF-SLAM）比较,改进的算法提高了机器人SLAM过程中定位的准确度和地图创建的精确度,为机器人在未知的室外大环境同时定位和地图创建提供新的方法。     

移动机器人SLAMiDE系统设计与实现

针对动态环境下移动机器人同时定位与建图(SLAM)问题,设计一种动态环境SLAM系统——SLAMiDE,给出系统的整体结构框架和实现过程。该系统通过动态目标检测、SLAM和动态目标跟踪同时实现动态地图构建、静态地图构建和机器人定位。实验结果证明,该系统是正确、可行的。     

基于ROS与Kinect的移动机器人同时定位与地图构建

同时定位与地图构建(SLAM)技术一直以来都是移动机器人实现自主导航和避障的核心问题,移动机器人需要借助传感器来探测周围的物体同时构建出相应区域的地图。由于传统的1D和2D传感器,如超声波传感器、声呐和激光测距仪等在建图过程中无法检测出Z轴(垂直方向)上的信息,易增加机器人发生碰撞的概率,同时影响建图结果的精确度。本文利用Kinect作为机器人SLAM的传感器,将其采集到的三维信息转化成二维的激光数据进行地图构建,同时借助机器人操作系统(robot operating system,ROS)进行仿真分析和实际测试。结果表明Kinect可以弥补1D和2D传感器采集信息的不足,同时能够较好的保持建图的完整性和可靠性,适用于室内的移动机器人SLAM实现。     

移动机器人多传感器定位融合的SLAM建图

移动机器人仅依赖于轮式里程计进行定位时,常易积累误差并受到环境干扰,导致其建图效果并不理想。二维激光雷达在移动机器人中的运用也显示出明显的局限性,无法全面准确地获取空间信息及定位。为了提升建图和定位的准确性以及效率,机器人需要利用更多类型和更先进的传感器技术。引入视觉惯性里程计（VIO）到SLAM方案中,能帮助机器人获取更精准的姿态信息,从而提升自主定位和地图构建的能力。此外,多个传感器信息的融合可以解决单一传感器带来的误差和不确定性问题,进一步提升定位和运动的精度。     

基于2D激光雷达的SLAM算法研究综述

移动机器人导航功能的实现需要同时定位与建图(simultaneous localization and mapping,SLAM)和路径规划这两方面的技术,其中由SLAM技术生成的栅格地图是移动机器人运用路径规划算法的前提.2D激光SLAM由于其建图精度较高、性能稳定且价格便宜,在室内移动机器人中应用十分广泛.2D激光...     

两种基于激光雷达的SLAM算法最优参数分析

激光雷达是移动机器人同步定位与地图构建(SLAM)的重要模块.对目前主流的基于激光雷达的SLAM方法(Gmapping和Hector SLAM)进行研究,借助开源机器人操作系统(ROS),在自主研发的移动机器人平台上配备激光雷达,实现了不同参数配置下两种算法的地图构建.实验为参数最优配置指明了方向,且证明了Hector SLAM的整体构图精度高于Gmapping,但对参数配置要求较高.     

移动机器人同时定位与地图创建研究进展

对移动机器人的同时定位与地图创建􀁫(Simultaneous Localization and Mapping)的最新研究进行了综述.指出SLAM 面临的问题,介绍了SLAM的基本实现方法.通过对各种改进的SLAM实现方法的性能对比,详尽地分析了如何降低SLAM的复杂度、提高SLAM的鲁棒性等关键技术问题,同时对多机器人协作的SLAM也进行了论述.探讨了SLAM的研究与发展方向.􀁱