隨著移動(dòng)機(jī)器人的應(yīng)用越來(lái)越廣泛,機(jī)器人精準(zhǔn)的定位與精確導(dǎo)航也變得越來(lái)越重要,為機(jī)器人在復(fù)雜應(yīng)用場(chǎng)景中的作業(yè)提供了重要的保障。當(dāng)前的機(jī)器人位姿估計(jì)大多依賴(lài)外感式傳感器,而對(duì)于一些如水下、管道等特殊場(chǎng)景,無(wú)法使用這些傳感器,需要采用間接測(cè)量的方法使用概率推算來(lái)估計(jì)機(jī)器人的位姿。目前自主移動(dòng)機(jī)器人尚無(wú)法做到完全獨(dú)立自主的運(yùn)動(dòng),大多依賴(lài)人工控制和路徑規(guī)劃,需要提前知道環(huán)境地圖。本文針對(duì)上述問(wèn)題使用概率推算機(jī)器人的位姿,并利用AprilTag實(shí)現(xiàn)機(jī)器人的同時(shí)定位與地圖構(gòu)建（SLAM,Simultaneous Localization and Mapping）。本文主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:本文采用慣導(dǎo)（IMU,Inertial Measurement Unit）、編碼器、激光雷達(dá)、攝像頭為主要傳感器搭建了實(shí)驗(yàn)小車(chē)平臺(tái)。首先結(jié)合小車(chē)IMU和編碼器數(shù)據(jù)信息進(jìn)行小車(chē)的位姿估計(jì)。使用拓展卡爾曼濾波（EKF,Extended Kalman Filter）結(jié)合IMU和編碼器進(jìn)行位姿的推算,用測(cè)量值校正誤差,通過(guò)不斷迭代預(yù)測(cè)下一時(shí)刻的位姿。使用機(jī)器人操作系統(tǒng)（ROS,Robot Operating Syste... 

【文章來(lái)源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與選題意義
    1.2 研究現(xiàn)狀
    1.3 本文主要研究工作
第二章 機(jī)器人定位與導(dǎo)航
    2.1 基于地圖匹配定位方法
        2.1.1 基于幾何的地圖匹配
        2.1.2 基于拓?fù)涞牡貓D匹配
    2.2 基于標(biāo)識(shí)的定位方法
        2.2.1 Aruco
        2.2.2 基于視覺(jué)的特征匹配
    2.3 基于概率估算的定位方法
        2.3.1 蒙特卡洛定位
        2.3.2 馬爾可夫定位
    2.4 本章小結(jié)
第三章 基于EKF的機(jī)器人狀態(tài)估計(jì)
    3.1 機(jī)器人建模
        3.1.1 Ackerman模型
        3.1.2 IMU模型
    3.2 狀態(tài)估計(jì)
        3.2.1 誤差模型
        3.2.2 狀態(tài)估計(jì)流程
    3.3 實(shí)驗(yàn)平臺(tái)
        3.3.1 慣導(dǎo)
        3.3.2 編碼器
        3.3.3 樹(shù)莓派虛擬內(nèi)存
        3.3.4 ROS框架
    3.4 實(shí)驗(yàn)和結(jié)果分析
    3.5 本章小結(jié)
第四章 基于APRILTAG的機(jī)器人自主SLAM
    4.1 APRILTAG
        4.1.1 算法流程
        4.1.2 相機(jī)模型
        4.1.3 相機(jī)標(biāo)定
    4.2 2D激光SLAM
        4.2.1 RBPF
        4.2.2 Gmapping激光建圖
        4.2.3 激光模型
    4.3 實(shí)驗(yàn)和結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
附錄 :攻讀碩士期間參加的項(xiàng)目及成果



本文編號(hào)：3151223