移动机器人SLAM问题新解

针对移动机器人研究领域中最基本SLAM的问题,传统求解算法在实际应用中往往会出现机器人不能精准定位,且创建地图时间延长等问题。为解决该问题,本文提出了一种基于神经网络与粒子滤波的移动机器人快速SLAM算法。该算法引入基于神经网络的机器人避障机制,首先将机器人的动态环境信息用神经网络来描述,然后采用改进的粒子滤波SLAM算法来实现机器人的SLAM,算法将神经网络的局部搜索能力与粒子滤波的全局搜索能力充分发挥于机器人的SLAM问题求解过程。实验表明,该算法较好的实现了机器人的快速精准定位,并能在缩短地图创建时间的同时提高地图创建的精确度。     

基于变分贝叶斯的自适应 PF-SLAM 方法研究

针对移动机器人即时定位与地图构建中时变观测噪声及粒子位置分布对SLAM精度的影响,本文提出基于变分贝叶斯的自适应PF-SLAM算法,采用高斯混合模型对时变的观测噪声建模,并通过变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权值将粒子划分为固定粒子和优化粒子,通过粒子间的近邻拓扑位置关系调整粒子分布,处理时变观测噪声与优化粒子的位置分布,使得优化的粒子集可以更好地表示机器人位置概率分布,实现观测噪声及粒子位置分布自适应。仿真实验表明本算法对比传统PF-SLAM算法定位与地图构建误差降低了76.45%。实际实验表明本算法处理下的环境轮廓误差对比传统PF-SLAM算法的环境轮廓误差减小了61.87%。该算法有效提高了移动机器人的状态估计精度,为移动机器人即时定位与地图构建提供了新的参考。     

基于地磁场的室内定位和地图构建

提出了一种利用室内地磁场的空间波动来实现即时定位和地图构建的方法。为了能增加定位精度和减少计算量,本文依据地磁场传感器能够测量地磁3个正交方向上的分量和不同的权重计算方式改进了粒子滤波算法,并结合克里金法对地磁地图进行更新。在定位阶段,利用改进的粒子滤波来估计机器人的位置,算法的收敛速度每次约加快0.5 s和定位误差约减少3.5 m;在构造地图阶段,利用克里金空间插值法来实现的空间波动地磁地图的更新较其他插值算法更灵活,且经过插值后的地图更有助于提高机器人的定位精度。通过MATLAB仿真实验,证明了该方法能够准确快速地对机器人定位,并且通过机器人观测值和里程计数据实时地构建连续一致的地图。     

基于粒子滤波的移动机器人同时定位和环境模型的建立

介绍了一种基于粒子滤波的移动机器人同时定位与地图创建方法。通过旋转超声传感器获得环境信息，利用贝叶斯规则更新栅格地图，然后利用粒子滤波对机器人进行定位，之后地图更新和机器人定位交替进行，直到将整个环境探测完毕。仿真结果表明机器人能较好的完成环境探测的任务。     

基于惯性导航与立体视觉的风管清扫机器人同时定位与地图创建方法

风管清扫机器人是用于完成中央空调通风管道系统清扫工作的一种自动化设备,为提高其在庞大且封闭的未知通风管道网络中的自主导航能力,提出一种低成本的机器人同时定位与地图创建解决方案。该方案结合惯性测量单元的高速动态性能及双目立体视觉传感器良好的环境感知能力,通过采用Rao-Blackwellized粒子滤波方法融合两种传感器的测量信息,可以有效地抑制惯性传感器的漂移,快速地估计机器人三维的位置、姿态和速度,并且获取稳定的环境视觉路标信息,能够满足风管清扫机器人同时定位和地图创建的要求。同时,为确保视觉路标关联的鲁棒性,提出一种双向的基于几何相容性及路标视觉特征相结合的数据关联方法。试验结果证明所提的同时定位与地图创建方案和数据关联法的有效性。     

基于RGB-D传感器的同步定位与建图方法研究

机器人同时定位与地图构建算法(SLAM,Simultaneous Localization and Mapping)可实现机器人的自主控制,文中将SLAM算法与视觉传感器结合,搭载红外摄像头的RGB-D摄像头可以快速进行运动估计及构建3D点云地图,最后将视觉里程计测量的相机位姿与回环检测的信息结合,经过优化可得到轨迹估计的地图。     

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.     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

无线传感器网络的分布式目标跟踪研究

针对无线传感器网络节点计算能力和能量受限问题,提出一种分布式并行扩展卡尔曼粒子滤波算法.在网络动态分簇模型上,簇头将粒子集划分为多个子集,并分配到簇内各个传感器节点中并行运行,最后在簇头进行信息融合,得到目标状态估计.算法提高了粒子滤波效率,避免单个节点能量过度消耗,均衡了网络能耗.同时,算法利用扩展卡尔曼滤波器来产生粒子滤波的重要性密度函数,使得重要性密度函数抽样样本更加接近后验概率密度产生的样本.仿真结果表明,算法对运动目标能实现较好的预测和跟踪,跟踪精度高,并能有效平衡网络能耗.实验结果说明了提出算法的有效性和可行性.     

基于单目视觉的轮式机器人同步定位与地图构建

如何降低计算复杂度是视觉机器人同步定位与地图(SLAM)构建的热点问题.提出一种基于单目视觉的低计算复杂度的轮式机器人同步定位与地图构建算法.该算法在观测步通过图像处理与分析,识别特征点并进行定位,将轮式机器人的视觉投影与空间物体的几何关系转换为计算机器人相对特征点的距离和角度.整体算法步骤按照预测、观测、数据关联、更新、地图构建的递推算法进行同步定位与地图构建.提出的算法可识别环境目标,并进行平滑运动.在滤波观测步只处理单帧图像数据,和Active Vision和立体视觉方法相比,降低了算法的计算复杂度.