【技术实现步骤摘要】
基于航向辅助分布式SLAM的机器人自主导航方法
本专利技术涉及机器人同时定位与制图(SLAM)属于机器人自主导航的范畴，针对自主移动机器人如何确定自身位置及感知外界环境的问题，SLAM系统旨在通过机器人系统模型，结合相应的滤波方法完成自主移动机器人的定位与周围环境的制图。
技术介绍
SLAM(SimultaneousLocalizationandMapping)即同步定位与地图构建其基本原理是：当机器人处于未知环境中时，通过自身传感器收集自身运动状况及周围环境情况，无论采用何种滤波方法进行位置的估计，都需经历预测与更新的过程，传统2D-SLAM的设计，一般采用里程计采集的信息作为预测过程的输入，激光传感器采集的信息作为更新过程的输入，具体的滤波器设计可以有多种衍生，传统的以集中矩阵形式描述机器人位姿及路标点状态，本设计采用系统模型的分布化处理，建立由每个有效路标点单独构成子滤波器的模型结构，由各个子滤波器融合为统一的地图估计结果，基于此框架下，对其观测模型特性进行分析，通过其可观测性及收敛性的总结，引入磁罗盘的航向作为辅助信息加入至分布式观测环节的滤波过程中，从而...
【技术保护点】
1.基于航向辅助分布式SLAM的机器人自主导航方法，其特征在于：在每个路标点信息送入各自子滤波器的方式下，改变观测模型的结构，在不添加每个分布式子滤波器中路标点个数的条件下，将航向信息作为状态量融合到整个的扩展卡尔曼滤波过程中，下文将论述分布式架构中粒子滤波与卡尔曼滤波实现的差异，在采用分布式EKF的条件下，若需保证精度，与粒子滤波不同的是需要引入航向信息作为观测量，从而在减少计算量同时保证可观性的条件下，本方法通过航向引入的方式建立分布式扩展卡尔曼滤波的模型，设计相应的滤波器实现方式，并通过实验验证本算法的真实有效性；首先，引入航向信息的系统模型阐述如下：关于引入航向信息...
【技术特征摘要】
1.基于航向辅助分布式SLAM的机器人自主导航方法，其特征在于：在每个路标点信息送入各自子滤波器的方式下，改变观测模型的结构，在不添加每个分布式子滤波器中路标点个数的条件下，将航向信息作为状态量融合到整个的扩展卡尔曼滤波过程中，下文将论述分布式架构中粒子滤波与卡尔曼滤波实现的差异，在采用分布式EKF的条件下，若需保证精度，与粒子滤波不同的是需要引入航向信息作为观测量，从而在减少计算量同时保证可观性的条件下，本方法通过航向引入的方式建立分布式扩展卡尔曼滤波的模型，设计相应的滤波器实现方式，并通过实验验证本算法的真实有效性；首先，引入航向信息的系统模型阐述如下：关于引入航向信息的机器人状态矩阵描述如下：xv＝[xv,yv,φv,xL,yL]T，其中，xv,yv表示机器人坐标值，φv表示机器人航向角，φv＝0表示指向x轴正向，φv＝π/2表示指向y轴正向；xL,yL表示探测得到的路标点坐标值，则系统的状态转移模型如下：以上转移矩阵中的参数与车体及里程计的固定参数有关，式中xv＝[xv,yv,φv,xL,yL]T为机器人在t时刻的位姿及路标点位置,ΔT为时间变化量，vc为机器人移动速度，α为机器人车轮转角，L为两轮轴间距；扩展卡尔曼滤波的量测更新结果是由激光传感器测得的路标点距离信息及磁罗盘测得的本体航向信息计算得到的，针对激光传感器及磁罗盘给出机器人的观测模型，观测量分别t时刻第k个路标点相对于传感器的距离，角度以及所测得的航向；获得路标点的观测模型如下：其中，mL,x,mL,y表示测量到的路标点相对于xv,yv的测量信息；在分布式框架下，带有航向信息的各子滤波器的模型如下：…………其中，γ为高斯白噪声，每个子滤波器中对应的SLAM状态向量分为机器人位姿估计和路标估计共五维状态，即每次状态转移矩阵包含的信息由机器人本体的位置信息与一个路标点的位置信息决定；其中各子滤波器状态向量xv＝[xv,yv,φv,xL,yL]T，h(xv(t),mn)表示t时刻，根据该时刻机器人状态向量xv(t)和对应的测量信息mn所估计的第n个路标点的测量信息；分布式结构的滤波方式分为粒子滤波PF和扩展卡尔曼滤波EKF，PF属于非线性滤波方法，解决SLAM这种非线性模型问题具有精度上的优势，但其计算量较大，并较难移植到实时性较高的移动平台上；对于PF，根据各子滤波器中粒子群的预测分布，针对各种传感器的模型近似利用蒙特卡洛法模拟粒子分布，然后对每个子滤波器中的粒子进行重要性权值估计如式(4)所示；根据公式(4)得到的权值可见，权值反映各个子滤波器中粒子的分布情况，并且由观测信息zt和根据状态向量估计的所近似的分布计算得来，每个子滤波器虽然只利用单一路标点进行滤波估计，但由于PF的权值由概率分布模型决定，并不是基于线性模型迭代计算得到，而是模拟概率统计的模型得到，故可观测性得到保证；根据权重值更新，可输出t时刻第j个子滤波器的位姿估计结果如式(5)根据子滤波器位姿结果，进行主滤波器的融合；如式(6)及式(7)所示；其中，最终位姿估计xt由子滤波器估计结果融合而来，融合系数由各子滤波器有效粒子数决定；根据以上各式可知，PF算法整个计算过程均与子滤波器估计的概率分布有关，可观测性的问题并不像EKF算法影响显著，但其精度随着滤波器所使用的粒子数的增加而增加，所以，若想要保证良好的精度，往往滤波器所需的粒子数也较多，即计算的次数要远远大于其他非统计型的滤波方法；考虑到计算量的问题，选用相对计算量可控的EKF算法，提高系统的实时性，而分布式架构又能很好的提高系统的容错性及计算性能；故采用分布式架构上使用EKF的方法可以充分发挥两者优势，即每个滤波器采用固定的路标点个数，防止过多动态重构的发生，并且每个滤波器使用EKF进行滤波；该种解决方案虽然最大程度地发挥了两者的优点，但不可忽视的是，EKF方法将非线性模型转化为线性模型，根据线性模型的可观测性的特质，如果滤波器中只有一个观测点或多个观测点但共线时，系统的可观测性会受到影响，无法满足滤波的可观要求，为了兼...
【专利技术属性】
技术研发人员：裴福俊，程雨航，武小平，严鸿，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。