论文部分内容阅读
自主导航技术是自主机器人在未知环境中稳定运行的根本保证，而自身位姿确定与对环境地图的构建是机器人实现自主导航的两个核心问题。本文以基于激光雷达的自主机器人自主导航问题为主要研究对象，针对集中式同时定位与制图（SLAM）算法存在的计算量大、鲁棒性、容错性差等问题，对基于分布式粒子滤波的SLAM算法展开研究，主要完成了以下研究内容：首先，本文以机器人自主导航技术为出发点，介绍了SLAM的基本原理和所解决的问题，进而概括了粒子滤波的原理，重点介绍了粒子滤波的关键步骤，详细论述了基于粒子滤波的集中式SLAM算法的基本模型和实现方法，最后对基于粒子滤波的集中式SLAM算法进行了深入分析。其次，本文设计了基于改进分布式粒子滤波的SLAM算法。该算法对分布式粒子滤波进行了两方面的改进：1）根据真实的粒子分布的方差，自适应地生成重要性函数，使之与先验分布重叠区域更大；2）综合新息融合方法和有效粒子数融合方法，提出了一种改进式的主滤波器融合方法。通过仿真实验证明，改进算法能有效地提高分布式SLAM算法的鲁棒性、稳定性和抗干扰能力。再次，本文将RBPF-SLAM算法与分布式SLAM思想相结合，提出了基于分布式RBPF的SLAM算法。该算法依据RBPF原理将SLAM系统分为位姿状态估计和地图维护两个子部分，并分别采用分布式粒子滤波器实现位姿状态估计，而采用联邦Kalman滤波完成地图维护任务，通过仿真实验可以看出该算法有效降低了分布式粒子滤波SLAM算法的计算量和实现难度。最后，本文将UPF的思想引入到分布式RBPF算法中，利用UPF取代分布式RBPF算法中的粒子滤波器，提出了基于分布式RBUPF的SLAM算法。在此基础上，提出了继承初始化方法来生成新加入子UPF滤波器的初始粒子分布，即基于当前各个子UPF滤波器的粒子分布来融合估算新加入子UPF滤波器的粒子的初始分布，并对分布式RBUPF算法的收敛性进行理论证明，最后的仿真实验证明分布式RBUPF算法具有更好的稳定性和收敛速度。