隨著時代發(fā)展,移動機器人在社會中的應(yīng)用越發(fā)廣泛。其中機器人的自主能力是評價機器人性能的重要指標之一。本文以移動機器人重啟動的為研究起點,以地圖構(gòu)建、基于概率模型的移動機器人定位以及基于深度學習的移動機器人定位為研究重點。其中同時定位與建圖主要為機器人提供先驗環(huán)境信息、基于深度學習的定位方法用來預(yù)測機器人所處環(huán)境中的位置、概率模型則用來對機器人的位姿精度進一步的優(yōu)化。在移動機器人地圖構(gòu)建的研究中,本文對比研究了基于lackwelli-RaozedB的粒子濾波構(gòu)圖算法和谷歌開源的Cartographer地圖構(gòu)建算法。其中基于lackwelli-RaozedB粒子濾波的構(gòu)圖算法計算復雜度較低,在機器人平臺上運行的實時性較好。而Cartographer構(gòu)圖算法在地圖的閉環(huán)優(yōu)化方面優(yōu)于lackwelli-RaozedB粒子濾波算法,其構(gòu)圖的精度較高、準確性較好。因此本文選擇谷歌開源的erCartograph同時定位與建圖算法為移動機器人的后續(xù)研究提供先驗地圖信息。本文首先提出改進粒子濾波算法,使用提出的圖形匹配算法或者區(qū)域預(yù)測出機器人所處環(huán)境中的大致位置,再使用局部粒子濾波算法推測機器人的精準位...

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀與未來發(fā)展趨勢
        1.2.1 同時定位與地圖構(gòu)建研究現(xiàn)狀
        1.2.2 面向室內(nèi)環(huán)境的移動機器人重定位研究現(xiàn)狀
        1.2.3 面向室外環(huán)境的移動機器人重定位研究現(xiàn)狀
    1.3 本文的主要工作及創(chuàng)新點
2 基于二維激光測距的先驗地圖構(gòu)建
    2.1 Rao-Blackwellized粒子濾波地圖構(gòu)建算法
    2.2 Cartographer地圖構(gòu)建算法
        2.2.1 子地圖的構(gòu)建
        2.2.2 子地圖全局優(yōu)化
    2.3 同時定位與地圖構(gòu)建實驗分析
        2.3.1 北京兆維集團實驗室環(huán)境實驗結(jié)果
        2.3.2 北京農(nóng)商銀行室內(nèi)環(huán)境實驗結(jié)果
        2.3.3 大連理工大學創(chuàng)新園大廈室內(nèi)環(huán)境實驗結(jié)果
3 基于概率模型的室內(nèi)機器人重定位
    3.1 傳統(tǒng)概率模型
        3.1.1 卡爾曼濾波
        3.1.2 基于拓展卡爾曼濾波的機器人定位
        3.1.3 基于粒子濾波的機器人定位
    3.2 基于圖形匹配與粒子濾波的機器人定位
        3.2.1 基于圖形匹配的粒子分布區(qū)域確定
        3.2.2 局部粒子分布策略
        3.2.3 實驗結(jié)果及討論
4 基于卷積神經(jīng)網(wǎng)絡(luò)的移動機器人重定位
    4.1 基于二維激光測距輕量化重定位
        4.1.1 二維激光數(shù)據(jù)表述
        4.1.2 輕量化卷積神經(jīng)網(wǎng)絡(luò)設(shè)計
        4.1.3 基于粒子濾波的重定位精度再優(yōu)化
        4.1.4 實驗結(jié)果及分析
    4.2 基于三維激光測距及深度卷積神經(jīng)網(wǎng)絡(luò)重定位
        4.2.1 三維激光投影
        4.2.2 深度神經(jīng)網(wǎng)絡(luò)位姿預(yù)模型
        4.2.3 實驗結(jié)果對比分析
5 總結(jié)與展望
參考文獻
攻讀碩士學位期間發(fā)表學術(shù)論文情況
課題資助情況
致謝



本文編號：3850135