论文部分内容阅读
机器人将微电子技术、自动控制、传感器技术、人工智能及计算机技术等学科交叉结合,成为一门新的高新技术前沿学科,吸引着大量国内外学者进行拓展与研究。而移动机器人技术是该领域的一个重要组成部分,其主要研究目的是使移动机器人能够在未知环境下,通过自身配备的感知性传感器,实现一些自主运动,完成指定的一些工作。其中,智能导航研究的目标就是机器人在完全自主情况下,根据事先设定有目的得移动到指定位置并完成特定任务或进行特定操作。机器人的实时定位与地图构建是智能导航的基础。机器人在自身位置不确定的条件下,在完全未知的环境中,自主地定位并绘制出环境的地图,在此基础上进行导航。这就是移动机器人的实时定位与建图(SLAM)问题。本文主要是对UKF-SLAM算法进行改进,提高UKF-SLAM算法的估计精度,并同时降低了计算复杂度。然后建立室内机器人实验平台对算法进行应用研究。论文的主要研究内容包括：首先,用于SLAM研究的移动机器人及环境进行数学建模。分别建立机器人的运动模型、观测模型,环境的特征地图及其增广模型。同时用噪声模型对不确定性噪声进行处理。其次,介绍了卡尔曼滤波进行理论基础,并站在统计学的角度去分析SLAM问题。对基于扩展卡尔曼滤波的SLAM以及基于无迹卡尔曼滤波的SLAM两种常用算法分别进行阐述,并在MATLAB环境下,对两种算法进行仿真对比实验,并分析实验结果。然后,根据UKF-SLAM算法存在的计算机的舍入误差带来的滤波器发散,使用协方差平方根更新替代协方差更新；并针对对称采样的采样点较多,实时性差且易产生非局部效应等问题,变换采样策略为比例最小偏度单行采样,从而提出了基于比例最小偏度采样的平方根UKF-SLAM算法。并通过算法仿真实验验证其在估计精度和计算复杂度方面的优越性。最后,使用里程计、陀螺仪、激光雷达等传感器在机器人上搭建SLAM实验平台。将机器人位姿以及环境特征地图增广为状态向量,由激光雷达得到初始环境数据,以及里程计、陀螺仪得到的初始位姿作为观测数据,使用改进后的UKF-SLAM算法在建立的实验平台上进行应用实验,得到实时更新的机器人位姿及环境特征地图,从而证明了算法在实际应用中的有效性。