本文關鍵詞：基于貝葉斯濾波器的移動機器人同時定位與地圖創(chuàng)建算法研究　出處：《浙江大學》2016年博士論文　論文類型：學位論文

  更多相關文章： 同時定位與地圖創(chuàng)建 貝葉斯估計 高斯濾波器 粒子濾波器 概率假設密度濾波器 隨機有限集 魯棒優(yōu)化 粒子重采樣

【摘要】：隨著人工智能技術的不斷發(fā)展,移動機器人在制造工業(yè)、國防軍事、航天航空、衛(wèi)生醫(yī)療、家庭服務等領域中得到了廣泛的應用。移動機器人的同時定位與地圖創(chuàng)建是目前機器人學的熱點研究課題之一,它是移動機器人實現真正意義上的自主化和智能化的關鍵前提。由于移動機器人的實際作業(yè)環(huán)境中存在各種不確定干擾因素,其測量系統(tǒng)的噪聲往往具有非高斯重尾分布或者參數先驗信息未知等特性。在這些復雜未知環(huán)境下,傳統(tǒng)的基于貝葉斯濾波估計技術的同時定位與地圖創(chuàng)建算法性能受到了嚴重影響,其定位精度、地圖準確性和計算效率無法滿足實際應用的需求。為了提高傳統(tǒng)算法在復雜未知環(huán)境下的估計性能,本文分別對基于高斯濾波器、粒子濾波器和概率假設密度濾波器的同時定位與地圖創(chuàng)建算法進行了改進研究,具體內容包括:(1)從貝葉斯濾波估計角度出發(fā),分別對基于高斯濾波器、粒子濾波器和概率假設密度濾波器的同時定位與地圖創(chuàng)建算法進行了分析總結,為后續(xù)改進相應算法的研究工作提供了理論基礎。(2)對測量系統(tǒng)噪聲為非高斯重尾分布時的同時定位與地圖創(chuàng)建算法進行了研究,提出了一種基于統(tǒng)計線性回歸魯棒優(yōu)化的同時定位與地圖創(chuàng)建算法。首先,基于平方根容積卡爾曼濾波器對聯(lián)合狀態(tài)向量進行預測估計。然后,將狀態(tài)的測量更新方程轉換成等價的統(tǒng)計線性回歸形式,并利用廣義最大似然估計法計算當前測量殘差向量對應的增益權值矩陣。最后,通過迭代重加權最小平方法對聯(lián)合狀態(tài)的后驗均值和協(xié)方差平方根因子進行估計。(3)對FastSLAM算法中采樣粒子質量差和計算效率低的問題進行了研究,提出了 一種改進粒子提議分布估計及粒子重采樣方法的UFastSLAM算法。首先,將控制噪聲和測量噪聲同時增廣至機器人位姿狀態(tài)向量中,并采用平方根轉換無味卡爾曼濾波器對最優(yōu)粒子提議分布進行估計。然后,根據該粒子提議分布對機器人位姿狀態(tài)進行采樣和特征地圖的狀態(tài)更新。最后,在粒子重采樣階段,采用基于KL散度的自適應粒子重采樣方法確定當前時刻所需的粒子個數。(4)對環(huán)境中同時存在雜波干擾和未知測量噪聲方差的同時定位與地圖創(chuàng)建算法進行了研究,提出了一種同時估計未知測量噪聲方差的隨機有限集的同時定位與地圖創(chuàng)建算法。首先,將地圖特征和測量噪聲方差的聯(lián)合后驗強度表示成逆伽馬分布和高斯分布的乘積加權和形式,并通過變分貝葉斯近似方法對相關參數進行迭代更新。然后,對聯(lián)合后驗分布混合項進行刪減、合并操作以實現地圖特征位置狀態(tài)和個數的估計。最后,根據單特征策略計算粒子權值并對機器人的位姿狀態(tài)進行估計。
[Abstract]:With the continuous development of artificial intelligence technology, mobile robots in the manufacturing industry, national defense and military, aerospace, health care. Home service and other fields have been widely used. Simultaneous location and map creation of mobile robot is one of the hot research topics in robotics. It is the key premise for mobile robot to realize independence and intelligence in real sense, because of various uncertain interference factors in the actual working environment of mobile robot. The noise of the measurement system often has the characteristics of non-#china_person0# heavy-tail distribution or the unknown prior information of parameters, etc., in these complex unknown environments. The performance of traditional simultaneous location and map creation algorithms based on Bayesian filtering estimation is seriously affected, and its location accuracy is greatly affected. Map accuracy and computational efficiency can not meet the needs of practical applications. In order to improve the performance of traditional algorithms in complex unknown environment, this paper respectively based on Gao Si filter. Particle filter and probability hypothetical density filter are used to improve the algorithm of location and map creation. The specific contents include: 1) from Bayesian filter estimation point of view, respectively based on Gao Si filter. The algorithms of particle filter and probability hypothetical density filter are analyzed and summarized. This paper provides a theoretical basis for the further research of improving the corresponding algorithm. (2) the algorithm of simultaneous location and map creation when the measurement system noise is non-#china_person0# heavy-tailed distribution is studied. A new algorithm of simultaneous location and map creation based on statistical linear regression robust optimization is proposed. Firstly, the joint state vector is estimated based on square root volume Kalman filter. The state updating equation is transformed into an equivalent statistical linear regression form, and the gain weight matrix corresponding to the current measurement residual vector is calculated by using the generalized maximum likelihood estimation method. Finally. The posterior mean and covariance square root factor of joint state are estimated by iterative reweighted minimum square method. The problems of poor sampling particle mass and low computational efficiency in FastSLAM algorithm are studied. In this paper, an improved UFastSLAM algorithm for particle proposal distribution estimation and particle resampling is proposed. Firstly, the control noise and the measurement noise are extended to the pose state vector of the robot at the same time. And the square root transform tasteless Kalman filter is used to estimate the optimal particle proposed distribution. Then, the robot pose state is sampled and the status of the feature map is updated according to the particle proposed distribution. At the particle resampling stage. An adaptive particle resampling method based on KL divergence is used to determine the number of particles needed at the current time. In this paper, the simultaneous location and map creation algorithms of clutter interference and unknown measurement noise variance in the environment are studied. A simultaneous localization and map creation algorithm is proposed for simultaneous estimation of random finite sets of unknown measurement noise variances. The joint posterior strength of map feature and measurement noise variance is expressed as the product weighted sum of inverse gamma distribution and Gao Si distribution, and the relevant parameters are updated iteratively by variational Bayesian approximation. The joint posterior distribution mixed items are deleted and combined to estimate the position and number of map features. Finally the particle weight is calculated according to the single feature strategy and the position and pose state of the robot is estimated.
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP242

【相似文獻】

相關期刊論文 前10條

1 苑晶;黃亞樓;陶通;習白羽;;基于局部子地圖方法的多機器人主動同時定位與地圖創(chuàng)建[J];機器人;2009年02期

2 梁明杰;閔華清;羅榮華;;基于圖優(yōu)化的同時定位與地圖創(chuàng)建綜述[J];機器人;2013年04期

3 王玲;房雅洪;王明輝;;可變形機器人在線同步定位與地圖創(chuàng)建系統(tǒng)的設計與實現[J];制造業(yè)自動化;2013年14期

4 趙立軍;孫立寧;李瑞峰;葛連正;;室內環(huán)境下同步定位與地圖創(chuàng)建改進算法[J];機器人;2009年05期

5 李陽銘;孟慶虎;梁華為;李帥;陳萬明;;基于粒子濾波的無線傳感器網絡輔助同步定位與地圖創(chuàng)建方法研究[J];機器人;2008年05期

6 張路金;孫煒;;基于環(huán)境特征的機器人同時定位與地圖創(chuàng)建[J];微計算機信息;2009年08期

7 溫安邦;吳懷宇;趙季;;基于掃描匹配預處理的即時定位與地圖創(chuàng)建[J];計算機工程與應用;2009年33期

8 王楠;馬書根;李斌;王明輝;趙明揚;;面向廢墟內部震害形態(tài)的同步定位與地圖創(chuàng)建[J];科學通報;2013年S2期

9 劉利枚;蔡自興;潘薇;;一種基于聲納信息的地圖創(chuàng)建方法[J];計算機工程;2009年07期

10 郗安民;王琦;孫學彬;;一種有效的地圖創(chuàng)建方法和機器人的路徑規(guī)劃[J];機械設計;2010年01期

相關重要報紙文章 前1條

1 本報記者 陳云芬　李啟昌;發(fā)明展搭建創(chuàng)新交流的平臺[N];云南日報;2009年

相關博士學位論文 前8條

1 滿增光;基于激光雷達的室內AGV地圖創(chuàng)建與定位方法研究[D];南京航空航天大學;2014年

2 徐巍軍;基于貝葉斯濾波器的移動機器人同時定位與地圖創(chuàng)建算法研究[D];浙江大學;2016年

3 李陽銘;非確定環(huán)境中魯棒地圖創(chuàng)建方法研究[D];中國科學技術大學;2010年

4 曹紅玉;基于信息融合的移動機器人定位與地圖創(chuàng)建技術研究[D];北京郵電大學;2010年

5 郭利進;大尺度環(huán)境下移動機器人同時定位與地圖創(chuàng)建研究[D];天津大學;2007年

6 高健;DSmT信息融合技術及其在機器人地圖創(chuàng)建中的應用[D];華中科技大學;2009年

7 周武;面向智能移動機器人的同時定位與地圖創(chuàng)建研究[D];南京理工大學;2009年

8 郭劍輝;移動機器人同時定位與地圖創(chuàng)建方法研究[D];南京理工大學;2008年

相關碩士學位論文 前10條

1 袁梅;移動機器人同時定位與地圖創(chuàng)建算法研究[D];燕山大學;2015年

2 馬洪斌;基于RGB-D傳感器的增進式融合地圖研究[D];中國礦業(yè)大學;2016年

3 卜燕;基于ROS的移動機器人地圖創(chuàng)建方法與應用研究[D];西南科技大學;2016年

4 譚小華;移動機器人三維面特征地圖創(chuàng)建關鍵技術研究[D];湖南大學;2016年

5 余媛;面向托卡馬克部件轉運車的地圖創(chuàng)建與導航方法研究[D];上海交通大學;2015年

6 蔣燕;基于多傳感器信息融合的同步定位與地圖創(chuàng)建研究[D];湘潭大學;2009年

7 郭睿;多移動機器人系統(tǒng)地圖創(chuàng)建技術研究[D];山東大學;2008年

8 房雅洪;面向室內復雜環(huán)境的同步定位與地圖創(chuàng)建系統(tǒng)研究[D];沈陽理工大學;2014年

9 渠瀛;基于激光測距儀的移動機器人二維地圖創(chuàng)建問題研究[D];國防科學技術大學;2009年

10 劉潔;基于不確定信息處理的機器人地圖創(chuàng)建[D];東北電力大學;2006年

，

本文編號：1358303