基于多传感器信息融合的智能轮椅SLAM研究

0 引言 近年来,关于自主移动机器人导航过程中SLAM方法的研究得到了快速的发展,定位与地图创建方法的实现和应用为机器人的自主导航与避障提供了可靠的依据。     

基于扩展卡尔曼滤波算法的无人机定位

无人机的移动定位是应对无人机机动性和应用环境复杂性的关键技术.为解决无人机中的全球定位系统(GPS)信号失效问题,提出了一种通过机载无线射频的接收信号强度解决定位问题的技术,分别采用扩展卡尔曼滤波方法估计距离和最小二乘方法估计路径损耗因子两种处理方法.理论分析和实验测试结果证实所提算法对有色噪声干扰下的接收信号有较好的增强效果,基于80％的置信水平,新算法相对于白噪声模型将估算误差从9.5 m减少到了4 m,还进一步提供了融合惯性导航的算法.     

融合超宽带与激光雷达的室内SLAM方法实现

室内自动驾驶过程中,需要对车辆主动进行定位。在开阔的室外空间中全球导航卫星定位系统(GNSS)可以提供定位信息,但是在室内环境中,受到建筑物的干扰,GNSS信号丢失导致定位精度降低,室内自动驾驶的安全性能降低。为了解决这一问题,本文提出了融合激光雷达(LiDAR)和超宽带(UWB)的自动驾驶同步定位与建图(SLAM)方法,通过引入UWB定位因子作为位置约束,融合激光雷达采集的点云数据,在LEGO-LOAM(轻量级即时定位与建图方法)上进行改进。实验结果表明：本文的改进方法可以有效抑制建图过程中高度上的漂移,提高了室内定位的准确性,增强了室内环境中自动驾驶的稳定性。     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位.因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法.其中,滤波器的状态定义为机器人当前与历史时刻的位置序列.滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位).利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束.最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果.实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证.实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度.与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70％～80％,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升.     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位.因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法.其中,滤波器的状态定义为机器人当前与历史时刻...     

基于机器人激光定位的一种改进AMCL算法

高效的定位算法是实现机器人自主运动的前提,由于激光模型受复杂环境的限制,传统自适应蒙特卡罗定位(AMCL)算法提供的位姿精度有限.提出一种增加扫描匹配(SM)和离散傅里叶变换(DFT)的优化AMCL算法,将传统AMCL的加权均值输出作为SM的初始值,通过构建激光雷达观测点与先验地图的匹配函数模型,利用高斯牛顿的方法优化求解,最终通过DFT滤波滤除位置处的小抖动,提升了系统的稳定性和鲁棒性.通过运动中的绝对定位实验和重复定位,实验验证了优化算法优于传统AMCL算法,优化算法有效提高了系统定位精度,同时保证了鲁棒性.     

自适应容积卡尔曼滤波激光视觉融合定位研究

针对激光雷达在长直环境下鲁棒性低以及视觉相机受光照条件影响大的问题,提出一种利用容积卡尔曼滤波将两种传感器采集到的信息进行融合的定位方法,同时为算法添加自适应成分,以提高移动机器人在未知环境下的定位精度。首先通过激光与视觉在同一位置同时对周围物体进行观测,利用图优化算法与PnP算法获得当前机器人位姿信息,再以激光和视觉采集的数据分别作为状态值和量测值不断更新,得到滤波融合后的定位结果。通过Sage-Husa自适应滤波理论增加自适应修正项,解决了长距离观测后的数据发散问题。仿真实验结果表明,以自适应容积卡尔曼滤波的形式进行优化,融合定位误差相较于激光与视觉降低超过25%,有效提升了移动机器人长距离行驶过程中的定位精度。     

基于WLSE-KF的传感器融合定位算法研究

多传感器融合在定位中的应用越来越广泛。在利用这些传感器进行定位的过程中,需要对其采集的数据进行融合。射频识别融合定位一般采用最小二乘法,然而,它可能使定位误差较大。文中提出了将最小二乘和卡尔曼滤波相结合的算法。该算法先利用加权最小二乘估计获得移动用户的初步位置,再利用扩展卡尔曼滤波进一步使定位精度得到提高。仿真结果表明该算法相比多种传统定位算法,误差减少,定位精度明显提高。     

基于RPUKF的固定站无源定位跟踪算法研究

固定单站无源定位跟踪系统面临着可观测性弱、初始误差大等问题,寻找一种快速稳定的定位跟踪算法尤为重要.将距离参数化方法引入固定单站无源定位中,与不敏卡尔曼滤波(UKF)结合给出了基于距离参数化UKF(RPUKF)的固定单站无源定位算法;该算法根据观测站最大探测距离划分距离子区间,每个子区间单独采用UKF算法进行跟踪,将各自跟踪结果进行融合得到最终定位结果.仿真结果表明,在初始误差较大时RPUKF算法仍能实现稳定定位,与RPEKF算法相比在保证实时性的基础上明显改善了定位性能.     

基于区域限制的WiFi/PDR融合实时定位算法

针对室内定位系统在实际应用场景中算法复杂度高、运算量较大的问题,文中设计并实现了一种基于EKF的WiFi/PDR融合定位系统。在WiFi指纹定位部分提出了基于自适应滑动窗口的指纹匹配方法,通过邻近状态的RSSI欧式距离解算得到搜索窗口,以动态调整指纹库的匹配范围,从而实现了定位结果的快速收敛。在融合定位阶段,结合EKF与PDR的系统特性来解决时间配准问题。以WiFi数据更新为基准,利用EKF算法进行数据融合,在融合数据不同步时由PDR直接输出定位结果。实验结果表明,该定位系统具有良好的运行效果与稳定性,所提方法在实际定位场景中的平均定位误差为2.27 m,并在80%的情况下能够达到3 m的定位精度。     

基于IMU/视觉融合的导航定位算法研究

针对基于视觉传感器的移动机器人在快速运动或发生旋转时出现图像模糊和特征丢失,以至无法进行特征匹配,从而导致系统定位和建图的准确度及精确度下降问题,该文提出了一种以深度相机(RGB_D)融合惯性测量单元(IMU)的方案。采用ORB SLAM2算法进行位姿估计,同时将IMU信息作为约束弥补相机数据的缺失。两种传感器的测量数据采用基于扩展卡尔曼滤波的松耦合方式进行非线性优化,通过数据采集实验表明,该方法能有效提高机器人的定位精度和系统建图效果。