移動(dòng)機(jī)器人同步定位與建圖(SLAM)是機(jī)器人領(lǐng)域重要的研究方向,也是移動(dòng)機(jī)器人實(shí)現(xiàn)自主導(dǎo)航的關(guān)鍵技術(shù)之一。隨著人工智能和機(jī)器人硬件技術(shù)的不斷提升,SLAM技術(shù)逐漸向多元化發(fā)展,主要包括基于二維激光的SLAM和視覺(jué)SLAM等。在相對(duì)復(fù)雜的環(huán)境中,移動(dòng)機(jī)器人可以利用自身搭載的多種傳感器進(jìn)行同步定位與建圖,如二維激光測(cè)距儀、深度相機(jī)和IMU等。本文結(jié)合二維激光SLAM和視覺(jué)SLAM的特點(diǎn)以及所用各種傳感器的優(yōu)缺點(diǎn),研究并實(shí)現(xiàn)基于多源感知信息融合的移動(dòng)機(jī)器人SLAM,完成的主要研究?jī)?nèi)容如下:(1)對(duì)基于Rao-Blackwellized粒子濾波(RBPF)的二維激光SLAM進(jìn)行研究。針對(duì)傳統(tǒng)RBPF-SLAM算法的局限性,即里程計(jì)誤差較大和重采樣次數(shù)較多,提出基于擴(kuò)展卡爾曼濾波算法的里程計(jì)慣導(dǎo)信息融合算法,然后結(jié)合里程計(jì)慣導(dǎo)融合信息和觀測(cè)信息提出了基于多傳感器信息的混合提議分布,并進(jìn)行選擇性重采樣,實(shí)現(xiàn)對(duì)RBPF-SLAM算法的改進(jìn)。最后,通過(guò)仿真驗(yàn)證基于里程計(jì)慣導(dǎo)信息融合的RBPF-SLAM算法建圖的準(zhǔn)確性,通過(guò)實(shí)驗(yàn)證明了基于里程計(jì)慣導(dǎo)信息融合的RBPF-SLAM算法定位的準(zhǔn)確性。并在實(shí)際場(chǎng)...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景和意義
    1.2 課題研究歷史和現(xiàn)狀
        1.2.1 同步定位與建圖研究歷史和現(xiàn)狀
        1.2.2 基于多源感知信息融合的SLAM研究現(xiàn)狀
    1.3 多源感知信息融合方法概述
    1.4 本文章節(jié)安排
2 基于多傳感器的移動(dòng)機(jī)器人SLAM系統(tǒng)
    2.1 移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)
        2.1.1 傳感器介紹
        2.1.2 基于ROS的軟件框架
        2.1.3 基于Gazebo的仿真環(huán)境
    2.2 移動(dòng)機(jī)器人建模
        2.2.1 移動(dòng)機(jī)器人里程計(jì)模型
        2.2.2 移動(dòng)機(jī)器人運(yùn)動(dòng)模型
        2.2.3 移動(dòng)機(jī)器人激光觀測(cè)模型
    2.3 移動(dòng)機(jī)器人地圖形式
    2.4 本章小結(jié)
3 基于里程計(jì)慣導(dǎo)信息融合的激光SLAM
    3.1 基于Rao-Blackwellized粒子濾波的激光SLAM
        3.1.1 貝葉斯濾波算法
        3.1.2 粒子濾波算法
        3.1.3 Rao-Blackwellized粒子濾波算法
        3.1.4 RBPF-SLAM的局限性
    3.2 基于擴(kuò)展卡爾曼濾波的里程計(jì)慣導(dǎo)信息融合
        3.2.1 擴(kuò)展卡爾曼濾波算法
        3.2.2 里程計(jì)慣導(dǎo)融合算法
    3.3 基于里程計(jì)慣導(dǎo)信息融合的RBPF-SLAM算法
        3.3.1 基于多傳感器信息的混合提議分布
        3.3.2 選擇性重采樣
        3.3.3 基于里程計(jì)慣導(dǎo)信息融合的RBPF-SLAM算法流程
    3.4 ROS中基于里程計(jì)慣導(dǎo)信息融合的激光SLAM實(shí)現(xiàn)
    3.5 仿真與實(shí)驗(yàn)結(jié)果分析
        3.5.1 仿真結(jié)果與分析
        3.5.2 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
4 基于激光視覺(jué)信息融合的障礙物檢測(cè)與地圖構(gòu)建
    4.1 激光測(cè)距儀與深度相機(jī)標(biāo)定
    4.2 激光視覺(jué)信息融合方法
        4.2.1 利用深度圖像提取偽激光數(shù)據(jù)
        4.2.2 激光數(shù)據(jù)過(guò)濾
        4.2.3 激光數(shù)據(jù)融合
        4.2.4 激光視覺(jué)信息融合算法
    4.3 ROS中基于激光視覺(jué)信息融合的激光SLAM實(shí)現(xiàn)
    4.4 仿真結(jié)果與分析
    4.5 本章小結(jié)
5 基于Fusion-PnP算法的視覺(jué)SLAM
    5.1 視覺(jué)SLAM關(guān)鍵技術(shù)
        5.1.1 視覺(jué)SLAM框架
        5.1.2 ORB特征提取
        5.1.3 后端圖優(yōu)化
        5.1.4 基于詞袋模型的回環(huán)檢測(cè)
    5.2 ORB_SLAM2算法
    5.3 基于二維位姿的Fusion-PnP算法
        5.3.1 PnP算法
        5.3.2 Fusion-PnP算法
    5.4 ROS中基于Fusion-PnP算法的視覺(jué)SLAM實(shí)現(xiàn)
    5.5 實(shí)驗(yàn)結(jié)果與分析
    5.6 本章小結(jié)
6 全文總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：3802415