论文部分内容阅读
近年来随着社会对机器人自主化要求的不断提高,自主导航逐渐成为机器人领域新的研究热点之一。为了真正实现机器人的自主导航,必须将定位和制图两个核心技术统一考虑并加以解决,令机器人具备同步定位与地图构建(SLAM)的能力。本文对移动机器人的同步定位与地图构建问题进行了研究,针对FastSLAM2.0经典算法中的重要性函数选取问题及粒子退化和粒子耗尽问题,提出了三种基于改进粒子滤波的SLAM算法,主要工作具体如下：首先,对移动机器人系统进行了建模,如机器人运动模型、观测模型、地图模型、噪声模型等,然后在此基础上详细分析了两种经典SLAM算法(EKF-SLAM算法和FastSLAM2.0算法)的理论基础以及应用步骤,并通过仿真实验进行了结果的对比分析,为后续改进算法性能评价提供参照对象。其次,针对FastSLAM2.0算法利用EKF求取重要性概率密度函数时容易产生线性化误差的问题,提出了基于补偿扩展卡尔曼粒子滤波的快速SLAM算法(CEKPF-SLAM),该算法通过对EKF造成的线性化误差进行补偿,从而使重要性概率密度函数更逼近真实的后验概率密度,进一步提高算法的精度,通过仿真实验证明了该算法的有效性。然后,在CEKPF-SLAM算法的基础上,针对粒子退化及粒子耗尽问题,提出了两种改进快速SLAM算法：基于裂变自举粒子滤波的快速SLAM算法(FBPF-SLAM)和基于权值优化组合粒子滤波的快速SLAM算法(WOCPF-SLAM),这两种算法均从重采样方而对原算法进行改进,FBPF-SLAM算法在重采样之前对粒子集进行权值排序、裂变繁殖和权值归一(SFN)的预处理以延缓粒子耗尽趋势,提高算法的鲁棒性；WOCPF-SLAM算法在重采样之前对粒子群的均值进行优化组合,减少丢弃粒子数以增加样本的多样性,提高算法的精度和鲁棒性,通过仿真实验验证了这两种算法的有效性。最后,对全文进行了总结并对进一步研究方向进行展望。