機器人地圖創(chuàng)建方法研究 2

1、本科學(xué)生畢業(yè)論文論文題目：機器人自動地圖生成系統(tǒng)研究學(xué) 院：年 級：專 業(yè)：姓 名：學(xué) 號：指導(dǎo)教師：2016年 4 月 1 日摘要隨著科技的進步，智能移動機器人技術(shù)也在不斷發(fā)展，對移動機器人能夠獨自完成任務(wù)的要求越來越高。移動的同時定位和地圖自動生成是移動機器人實現(xiàn)完全自主導(dǎo)航的關(guān)鍵。由于自主移動機器人在未知環(huán)境下作業(yè)時，首先要解決的基本問題就是其自身的定位，而移動機器人的定位問題與其周圍環(huán)境地圖的自動生成又是相輔相成的。本文首先指出了課題的研究背景、意義和研究內(nèi)容,然后分析了目前國內(nèi)國際研究現(xiàn)狀和方法。其次，從關(guān)鍵技術(shù)和相關(guān)理論等方面，系統(tǒng)地總結(jié)了同步定位和地圖自動生成的研究現(xiàn)狀，從環(huán)境特

2、征的提取、定位與地圖自動生成、數(shù)據(jù)相關(guān)等多個方面對移動即時定位與地圖自動生成問題進行了描述。著重分析了基于EKF模型的SLAM算法、基于尺度不變特征算法和基于概率論的方法，闡述了目前存在的難題，并指出未來研究的發(fā)展方向。關(guān)鍵詞智能移動機器人；特征提?。坏貓D生成；數(shù)據(jù)相關(guān)；EKFAbstract The mobile robot simultaneous localization and mapping is critical to realizing the fully autonomous navigation.When autonomous mobile robots operate in

3、 an uncertain environment.one of the most fundamental tasks is to localize itself .The location is associated with map building. Based on related theories and technologies , This paper summarizes the achievements in simultaneous localization and mapping systematically,and the paper summarizes the cu

4、rrent research on SLAM in some aspects ,such as feature extraction,methods and data roduces SLAM algorithms based on EKF model,scale constant feature transformation and probabilistic approach in detail ,analyzes the current open issues and indicates the prospective research direction

5、in the future development .Key words Mobile robot；Feature extraction；Filter；Data association；EKFII目 錄摘要IAbstractII第一章緒論11.1引言11.2機器人同時定位與地圖創(chuàng)建(SLAM)概述11.3地圖的表示方法21.4特征提取31.5機器人地圖創(chuàng)建的研究及發(fā)展趨勢4第二章 地圖創(chuàng)建的一些關(guān)鍵性問題52.1不確定性信息處理方法52.2數(shù)據(jù)關(guān)聯(lián)62.3累計誤差72.4算法復(fù)雜度72.5機器人地圖創(chuàng)建的導(dǎo)航問題82.6探索規(guī)劃8第三章 移動機器人地圖創(chuàng)建方法93.1基于卡爾曼濾波(KF)的S

6、LAM算法93.1.1算法基本原理103.1.2擴展卡爾曼濾波(EKF)113.1.3仿真實驗123.2基于尺度不變特征變換(SIFT)算法133.2.1移動機器人模型133.2.2估計與更新方程143.2.3 SIFT算法153.2.4實驗結(jié)果163.3基于概率的SLAM算法163.3.1 SLAM問題的概率描述173.3.2基于概率論的SLAM173.3.3稀疏擴展信息濾波193.3.4 FastSLAM算法19結(jié)論20參考文獻21致謝23機器人地圖創(chuàng)建方法研究第一章 緒論1.1引言二十世紀以來，人類科學(xué)技術(shù)進步的取得了不計其數(shù)的重大，機器人理論學(xué)的建立和機器人的問世便是自動動控制領(lǐng)域最具

7、特色之一。尤其是機器人問世以來，隨著電力電子、信號處理、計算機及人工智能等技綜合發(fā)展,僅在短暫的就取得了巨大的進步。從第一臺機到目前的成規(guī)?；a(chǎn)線，隨著機器人技快速,機器人在幾乎各個領(lǐng)域的廣泛大大提升了生產(chǎn)。在不久的將來，越來越具有智能化的機器人會應(yīng)用到我們的日常生活中。1.2機器人同時定位與地圖創(chuàng)建(SLAM)概述在復(fù)雜未知的環(huán)，移動機器地根據(jù)其攜帶的傳供的數(shù)據(jù)并加以處理進而建立環(huán)境模型正逐步成為自主移研究中的一個熱點。為了完成給定的工作任務(wù)，必須能夠探索幾乎完全未知的工作環(huán)境，進而具備對周圍環(huán)境建模并生成地圖的。上述問題作闡述：在對其周圍環(huán)境沒有一切信息的情況下，即機器人對其周圍區(qū)域沒有

8、任何信息，包括環(huán)境中區(qū)域的大小、有沒有障礙物，有的話障礙物的形狀、方位、大小等信息。且周圍區(qū)域中不存在任何的認為設(shè)定的標志物，比如指示牌、路燈燈塔等。在此情況下，機器人要自主完成自主生成地圖的行為就需要依賴于通過對其自身攜帶傳感器所獲得的信息加以處理的能力，如對視覺、激光測距儀、里程儀等數(shù)據(jù)的處理。因為傳感器本身具有局限性，其獲得的信息也存在一定程度的局限性。用傳感器數(shù)據(jù)進行地圖的自動生成很難得到準確的區(qū)域模型，因此通常情況下對感知信息的二次處理是很有必要的，要獲得較為詳細準確地周邊區(qū)域信息就必須對多傳感器獲得的信息加以融合。機器人集成算法和圖模型對在其運動過程中傳感器采集的數(shù)據(jù)加以處理，創(chuàng)建

9、關(guān)于周圍區(qū)域表示。由于在已知區(qū)域中實現(xiàn)機器人的自主定位和在已知機器人的位置實現(xiàn)地圖的自動生成已經(jīng)取得了很多實質(zhì)性的進展。工作前使機器人獲取其活動區(qū)域的地圖很不易，甚至可能的，很大一部分原因在于在不少中機器人不能局定位。機器人的同時定位與地圖的自動生成 (SLAM)問題可以描述為：機器人要完成自主定位，就必須具備在這種對周圍的環(huán)境完全未知的環(huán)境中自動生成地圖的能力。移動機器人外部區(qū)域信息的感知和對自身狀態(tài)的測量并加以處理來估計自身姿態(tài)和位置，這個過程便是計算機的自主定位問題，也是移動機器人前提和關(guān)鍵。如下為移動機器人自動生成地圖表述：移動機器人自起始位置，經(jīng)過連續(xù)的位置變換并且獲得傳感器對位置外

10、部區(qū)域的采樣數(shù)據(jù)器人的目標是完成對周圍區(qū)域地圖，前提是通過對傳感器感知的信息加以處理并估測出器人的姿態(tài)和位置，選擇一個好的好區(qū)域的描述方法對建立一個有效的SLAM 系統(tǒng)是至關(guān)重要的。當(dāng)前：運用衛(wèi)星全等系統(tǒng)裝置實現(xiàn)移動的位置確定取得了可喜的進展，機器人大多采用自身攜帶的傳感器完成定位，很大原因在于任務(wù)、區(qū)域等影響。由位置和姿態(tài)的跟蹤、自動生成。位置和姿態(tài)的跟蹤可解釋為在運動過程中人對其位置進行估計。SLAM方法在過十逐漸吸引了大批的科研人員的目光，成為導(dǎo)航問題的研，并取得了不少實質(zhì)性的成就，機器人具備對周圍環(huán)境的自動生成地圖并完成自主定位的能力被許多人能自主的根本前提。SLAM研究序幕揭開的標志

11、是SmithR、CheesemanP 和SelfM于1986 年提EKF(Extended Filter) Stochastic 。在隨后的時間里，科研人員不斷擴大研究領(lǐng)域，自室內(nèi)到室外，從有人工指示到實現(xiàn)自主，涌現(xiàn)出了不少 SLAM方法。因為自主機器人獨有的的性質(zhì)（對周圍環(huán)境的完全未知；依據(jù)傳感器獲得內(nèi)外環(huán)境數(shù)據(jù)；周圍區(qū)域、傳感器數(shù)據(jù)及機器人運動過程中自身身不性），綜合來說整個過程即是“估計校正再估計再校正”的過程，像如何獲取及區(qū)域特征狀態(tài)，如何校正新地圖、如何表達地圖、如何不確定性等各種問題的很好處理成為上述問題的關(guān)鍵。1.3地圖的表示方法機器人地圖主要分為兩類：拓撲地圖和幾何地圖。幾何又

12、可描述為地圖特征和柵格地圖。柵格的地圖表述為1即把整個未知區(qū)域劃分為若干個大小相同的柵格，在每個刪各種判斷是否含有障礙物。此原理已經(jīng)在不少機器人系統(tǒng)中得到廣泛的應(yīng)用。柵格地圖的不足之處在于：當(dāng)柵格數(shù)量比較大時， 的保存和更新所占用的CPU處理時間和內(nèi)存也隨之劇增，這就會給計算機的進行處理帶來挑戰(zhàn)。圖是一個粗略的處理方法，由于對特定傳感器的假設(shè)不靈敏，魯棒性自然很好。幾何特征的生成方法2,3 機器人通過其采集的外部數(shù)據(jù)，把更的幾何特征從中抽取出來，然后運用抽取出的幾何信息對周圍區(qū)域加與描述。由于它是比較緊湊的表示方法，以至于更容易對位置和姿態(tài)計和目標進行識別。征的需要對收集的數(shù)據(jù)作特殊的，要得到

13、結(jié)果就必須一定數(shù)量的感知信息。圖也是一種比較緊湊的描述方法4，特別在區(qū)域面積廣單時，此方法可把區(qū)域描述為 (graph)，區(qū)域中的一個特征狀態(tài)、（由傳感器）對應(yīng)于圖中的節(jié)點，圖中連接節(jié)點相當(dāng)于直接相通的?？焖俚能壽E規(guī)劃可有這種表示方法完成。對于機器人的位置誤差有較強的魯很大一部分原因在于常對機器人準確的位置姿態(tài)數(shù)據(jù)是不需要的。但在周圍區(qū)域在兩個相似的地方這種情況下，撲圖的方法要判斷這是否為節(jié)點是很大的挑戰(zhàn)（尤其是機器人分別是沿不同線路來到該類節(jié)點時）。由周圍區(qū)域中特或區(qū)域組成的連接關(guān)系，依靠連接關(guān)系數(shù)據(jù)機器人可完成一個節(jié)點區(qū)域運動一節(jié)點的任務(wù)。圖抽象度高，適大區(qū)域的結(jié)構(gòu)。式方案是最簡單的地圖自

14、動生成方法。起初通過計數(shù)器計算出機器人的位置，然后計算機通過對獲得的數(shù)據(jù)經(jīng)行處理，并得到局部地圖并由此對全局地圖進行實時更新。1.4特征提取器人自身載有多樣的外部和內(nèi)部部傳感器，外部包括聲納傳感器、激光傳感器、視覺傳感器、紅外傳感器等。內(nèi)部主要包括陀螺儀和里程計等傳感器。移動機器人對感器數(shù)據(jù)和外部特征數(shù)據(jù)加以融合并定位和地圖的自動生成，對外部傳感器采集到的數(shù)據(jù)加以處理形成以寬度、形狀、長度等參數(shù)表示的外部區(qū)域的幾何。移人即時定位與地圖自動生成過程中，主要是通過掃描數(shù)據(jù)（長度、強度等）獲得外區(qū)域的輪廓特征位置數(shù)據(jù)，這些數(shù)據(jù)是依靠聲納或激光傳2D平面上獲得的，其中很大一部分原因是由于在單目視覺系統(tǒng)

15、的局限性不環(huán)境特征的深度數(shù)據(jù)，無法表示區(qū)域特征的位置。盡管聲納傳感器在波束覆蓋范圍寬、廉價等方面有明顯的優(yōu)勢，但由于其角度分辨率低，精確要求不夠等局限性，且容易生成虛假和多重反號，從而使特征匹配變的更加困難。光傳感器以其速度快、方向性強、角分辨率高、度高點，得到了越來越青睞。環(huán)境特征擇和表達相對于細節(jié)來說，更傾向于特征穩(wěn)定性穩(wěn)定性和魯棒性，在提取能夠反映區(qū)域的化特征時主要參考了室內(nèi)小范圍表示的思想，能夠反映如結(jié)構(gòu)特征的細節(jié)，如點，線段、角、曲線、垂直線等，與凸角、墻角、門、墻等對應(yīng)。目前已經(jīng)有很多特征提取的方法，點和直線特征主要夫變換方法，如直方圖法5、加變換法等。特征的選擇方式比較多，如多面

16、體、平面體、目標等均可當(dāng)做特征6,7。但是的唯一性標識義由單個點來表示顯得有些力不從心，目標外在的特征點集合組構(gòu)進行目標定位。Ayache等獲取更詳細的特征，其是利用三目攝像機獲取區(qū)域直線段信息，。LeonadRCD成功提取距離數(shù)據(jù)的環(huán)境所固定特征，其是通過對聲納信息序列多次。Grossmann、等為了減少鏡面反的錯誤特征提取，用地圖聯(lián)接技術(shù)提取了征。Chong聲納測量信息不斷至局部平面，納鏡面反象引假目標獲取，提取了邊緣等地圖特征。提提取能力的關(guān)鍵和重要手段是通過多傳感器信息融合。Castellanos等利用冗余信息提高表示可靠性就是通過攝像機和激光數(shù)據(jù)在特征級進。羅榮華8等也提出息融合的地

17、自動生成地圖方案。1.5機器人地圖創(chuàng)建的研究及發(fā)展趨勢自主機器人的重之一就是具備精確定位并生成區(qū)域環(huán)境地圖的能力。要使機器人真正走向自主化，能達到區(qū)域部署和生存的要求，就必須具備上述能力。自動生成地圖的研究還一下幾個幾點進行詳細的研究：(1) 準確性：達到機器人的準確定位的目標是一個很有挑戰(zhàn)性的工作，主要是因為其是建立種不確定性上進行的。為此想方設(shè)法盡可能的減少機器人自身和外部環(huán)境的因素。在傳感器方面，盡管成本上不占優(yōu)勢，近年不少研究還是激光雷達和視覺傳感器原因就在于廉價的聲吶傳感器噪聲很難完全消除?？梢韵嘈旁诓痪玫膶斫⒗走_和視覺上的SLAM越來越深入并得到完善。此外，就SLAM算法本身，

18、也必須進行改進包括地圖表示，以減小位置。(2) 實時性：由于計算機自動生成地圖的方法無論基于概率、基于還是EKF其它方法得不到實時處理，而人類卻能在極短的時間內(nèi)完成區(qū)域信息處理和自動生成地圖。實時性在以下兩個方面是重點：一方面提高與主并行工作處理速度，其主要通過開發(fā)專用的自動生成地圖芯卡來完成；另一方面就是研究和改算法得到新的更好的方法，通過降低算法的空間需求，進而加快運算。(3) 魯棒性：SLAM處理的主要還是自身和周圍環(huán)境中存在不。不確定性的存在SLAM算法保證穩(wěn)定性成為一個挑戰(zhàn)。如基于EKF對數(shù)據(jù)關(guān)聯(lián)的性依賴性很強，一旦關(guān)聯(lián)性不夠精確的情況下，算法就很容易發(fā)散。不變特征變換的SLAM算法

19、很大程度地提升了算法的穩(wěn)定性，但其對相關(guān)使它作為一種通用的解決方法很是艱難。，自主移動機器人的SLAM 研究發(fā)展方向可以歸納下幾點：(1) 工作區(qū)域由已知的結(jié)構(gòu)化區(qū)域知的非結(jié)構(gòu)區(qū)域。(2) 環(huán)境感知用多傳感（如視覺系統(tǒng)和激光雷達系統(tǒng)等）的和器人系統(tǒng)（也稱可移動感知系統(tǒng)）以獲取更大數(shù)據(jù)。(3)在地圖表述和信息關(guān)聯(lián)算法中，更加注重學(xué)、概率等不確定性處理工具的應(yīng)用。(4)開發(fā)在現(xiàn)實區(qū)域中具較強魯棒適應(yīng)能力的實用，因此在實驗研究中途徑。(5) 提高移動的自主能力，高效率的 理論、強、強適應(yīng)性、方法與技今后的研究熱點，以滿足服務(wù)業(yè)和特種應(yīng)用的迫切，可以預(yù)對現(xiàn)實環(huán)境構(gòu)化和動態(tài)特點。第二章 地圖創(chuàng)建的一些關(guān)

20、鍵性問題該領(lǐng)域所涉及的主要問題可以為以下六點，分別為處理不確定性方法、控制算法復(fù)雜成度、數(shù)據(jù)關(guān)聯(lián)度、機器人導(dǎo)航及軌跡規(guī)劃。以上問題彼此間存在聯(lián)性并相互滲透，因此不能對上述問題進行孤立考慮。參考國內(nèi)外研究的，分別問題加以分析。2.1不確定性信息處理方法在現(xiàn)實的應(yīng)用中，系統(tǒng)中到處存在的不確定性對于機器人地圖自動生成就是一個很大的挑戰(zhàn)。機器人本身能或未知外力造成的干擾都可能導(dǎo)致運出現(xiàn)誤差，傳感器信息關(guān)聯(lián)等觀測的性也可能招致校正失效，更不要說周圍區(qū)域中不確定性。各種算法所要研究的焦點也是SLAM算法的靈魂就在于如何通過巧妙處理各種不確定性進而盡量減少客觀存在的不確引起的誤差。由于SLAM算法的數(shù)據(jù)來自

21、于自身安裝的各和動力理論、學(xué)模型，顯而易見其精確度是決定地圖精度關(guān)鍵?，F(xiàn)實研究中發(fā)現(xiàn)從獲得數(shù)據(jù)的各種渠道都或多或少的帶有不同程度的不確定性。這些渠道的不確定導(dǎo)致地圖雙方的不確定。而同，當(dāng)依據(jù)地知信息的處理決策后續(xù)移動時定性，造成不確定性的疊加。因此必須解決以：在地圖和位置的，如何描述運動和感知數(shù)據(jù)不確定性？在迭代過程中，理舊數(shù)據(jù)與新數(shù)據(jù)的關(guān)系，并進行新地圖與位置的更新？如何依據(jù)不確定并進行決策？對于解決上述問題的方法，模糊邏輯9 和概率10等方法得到了廣泛的應(yīng)用， 估計，濾波和 。以概率表達數(shù)據(jù)的不確定性對于性能不佳也能表示其感知數(shù)據(jù)，在于適應(yīng)定模型。由于在現(xiàn)實應(yīng)用性較好，得到了廣泛的認可，不

22、足是計算相對較復(fù)雜。模糊邏輯一個處理不確定性（尤其是是聲納感知）魯棒性較好且效率較高的工具。同時，在進行模型建立和融合確定性時，可以選擇更多樣的操作符。2.2數(shù)據(jù)關(guān)聯(lián)為了獲局的區(qū)域地圖和完成定位，將不同時間及不同地點的數(shù)據(jù)進行匹配和結(jié)合，在此過程中，局部信息與局部信息之間存在關(guān)聯(lián)問題，局部信息與全局信息之間也存在向關(guān)聯(lián)問題。在使用的信息關(guān)聯(lián)算法不是唯一而是多種多樣的，如算法11和聯(lián)合性算法。感知數(shù)據(jù)一般要融合其他外部傳信息，很大一部分原因在于機器人的里程供的位置數(shù)據(jù)往往存在累計誤差，如聲納、感器或激光測距儀等等。這些器獲取得感知信息在為數(shù)據(jù)關(guān)聯(lián)提源的同時，也為數(shù)據(jù)關(guān)聯(lián)算法性和對數(shù)據(jù)描述性引入了

23、不小的挑戰(zhàn)。盡管上述算法可改進特征選擇的，然而特征檢測具有不確定性的避免是難以做到的。數(shù)據(jù)關(guān)聯(lián)是指在不同時間時對周圍區(qū)域的觀測是否來一特征。對于EKF模型來說，導(dǎo)致算法不收斂的可能就是數(shù)據(jù)關(guān)聯(lián)的不準確。通常來說，這種關(guān)聯(lián)往往由大多數(shù)模特征之間的相似度和間的相對距離表征出來。經(jīng)常用的數(shù)據(jù)關(guān)聯(lián)往往選用最鄰，該算法認為特征之間、傳感器觀測值和匹配均是相互無關(guān)的，沒有把他們之間的相互關(guān)聯(lián)考慮在內(nèi)，而在現(xiàn)實的試驗中發(fā)現(xiàn)測量預(yù)測誤差是相互關(guān)聯(lián)的。當(dāng)機器人誤差累積到一定程度或者陷入混亂狀態(tài)時，由該方法導(dǎo)致錯誤匹配的情況是時有發(fā)生的。Moutarlier等完成已存儲特與感知特征的最佳匹配，他采用的啟法是從機器

24、人估計位置出發(fā)確定機器人旋轉(zhuǎn)和位移變化，。等提于的約束搜索算法，把周圍區(qū)域的相關(guān)特征聯(lián)成如墻，門，的區(qū)域標志，巧妙地去掉錯誤匹配信息，實現(xiàn)了最佳關(guān)聯(lián)處理。等通過求取最大公共完成特征標志的匹配，用的方法是將關(guān)聯(lián)視為圖問題，。確定兩個特征標志是否對應(yīng)區(qū)域中的同一物體，這就需要數(shù)據(jù)關(guān)聯(lián)兩個特征標匹配。 SLAM 信息關(guān)聯(lián)中三項任務(wù)需要實現(xiàn)：地圖之間、新特的檢測以及特征標志配。盡管數(shù)據(jù)關(guān)聯(lián)在融合信息和跟蹤目標方面已經(jīng)得到較好，但是距滿足的實時性的要求還有不小的距離，主要原因還是折算量太大。假設(shè)每個觀測志有個匹配的可能，就對于個標志需要在指中搜尋合適的匹配。信息關(guān)搜索空間主要和一下兩個因素有關(guān)系：一是區(qū)

25、域的復(fù)雜程度，二是機器人的定位誤差，因為區(qū)域的程度的增增大，而誤差的增大同樣會使增大。2.3累計誤差SLAM 中的誤差主要來自三：觀測誤差、計誤差的信息關(guān)聯(lián)帶來的誤差。當(dāng)機已知地圖的區(qū)域中定位時，機器通過觀測已知未知的特征標程計的誤差進行，這樣的話，每一次觀測誤差與特征標志的位之和就會趨向于觀測使機器人的位置誤差。然而在SLAM中，由于的位置和區(qū)域特征標志完全是未知的，就會導(dǎo)致觀測信息里程計的誤差不能有效校正，隨著機器人的運動距離的增大機器人的位置誤差也會隨之加劇，進而錯誤的數(shù)據(jù)關(guān)聯(lián)也會隨之即來，最后特征位置誤差也就最值增大；反過來，機器人的位差也將受到特征標志的誤差影響。因此，可以得出結(jié)論：

26、機位置誤差與特征標志的位置誤差關(guān)聯(lián)性很大，機器人和特征的位置產(chǎn)生累計誤差很大程度上受其影響，保證地圖的一致性。2.4算法復(fù)雜度完成地圖的建立與定位必須能實時計算，才可能談得上真正實現(xiàn)自主，不言而喻實時計算對計算難度的要求是相當(dāng)嚴格的?，F(xiàn)有的算法最多能夠運行最多幾個星期，其存儲和計算境特征達到，但任然滿足不了現(xiàn)實環(huán)境的要求。人腦和計算機相比，單就運算速度來說人腦要比計算機快得多，但這種差距有日益減少之勢。但在定位判斷等實時處理方面，人類要遠遠領(lǐng)先于計算機。原一就在于人腦的并行分布式存儲。將神經(jīng)技術(shù)及其它應(yīng)用于SLAM，SLAM算法在真實署的改進是的可能性是極有可能實現(xiàn)的。系統(tǒng)矩陣的更新是基于曼濾

27、波器的算量主要來源，即維持各特征標志之間以及的機器人與特征間相關(guān)性。SLAM算法的收斂性受上述關(guān)聯(lián)性的影響是非常大的。明，去除這些相關(guān)關(guān)系保證地圖的一致性，使生成的地圖失義。為了SLAM的時間復(fù)雜度，需影響地圖一致性的前提下限制這些相關(guān)關(guān)系。2.5機器人地圖創(chuàng)建的導(dǎo)航問題 機器人的導(dǎo)航問題在機器人生成地圖中必然要考慮的自定位、避障和路線規(guī)劃。避通過規(guī)劃其行為來完成生成關(guān)系。比較關(guān)鍵的和規(guī)劃。自身的定位不再是一個難題，一旦存在全局地圖。生成地圖一個積累數(shù)據(jù)的過程，前提是能得精確的自身位置。但在以下情況時，實現(xiàn)精確比較不易的。完全未知的區(qū)域里，機器有任何的參照物，其只能依靠自己傳感器區(qū)域信息，這種

28、信息往往又不是十分準確的，由于計算的限制，器也不能提供更多的數(shù)據(jù)，有地圖的定位和的地圖生成都是容易的，但無定位和未解決定位的地圖生成如同“無雞生蛋，生雞”?，F(xiàn)實應(yīng)用中機自身精確定位的問題仍然是機器人地圖自動生成的主要難點。通過查閱資料發(fā)現(xiàn)，這種研究又可以分為兩類：一類是運用安裝在自身的傳感器，使用像卡爾曼濾波的融合算法對多感數(shù)據(jù)進行融合以減小定位的。時間的運動后的誤差積累往往比較大的主要原因在于該算法沒有考慮外部信息。另一類方法在根據(jù)自身傳感器對自身運動進行估測的同時，還使傳感器對外部區(qū)域警醒感知，并對獲得的數(shù)據(jù)加以分析抽取其特征，再對外部環(huán)境特征做出比較后調(diào)整自身行為。然而對于該方法來說，提

29、取外部環(huán)境特征至關(guān)重要，而環(huán)征12，13的提取在不少時候是不容易的，如：（1）特征比較模糊時，如在茫茫大海中，人是幾乎完成不了定位的。（2）提供的信息不足，從某次感知數(shù)據(jù)中提取環(huán)境特診是不可能的。在地圖生成中，只有在提供相同有用信息的同時花費的時間最少，才能實現(xiàn)效率的提高。那么以下問題的解決是很有必要的：j未知環(huán)境的確定，所有路線方位信息在開始時都屬于未知區(qū)域，接下來的時間里部分地圖就會隨之生成，尋找并標注未知環(huán)境就能實現(xiàn)。k選擇在況下最有價值的區(qū)域進行探索，對探究該區(qū)域所能獲得的數(shù)據(jù)量和探域需要付出的代價進行比較。l對區(qū)域的軌跡進行有效的規(guī)劃，尋找一條有安全保證線路。在上述方面的成果還不多。

30、2.6探索規(guī)劃圖自動生成的效率還可以通過研究探劃來實現(xiàn)，使機器人在盡可能間內(nèi)實現(xiàn)盡可環(huán)境感知，遵循的一般原則是：器人總是短線路到最近的未探域14。盡管該方法在實現(xiàn)過程中有很高的效率，由于算法的復(fù)雜再加上系統(tǒng)中各種不確定性，在實際的應(yīng)用過程中這種精心設(shè)計的線路未必可行。所以，設(shè)計出更有效的算法勢在必行，在實時性和精確性之間折衷。近年來，多機器SLAM 問題的研究也吸引力不少的關(guān)注，就是為了提高針對大領(lǐng)域的作業(yè)效率。但就目前來看，其研究還是把但機器人的的研究做了簡單的擴展。在多機器人的策略方面存思路：一種是策略分散探索，集中處理信息和地圖自動生成。另一種是完布式的，各個機器人之間共享數(shù)據(jù)，但各自作

31、出各自相應(yīng)的決策； 第三章 移動機器人地圖創(chuàng)建方法3.1基于卡爾曼濾波(KF)的SLAM算法移即時定位與地圖自動生成中理論方法就是擴展Kalman濾波，Smith 等人基于擴展卡爾曼濾波機地圖自動生成( stochastic )方法15是最早運用該理論的了。該方法的間區(qū)域由一包含機器人位置姿態(tài)向量和高維向量的區(qū)域特征向量的組成，區(qū)域特征和位置姿態(tài)預(yù)測的完成由機器人控制信號計數(shù)據(jù)輸入到系統(tǒng)狀態(tài)方程，區(qū)域特于更新位置姿態(tài)和特征地圖。隨通過一個高維狀態(tài)向量把機器人的位置姿態(tài)向量和區(qū)域特征織起來，用擴展濾波將其做最小均方。要實現(xiàn)對位置姿態(tài)和測，將機器人的控制信號輸?shù)较到y(tǒng)狀態(tài)方是非常關(guān)鍵的。上述研究成果

32、奠定該類理論框架，然而在實際的運用過程中算法有問題：（1）計算比較復(fù)雜。系統(tǒng)的協(xié)方差矩陣需要實時計算，即各個特征標志之間的關(guān)系和機器人與各個特征標志之間的關(guān)系的維持。(2)很高的不確定性。由于機器人自身機械結(jié)構(gòu)的不確定性再加上外在環(huán)境各種不確定性，都將對機器人的自動識別環(huán)境特征和地圖的自動生成造成影響。針些所述，科研人員研究了不少優(yōu)化方案來提高地圖自動生成的可靠性和精確性，并盡可能的降低復(fù)雜度。當(dāng)前，基于擴展卡爾波的SLAM算法已吸引了不少研究人員的目光。3.1.1算法基本原理建立非線性離系統(tǒng)模下： (3-1) (3-2)其中，為系統(tǒng)輸入的向量，和為0為均值高斯序列。即 (3-3) (3-4)

33、式中，表示聲，表示過協(xié)方差矩陣， 表示協(xié)方差矩陣。根據(jù)當(dāng)前系統(tǒng)狀態(tài)值，EKF方法將非函數(shù)和擴展成一階泰勒公式，進而完成系統(tǒng)的線性化，并運用KF算法算系統(tǒng)的估計。其地推步下：1.有前一時刻估計值k-1和協(xié)方差矩陣即可估計出當(dāng)前時刻值和協(xié)方差矩陣： (3-5) (3-6) 其中，為系統(tǒng)狀態(tài)矩陣在處的值。2.由預(yù)測協(xié)方陣預(yù)算Kalman增益 (3-7) (3-8)其中為系協(xié)方陣，為系統(tǒng)觀的矩陣在處的值。有狀態(tài)的預(yù)計值和實際估計值校正系狀態(tài)估計并計算出的協(xié)方差矩陣： (3-9) (3-10)3.1.2擴展卡爾曼濾波(EKF)濾波器前提有個假設(shè)即性的，然而現(xiàn)實應(yīng)用過程中機器模型與觀測模線性的。因此，用擴

34、展卡爾曼濾波器，基于的地圖建立與以歸納為一環(huán)迭代的估計校，EKF算法在處理不確定數(shù)據(jù)方面有獨有的優(yōu)勢，因此，成為應(yīng)用比較廣泛的SLAM。綜上所述，卡爾曼濾式可以描述為為： (3-11) (3-12)其中和為正態(tài)白噪聲序列，它們互不相關(guān)零的，方差和，而K時刻態(tài)向量和量測向量可表示為式： (3-13) (3-14)量測值是從狀量中計算得到的目標位置，它是指點在機器人坐標系中的具置，表示為： (3-15)所以系統(tǒng)的狀量測方程為： (3-16) (3-17)其中， (3-18)3.1.3仿真實驗實驗用Matlab 軟件完成，移動機器人的具體參數(shù)為：左右的寬度，半徑，初始位置姿態(tài)為，選擇的最大的激光觀測

35、有效長度設(shè)為，自然地了14個和29個特征點，由此構(gòu)建仿真模型如圖3-1所示，根據(jù)以上給出的實時定位與地圖生成框架進行仿，結(jié)果如圖3-2所示。由于對自身和外部的數(shù)據(jù)進行了融合，用方法完成地推最優(yōu)估計，進行了量測和預(yù)測關(guān)聯(lián)匹配，很大程度地改進了位推算方法完成定位所誤問題，繼而移動機器人的航線與運動路線之間的表現(xiàn)的非常好，由此得出EKF 算法的很強。同時由于實時的捕獲了圖數(shù)據(jù)，并對地圖進行不斷的更新，使得區(qū)域中移動機器人的自主導(dǎo)可能，表明框架具有很大的實。證明了該算法的可實施性。本實驗采用對機器人位置姿態(tài)進行更新，成功則對機器人位置姿態(tài)更新，完成機器人的即時定位；匹配失認為測量到得特征為新，將其加入

36、到，作為下一時刻的參照物，從而完成地實時更新。圖3-1 基于環(huán)境特征的地圖圖3-2 同時定位與地圖創(chuàng)建3.2基于尺度不變特征變換(SIFT)算法3.2.1移動機器人模型在二維環(huán)境中，機器人用，表示位置姿態(tài)，描述移動機器對坐標方位，描述機器人的朝向，在進行位姿跟蹤過程中，移動機器人的位姿。在中，利用自身攜帶的傳感器識區(qū)域的特征，然后依靠機器征標志之間的相對位置和的數(shù)據(jù)估計機器人和特征世界坐標。保持機器人與特之間的詳細數(shù)據(jù)對于這種在線的定生成來說是非常關(guān)鍵的。在室定區(qū)域中，區(qū)域特征方法的基本原則是一個狀態(tài)向量中，機器人的位姿和區(qū)域特征坐，器人的移動過程對四周區(qū)域特測做盡可能準確。需要做下列假設(shè)：移

37、動機器人在世界（用，表示）中描述為一個點，世界坐標系原點作為機器人的起始位置，前進的（機器人的朝向）為機器人坐中的，即軸，逆時針旋轉(zhuǎn)90度為縱坐標軸。如圖3-3所示 圖3-3 機器人的移動過程因此世界坐標系中的方程為： (3-19) (3-20) (3-21)其中，是時刻移動機器人的；和表示時刻機器人在世界系中的方位； 表示時刻機器人的方向；k表示時刻機器人的偏航角。假設(shè)目標都止，所以在標系中的位表示為：， (3-22)和是第個坐標在世界坐標系中的。機器人獲得的位置是指第個目標在機器人坐標系中，因此還必須將其轉(zhuǎn)世界坐標，可表示為： (3-23) (3-24)3.2.2估計與更新方程采用EKF完

38、成系統(tǒng)狀態(tài)的更新，當(dāng)機器人在工作過程中發(fā)現(xiàn)特征時，需要依靠新特征的矢量和機器人的當(dāng)前狀態(tài)新特征表示的初始狀態(tài)，并更新狀態(tài)和協(xié)方差矩陣。其中， 在SLAM中，系統(tǒng)的狀態(tài)由機器人和區(qū)域特征在機器人坐標系置估測所組成，而協(xié)方差矩陣為估計的誤差，對數(shù)據(jù)的處理所用的卡爾曼濾一般分測和更新，值得一提的是此方的估計是無計?？柭鼮V波預(yù)測方程為： (3-25) (3-26) (3-27)更新方程為： (3-28) (3-39) (3-30)其中，是增益矩陣，是測量噪聲協(xié)方差，是系統(tǒng)狀態(tài)噪聲協(xié)方差，是誤差協(xié)方差。通過新方程可將將測量值和先驗估計進行呢融合，從而精確驗估計就可以得到。3.2.3 SIFT算法Low

39、eDG在2004年總結(jié)了現(xiàn)有的不變量技術(shù)的檢測方法，式提出了一種基于尺度，對圖像進行縮放，旋轉(zhuǎn)直到仿射持不變性的圖像述算子SIFT算子，即尺度不變特。算法首先對尺度空特征檢測，并確定關(guān)鍵點所處的尺度和關(guān)鍵點，進而鍵點領(lǐng)域梯度的主方該點的方向特征，以實對方向和尺度的無關(guān)性，向的計算方程為： (3-31) (3-32)上式為處梯度模值公式和方向公式，L所用的尺度為每個點所在的尺度。在實際時，可在以關(guān)鍵點為區(qū)域內(nèi)采樣，最后用直方鄰域像素的梯度方向。峰值表示該關(guān)鍵點處鄰的主方向，即作為鍵點的方向。3.2.4實驗結(jié)果 在實驗室內(nèi)對移動機器人做試驗，讓其順著邊長長為三米形行走，人行走的軌跡生成的結(jié)果如3-

40、4所示。機器人實際軌跡和估計線路基本，而與里程計定位存在一定定差距，原因在于里程計本的局限性，比如機器人行走時的輪子打滑，生實際移動距離和機器人內(nèi)表記錄的信息不一致。由此看來， 的累積誤差會隨著隨著時間的推移越來越大，從而導(dǎo)致自與實際情況也就越來越大。 圖3-4 基于尺度不變特征變換的實驗結(jié)果3.3基于概率的SLAM算法由于SLAM 問題涉及不確定的區(qū)域表達和器噪聲，一般使用概率來表述。多種SLAM算礎(chǔ)就是擴展Kalman 濾波方法，用于同步確立和估人的方位。但計算量大和對信息關(guān)聯(lián)問題處理困難的局限性也十，盡管不如EKF行，但由概率描述機器問題的不確定性自然合理，基于的也吸引了很多研究人員的青

41、睞。同樣是，也有多種地圖表示及地圖自動生成的方法。3.3.1 SLAM問題的概率描述首紹一下相關(guān)的示16 ：離散時間k= 1 ,2 , ，是機在時刻的實際位姿（位姿包人位置和朝向），表示控，它作用使機器人位姿從改變到；表示第個標志物的實際位置；表示時刻在位姿處對第個標志物的測量值；表示時刻測得的總測量值。狀態(tài)集合，控制輸入集合 ，所有標志物集合，其中l(wèi) 是地圖上所有標志物的個數(shù)；觀測集合。有上述符號表示可知，可表示SLAM 中兩個關(guān)進模型：運動模測量模型。運動模型： 為求取 時刻位姿 的條件概率，它是在時刻機器人的控制輸入 和時刻位姿的條件下求得的。運動模型可由機器人學(xué)理論和動力學(xué)特性求得模型

42、： 是在已知時刻機器人位置姿態(tài)和路標位置集合的條件下求取k 時刻測量值的條件概率。測量模型可在運用圖的情況下由反復(fù)測量器數(shù)據(jù)而求得。整個問題可由概率來表示，其含義是在所有觀測值和控制輸入的情況下求取機器人位姿和地圖的聯(lián)合條件概率。由于機器人運動是過程和四周區(qū)域是靜態(tài)的，由Bayes 公式，得到下式： (3-33)這是一個回歸算式，其中是時刻的條件概率，是時刻的條件概率，是歸一化常數(shù)。若模型和運動模型已知，就可以由上式解SLAM 問題，其中最關(guān)鍵的方面所介紹的擴展濾波。3.3.2基于概率論的SLAM在SLAM問題中，整個狀態(tài)矢量包含地圖 和機器人位姿。移動機器人的運動區(qū)域成一個平面，機器人位姿包

43、括3 個變量：姿態(tài)朝向直角坐標和 即。每個標志物可以直角坐標來表示：，i =1 ,2 , , l ，它可以是周圍區(qū)域其他物體。假設(shè)在一張中有 個標志物，相應(yīng)的狀態(tài)矢描述成下列維矢量 。在擴展Kalman 濾波算法中，和地圖的聯(lián)合估計可由其協(xié)方差矩陣和來確定。其中，均值矢量是維的，協(xié)方差矩陣是 維的。假設(shè)區(qū)域是靜態(tài)的，則地M 滿足線性要求，但是機器人位姿通常是前一時刻和控制輸入 的非線性函數(shù)。這在一定程度上使計算量變的復(fù)雜，而擴展濾波用泰勒級數(shù)將非線性展開作線性化近似。對于數(shù)移動機器人來說，這種處理不會引起較大的誤差。線性果就是系統(tǒng)狀態(tài)方程可一個線性函數(shù)再加上聲來描述： (3-34)上式中，模型

44、中的噪聲用來描述，這里假設(shè)其服從協(xié)方差矩陣是，均值的正態(tài)分布。移動機器人型一般也是非線性的，并且伴隨斯噪聲，同樣可以用泰勒級數(shù)展開似表示，即 (3-35)這里，模型中的噪聲用 來表示，并假設(shè)它服也從均，協(xié)方差矩陣是的正態(tài)分布。然后，就可用標準Kalman濾波方法來計算。 (3-36) (3-37) (3-38) (3-39)3.3.3稀疏擴展信息濾波稀疏擴展濾波(SEIF) 算Kalman濾波的數(shù)據(jù)形式，即擴濾波(extended information filter)。EIF 在數(shù)學(xué)表示與一致，但在地圖表示上路標兩兩約束。實際應(yīng)用時，這束通常表示為陣形式。更新時間是的，這明顯快度為的EKF

45、算法。另外，SEIF最大似然法解決數(shù)據(jù)。需要指出的是， EKF方法的精確度要優(yōu)于SEIF算法。3.3.4 FastSLAM算法FastSLAM算法假設(shè)已知機器人路徑，則確定路標位置可分解成l 個獨立估計，每個對應(yīng)一個，SLAM 問題可成下式： (3-40)FastSLAM算法使用粒 ( Particle filter) 機器，類似于Monte Carlo 算法。從運中選擇多條軌跡，每條軌跡便為一個粒子。信息問題對于來說單獨考慮的，關(guān)聯(lián)問題響降低。的時間復(fù)雜，其中N表示粒子數(shù)，顯而易見其計算復(fù)雜度較大大降低，然而由于每個都要參考一次數(shù)據(jù)關(guān)聯(lián)，相關(guān)又變得了。結(jié)論在SLAM中，機器人運用自身安裝的的

46、傳感未知區(qū)域特征標志，然后依靠機器人標志之間的相對位置計的數(shù)據(jù)機器人和特征全局坐標。這種在位與地圖自動生成需要保持機與特征標志之間的數(shù)據(jù)。近些年以來，隨著計算、傳感器技術(shù)的不斷發(fā)展，SLAM的取得了可喜的成就，應(yīng)用于不同的國外學(xué)這方面做了研究工作，移動機器定位技術(shù)較可觀的。針對SLAM問題存在的，近20年來人們先后多種解決方案，領(lǐng)域從基礎(chǔ)步走向應(yīng)用，機器人逐步向非結(jié)構(gòu)化大規(guī)模環(huán)境下自主機器人方向。要論述了該領(lǐng)域的主要理論方法技術(shù)的現(xiàn)狀和進展，指出SLAM 挑戰(zhàn)，介紹了SLAM 的基礎(chǔ)的描述方法，提出了一個基于特時定位與地圖創(chuàng)架，并進行了EKF 的結(jié)構(gòu)化同時定位圖創(chuàng)建仿真實驗，結(jié)果表明該框架的可

47、其實際應(yīng)。但離實現(xiàn)移動機完全的導(dǎo)航仍有很題需要研究。但是SLAM 的各現(xiàn)方法都不是善，基于多機器的SLAM 的研究還處于剛剛起步的階段，不久的將來，隨著人工智能和制等領(lǐng)域的不斷進步，也將被引入到 中，開發(fā)的SLAM算法。開發(fā)其他地圖表示方式，復(fù)雜地形中的方式是SLAM中值得研究的。參考文獻1 王衛(wèi)華，陳衛(wèi)華，席裕庚.基于不確定信息的移動機器人地圖創(chuàng)建研究進展J.機器人.2001,23 (6) :563-568.2 PRESCOTT T J.Spatial representation for navigation in animatsJ.Adaptive Behavior.1995,4(2)：

48、851233 FEDER H，LEONARD J，SMITH CAdaptive mobile robo t navigationand mappingJInt J ofRobotics Research.1999，l 8(7)：6506684 CsorbaM. Simultaneous Localization and Map BuildingD . Oxford: U2 niversity of Oxford, 1997.5 ELFES A ，MORAVEC H.High resolution maps from wide anglesonar C .Proc of the IEEE Int Conf on Robotics and Automation.St . Louis MO :IEEE Press ,1985 :116 - 121.6 OHYA A ,NAGASHIMA Y, YUTA S. Explore unknown environment and map construction using ultrasoni