论文部分内容阅读
非确定性环境中的地图创建是一个重要而又没有得以解决的问题。为了提高非确定性环境中地图创建系统的鲁棒性,本文对同步定位与地图创建(SLAM: Simultaneous localization and mapping问题的多个角度进行深入讨论和研究。去除环境的歧义性是提高鲁棒性的关键。本文首先提出了一种针对激光测距仪的基于Harris特征点探测法的新方法,这种方法可以在几乎没有先验信息的情况下从非结构化环境中提取高度稳定和具有高重复度的特征。与传统方法相比,本文提出的方法可以普遍的适用于几乎所有环境之中,提取出更为丰富的环境特征,与此同时,探测到的特征具有自身的属性,对特征的基于属性的选择可以在不显著增加系统负担的前提下提高系统的鲁棒性。数据关联方法的鲁棒性直接影响着地图创建系统的鲁棒性。本文提出了一种解耦的联合相容性验证方法。该方法充分利用了观测中距离和角度噪声的独立性和系统状态预测步骤中不确定性单调递增的性质,通过将预测位姿与匹配位姿之间的新息引入数据关联过程对数据关联问题进行了分解,从而在保证方法鲁棒性的同时将数据关联的复杂度从O(pn2)降低到O(d2p),此处p,n和d分别表示数据关联对的总量,路标点的总量和环境的维数。针对动态环境对地图创建系统鲁棒性的巨大影响,本文提出了一种基于Hopfield神经网络的SLAM求解方法。这种方法采用了一种生物激励的策略-强化记忆和逐渐遗忘,而不是显示的去区分动态和静态障碍物。这种新策略去除了传统动态SLAM方法对动态目标的速度、数量等的要求,提高了对环境的识别能力,提高了创建地图的一致性,从而极大的增强了地图创建系统的鲁棒性。为了应对地图创建过程中可能遇到的不可预测因素对地图创建的影响,如机器人绑架,本文提出了一种松散耦合的无线传感器网络辅助的SLAM架构。该架构在应用对鲁棒性要求极高且不存在全局定位系统的情况下,让机器人在地图创建的过程中动态布撒无线传感器网络节点并对其定位。这些节点构成的网络对环境的划分可以降低环境的歧义性,对机器人位姿进行纠错,从而提高系统抵御不可预测影响的能力。本文在软件仿真、真实环境和经典数据集中验证了文中所提出的方法的有效性和效率。这些方法可以单独的应用于地图创建问题的多个方面,同时又是一个可以用以构建地图创建系统的有机整体。