论文部分内容阅读
在机器人研究领域,机器人的定位是最基本也是最重要的一项工作。不管是智能自主移动机器人,还是远程遥控机器人,机器人的执行机构都需要考虑机器人自身所处的位姿。室外环境的定位方式通常使用GPS定位,或者GPS/INS组合定位。然而普通GPS具有误差大,在隧道、高楼和树林里会因为遮挡而出现信号失锁现象。GPS/INS的组合定位,由于INS具有短期定位精度高,长时间会出现累积误差,因此,INS在一定程度上只能平滑定位数据,而定位精度的上限还是取决于GPS的定位精度。因此,本文针对这一情况,在GPS/INS组合定位的基础上,融合了基于Cartographer图优化方法的LIDAR-SLAM定位数据,从而实现GPS/INS/LIDAR组合定位系统。本文所做的工作分为四个部分:1.研究了组合导航定位领域常用的四种坐标系及推导了坐标系之间的转换公式。并且对惯性导航系统、全球定位系统、基于激光雷达的SLAM系统和紧耦合框架下的扩展卡尔曼滤波进行了研究和推导了相关公式。2.常用的SLAM框架有:Hector、Gmapping、LOAM和Cartographer,其中Hector不需要里程计信息,但是要求激光雷达扫描的频率要高;Gmapping严重依赖里程计信息,而且对计算设备内存要求较大,因此不适用与较大场景的建图;LOAM和Cartographer都是适用于室外环境的SLAM建图框架,但是LOAM没有回环检测和优化,因此,建图精度不如Cartographer。因此本文采用基于Cartographer的图优化算法框架,进而在第三章对图优化算法的原理进行了研究和对相关数学公式进行了推导,并使用公共数据进行了建图验证。3.对传统的GPS/IMU融合框架进行了研究,并使用公共数据,对算法进行了验证。但是定位精度提高得不是很显著,因此研究了基于紧耦合框架的GPS/INS/LIDAR联邦扩展卡尔曼滤波,并推导了相关迭代公式和给出了具体迭代步骤。4.根据GPS/INS/LIDAR组合定位的要求,搭建了移动机器人硬件平台,并验证了该平台可以进行数据采集与处理,进而实现了基于紧耦合框架的GPS/INS/LIDAR联邦扩展卡尔曼滤波的上层组合定位系统。该论文含有图36幅,表9个,参考文献71篇。