论文部分内容阅读
随着机器人技术水平的不断提升,机器人逐渐在各行业表现出其重要的用途。移动机器人主要的任务是在未知复杂环境中,使用自身携带的传感器感知周围环境,通过传感器对环境的采样构建环境地图,并实现自身定位和导航,即机器人的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术。于此同时,数据融合技术的发展,使得机器人使用多种传感器信息融合提高对环境的感知成为可能。因此基于多传感器信息融合对移动机器人室内导航极具重要意义。本文首先对机器人FastSLAM算法进行研究,并针对移动机器人使用单一传感器对机器人位姿估计与地图构建时产生的机器人定位误差大与构建出的地图精度低的问题,提出基于多传感器数据融合和改进的FastSLAM算法。首先将惯性测量单元(Inertial Measurement Unit,IMU)数据信息与里程计信息使用扩展卡尔曼滤波进行融合,利用融合后的信息代替原来的里程计信息以提高里程计模型精度。然后使用新的里程计模型与激光的观测模型作为FastSLAM的联合提议分布,提高FastSLAM模型的精确性。最后改进FastSLAM粒子滤波重采样的方式,减缓粒子退化同时保持粒子多样性,最终获得较为精确的地图。其次本文对移动机器人路径规划方法进行了研究,采用全局路径规划与局部路径规划结合的方式完成移动机器人导航任务。重点研究了全局路径规划方法,针对狼群算存在探索方向单一,奔走步长固定和“优胜劣汰”淘汰规则,易导致算法收敛速度慢,易陷入局部最优解等问题,提出一种基于改进的狼群算法的全局路径规划算法。首先,引入烟花算法的爆炸烟花的探寻规则来高全局探索能力和局部探索能力。其次,改进奔袭行为的移动步长,提高奔走行为效率。最后,改进狼群算法的更新规则增加狼群多样性,以增强算法的全局寻优能力。利用上述改进的狼群算法结合局部路径规划动态窗口算法来进行移动机器人的路径规划实验。实验结果表明本文方案能够快速规划一条全局最优路径,并在实际运行过程中躲避障碍物到达目标位置。最后通过搭建移动机器人平台完成基于信息融合的地图构建和移动机器人导航系统。通过软件仿真和物理实验表明,基于多传感器信息融合和改进重采样规则的FastSLAM较传统的FastSLAM能输出更高精度的先验地图且更具鲁棒性。采用改进狼群算法的全局路径规划算法与局部路径规划算法相结合的方式,能够获得一条较高质量的全局路径并实现自主避障,完成机器人导航任务。通过实验验证本文方案的可行性与有效性。因此,本文重在改进机器人FastSLAM算法和移动机器人全局路径规划方法的研究,同时又兼顾对机器人应用,具有一定的参考价值。