本文關(guān)鍵詞：基于貝葉斯濾波器的移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建算法研究　出處：《浙江大學(xué)》2016年博士論文　論文類型：學(xué)位論文

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

【摘要】：隨著人工智能技術(shù)的不斷發(fā)展,移動(dòng)機(jī)器人在制造工業(yè)、國(guó)防軍事、航天航空、衛(wèi)生醫(yī)療、家庭服務(wù)等領(lǐng)域中得到了廣泛的應(yīng)用。移動(dòng)機(jī)器人的同時(shí)定位與地圖創(chuàng)建是目前機(jī)器人學(xué)的熱點(diǎn)研究課題之一,它是移動(dòng)機(jī)器人實(shí)現(xiàn)真正意義上的自主化和智能化的關(guān)鍵前提。由于移動(dòng)機(jī)器人的實(shí)際作業(yè)環(huán)境中存在各種不確定干擾因素,其測(cè)量系統(tǒng)的噪聲往往具有非高斯重尾分布或者參數(shù)先驗(yàn)信息未知等特性。在這些復(fù)雜未知環(huán)境下,傳統(tǒng)的基于貝葉斯濾波估計(jì)技術(shù)的同時(shí)定位與地圖創(chuàng)建算法性能受到了嚴(yán)重影響,其定位精度、地圖準(zhǔn)確性和計(jì)算效率無法滿足實(shí)際應(yīng)用的需求。為了提高傳統(tǒng)算法在復(fù)雜未知環(huán)境下的估計(jì)性能,本文分別對(duì)基于高斯濾波器、粒子濾波器和概率假設(shè)密度濾波器的同時(shí)定位與地圖創(chuàng)建算法進(jìn)行了改進(jìn)研究,具體內(nèi)容包括:(1)從貝葉斯濾波估計(jì)角度出發(fā),分別對(duì)基于高斯濾波器、粒子濾波器和概率假設(shè)密度濾波器的同時(shí)定位與地圖創(chuàng)建算法進(jìn)行了分析總結(jié),為后續(xù)改進(jìn)相應(yīng)算法的研究工作提供了理論基礎(chǔ)。(2)對(duì)測(cè)量系統(tǒng)噪聲為非高斯重尾分布時(shí)的同時(shí)定位與地圖創(chuàng)建算法進(jìn)行了研究,提出了一種基于統(tǒng)計(jì)線性回歸魯棒優(yōu)化的同時(shí)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(duì)聯(lián)合狀態(tài)向量進(jìn)行預(yù)測(cè)估計(jì)。然后,將狀態(tài)的測(cè)量更新方程轉(zhuǎn)換成等價(jià)的統(tǒng)計(jì)線性回歸形式,并利用廣義最大似然估計(jì)法計(jì)算當(dāng)前測(cè)量殘差向量對(duì)應(yīng)的增益權(quán)值矩陣。最后,通過迭代重加權(quán)最小平方法對(duì)聯(lián)合狀態(tài)的后驗(yàn)均值和協(xié)方差平方根因子進(jìn)行估計(jì)。(3)對(duì)FastSLAM算法中采樣粒子質(zhì)量差和計(jì)算效率低的問題進(jìn)行了研究,提出了 一種改進(jìn)粒子提議分布估計(jì)及粒子重采樣方法的UFastSLAM算法。首先,將控制噪聲和測(cè)量噪聲同時(shí)增廣至機(jī)器人位姿狀態(tài)向量中,并采用平方根轉(zhuǎn)換無味卡爾曼濾波器對(duì)最優(yōu)粒子提議分布進(jìn)行估計(jì)。然后,根據(jù)該粒子提議分布對(duì)機(jī)器人位姿狀態(tài)進(jìn)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(yīng)粒子重采樣方法確定當(dāng)前時(shí)刻所需的粒子個(gè)數(shù)。(4)對(duì)環(huán)境中同時(shí)存在雜波干擾和未知測(cè)量噪聲方差的同時(shí)定位與地圖創(chuàng)建算法進(jìn)行了研究,提出了一種同時(shí)估計(jì)未知測(cè)量噪聲方差的隨機(jī)有限集的同時(shí)定位與地圖創(chuàng)建算法。首先,將地圖特征和測(cè)量噪聲方差的聯(lián)合后驗(yàn)強(qiáng)度表示成逆伽馬分布和高斯分布的乘積加權(quán)和形式,并通過變分貝葉斯近似方法對(duì)相關(guān)參數(shù)進(jìn)行迭代更新。然后,對(duì)聯(lián)合后驗(yàn)分布混合項(xiàng)進(jìn)行刪減、合并操作以實(shí)現(xiàn)地圖特征位置狀態(tài)和個(gè)數(shù)的估計(jì)。最后,根據(jù)單特征策略計(jì)算粒子權(quán)值并對(duì)機(jī)器人的位姿狀態(tài)進(jìn)行估計(jì)。
[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(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP242

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 苑晶;黃亞樓;陶通;習(xí)白羽;;基于局部子地圖方法的多機(jī)器人主動(dòng)同時(shí)定位與地圖創(chuàng)建[J];機(jī)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(shí)定位與地圖創(chuàng)建綜述[J];機(jī)器人;2013年04期

3 王玲;房雅洪;王明輝;;可變形機(jī)器人在線同步定位與地圖創(chuàng)建系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];制造業(yè)自動(dòng)化;2013年14期

4 趙立軍;孫立寧;李瑞峰;葛連正;;室內(nèi)環(huán)境下同步定位與地圖創(chuàng)建改進(jìn)算法[J];機(jī)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(wǎng)絡(luò)輔助同步定位與地圖創(chuàng)建方法研究[J];機(jī)器人;2008年05期

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

7 溫安邦;吳懷宇;趙季;;基于掃描匹配預(yù)處理的即時(shí)定位與地圖創(chuàng)建[J];計(jì)算機(jī)工程與應(yīng)用;2009年33期

8 王楠;馬書根;李斌;王明輝;趙明揚(yáng);;面向廢墟內(nèi)部震害形態(tài)的同步定位與地圖創(chuàng)建[J];科學(xué)通報(bào);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(jì)算機(jī)工程;2009年07期

10 郗安民;王琦;孫學(xué)彬;;一種有效的地圖創(chuàng)建方法和機(jī)器人的路徑規(guī)劃[J];機(jī)械設(shè)計(jì);2010年01期

相關(guān)重要報(bào)紙文章 前1條

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

相關(guān)博士學(xué)位論文 前8條

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

2 徐巍軍;基于貝葉斯濾波器的移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建算法研究[D];浙江大學(xué);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(guó)科學(xué)技術(shù)大學(xué);2010年

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

5 郭利進(jìn);大尺度環(huán)境下移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建研究[D];天津大學(xué);2007年

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

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

8 郭劍輝;移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建方法研究[D];南京理工大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 袁梅;移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建算法研究[D];燕山大學(xué);2015年

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

3 卜燕;基于ROS的移動(dòng)機(jī)器人地圖創(chuàng)建方法與應(yīng)用研究[D];西南科技大學(xué);2016年

4 譚小華;移動(dòng)機(jī)器人三維面特征地圖創(chuàng)建關(guān)鍵技術(shù)研究[D];湖南大學(xué);2016年

5 余媛;面向托卡馬克部件轉(zhuǎn)運(yùn)車的地圖創(chuàng)建與導(dǎo)航方法研究[D];上海交通大學(xué);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(xué);2009年

7 郭睿;多移動(dòng)機(jī)器人系統(tǒng)地圖創(chuàng)建技術(shù)研究[D];山東大學(xué);2008年

8 房雅洪;面向室內(nèi)復(fù)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(xué);2014年

9 渠瀛;基于激光測(cè)距儀的移動(dòng)機(jī)器人二維地圖創(chuàng)建問題研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2009年

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

，

本文編號(hào)：1358303