论文部分内容阅读
智能机器人研究领域中,实现机器人的自主性是不可或缺的环节。机器人独立自主的完成某一作业任务,离不开对周围作业环境信息和自身位置的实时感知。由此产生同步定位与构图(Simultaneous Localization and Mapping,SLAM )技术,即自主移动机器人自身配备环境感知传感器,在作业行进过程中感知环境,由感知数据提取出能够描述比较有代表性的环境特征,这些特征一方面能够在一定程度上反应出作业环境,另一方面可用于校正机器人自身在环境中的相对位姿。因此,本文针对SLAM问题的关键技术展开了详细的研究。首先,搭建机器人系统平台,在该平台上构建复合坐标系,同时建立了环境感知特征地图模型、机器人运动系统模型和环境特征量测模型。其次,对于环境感知数据集,提出线段特征提取方法。方法涵盖多个细节处理,分别是:环境感知数据集初步划分得到多个独立的连通区域,连通区域逐一进行数据平滑处理,连通区域细化分割,实现感知数据最大化划分;改进的最小二乘直线拟合法获取直线距离-倾角参数,误判噪声点处理方法、线段交点归一化方法、小范围扫描盲区地图填补方法等对线段端点进行综合整合并获取线段特征的端点坐标参数。再次,采用独立兼容最近邻(ICNN)数据关联方法,并建立数据关联模型和对应的数据关联矩阵。受过滤门限的设置方法的启发,提出用于特征匹配的灰色区域划分方法,将不可能出现匹配范围内的地图特征元素滤除,有效降低数据关联矩阵解空间的维数。同时提出误判匹配对的判别方法及其处理方法,以及有效点特征的判定方法,用于辅助线段特征的数据关联。基于独立兼容最近邻方法的数据关联方案,有效地实现了观测特征集与地图特征集的正确且高速匹配。最后,结合扩展卡尔曼滤波(EKF)原理,设计了基于EKF的线段特征地图构建方案,其中包含详细的自主移动机器人环境感知与构图方法的步骤,采用真实环境感知数据,通过实验验证结果进一步阐明基于EKF的线段特征地图构建方案的有效性。