一种基于改进RBPF-SLAM算法的多传感器融合SLAM方法技术

本发明专利技术公开了一种基于改进RBPF

【技术实现步骤摘要】
一种基于改进RBPF
‑
SLAM算法的多传感器融合SLAM方法


[0001]本专利技术涉及移动机器人定位与建图
，具体是一种基于改进RBPF
‑
SLAM算法的多传感器融合SLAM方法。

技术介绍

[0002]近年来，随着机器人技术的迅猛发展，移动机器人在制造业、工业以及服务业等各个领域的应用越来越广泛，同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术是移动机器人实现自主路径规划的核心。粒子滤波(ParticleFilter,PF)是一种基于蒙特卡洛原理的非线性非高斯系统的递归贝叶斯滤波算法，用一系列通过后验概率分布随机采样的状态粒子近似表示后验概率分布，其在目标定位方面有着很强的优越性，自然被应用到了对SLAM的研究中。Thrun等人将粒子滤波算法引入到移动机器人的SLAM问题中，通过赋予粒子权值得到机器人系统状态的后验概率分布，使定位更加精确，但随着粒子数量的增加，构建地图复杂度增加。
[0003]为了解决粒子滤波算法中存在的构建地图效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进RBPF
‑
SLAM算法的多传感器融合SLAM方法，其特征在于，包括如下步骤：步骤一、通过移动机器人搭载的激光雷达传感器获取周围环境信息，利用基于EKF的多传感器融合算法融合轮式里程计数据与IMU数据作为初始位姿信息，利用所述初始位姿信息构建移动机器人的运动模型；步骤二、计算提议分布时在里程计信息中添加激光雷达观测模型，将激光雷达观测模型与移动机器人运动模型进行融合得到改善的建议分布函数，从改善的建议分布函数中进行粒子的采样；步骤三、引入阈值判断有效粒子数目简化重采样步骤，不断更新地图完成不同场景下的栅格地图构建实验。2.根据权利要求1所述的一种基于改进RBPF
‑
SLAM算法的多传感器融合SLAM方法，其特征在于，所述步骤一中：移动机器人k时刻的位姿如公式(1)所示：x
k
＝(X
k
,Y
k
,θ,v
x
,v
y
,ω)
T
ꢀꢀꢀꢀ
(1)式中，X
k
,Y
k
,θ表示机器人在世界坐标系下的坐标及其与初始方向的夹角，v
x
表示x轴方向上机器人的移动速度，v
y
表示y轴方向上移动机器人的移动速度，ω为机器人的旋转角度；扩展卡尔曼滤波下对应的系统状态转移方程如公式(2)所示：轮式里程计的观测方程如公式(3)所示：z
ok
＝H
ok
x
k
＝I6(X
k
,Y
k
,θ,v
x
,v
y
,ω)
T
+w
ok
(d)
ꢀꢀꢀꢀ
(3)式中H
ok
表示轮式里程计的观测矩阵，I6为单位6阶矩阵，w
ok
(d)为预测误差的协方差矩阵且服从N(0,R
o
(d))分布；惯性测量单元IMU的观测方程如公式(4)所示：式中H
ik
表示IMU的观测矩阵，w
ik
(d)为IMU数据的观测误差的协方差矩阵且服从N(0,R
i
(d))分布。3.根据权利要求2所述的一种基于改进RBPF
‑
SLAM算法的多传感器融合SLAM方法，其特征在于，所述步骤一中，基于EKF的多传感器融合算法具体为：(1)获取轮式里程计与IMU的传感器数据；(2)利用轮式里程计的非线性模型构建扩展卡尔曼滤...

【专利技术属性】
技术研发人员：周锋，李楠，姚凯文，吴瑞琦，刘海波，王如刚，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：