论文部分内容阅读
随着机器人技术的不断进步,各式各样的机器人逐渐开始在人们的日常工作和生活中发挥作用,其中,移动机器人以其灵活性和机动性,更是给人们带来了巨大的便利并具有广阔的前景。为了使移动机器人自主的完成指定的任务,它应具备自主导航的功能。定位和环境地图构建两个问题是实现自主导航需要解决的两个基本问题,而同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术正是处理上述问题的有效方法。SLAM在经过几十年的发展后,已经取得了很多的成果,但是随着需求的不断提高,SLAM仍然有许多问题需要解决。本文主要对移动机器人SLAM问题进行研究。当观测噪声参数未知或变化,观测存在野值点时,传统SLAM算法性能会下降。针对上述问题,本文提出了基于变分贝叶斯方法的自适应SLAM算法,将变分贝叶斯方法与容积卡尔曼滤波结合进行状态估计,有效的提高了算法精度。本文的主要内容和成果如下:1.对本文使用的移动机器人导航系统进行了建模。对移动机器人的SLAM问题进行分析,并用概率学进行描述和建模,将SLAM转化为一个状态估计问题。同时介绍了传统的基于容积卡尔曼滤波的SLAM算法。2.针对当观测噪声参数未知或变化时,传统SLAM算法效果下降的问题,提出基于逆Wishart分布的变分贝叶斯容积卡尔曼滤波SLAM算法。该算法采用逆Wishart分布对未知噪声参数进行建模,采用容积积分方式近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和观测噪声参数的联合后验概率的估计。通过仿真实验,发现在观测噪声参数未知或变化时,该算法的定位准确率相比传统算法有较大提高。3.当观测存在野值点,观测噪声会因为存在厚尾噪声而不满足高斯分布。此时传统的基于滤波器的SLAM算法性能下降。本文提出了基于Student-t分布的变分贝叶斯容积卡尔曼滤波SLAM算法。该算法考虑到观测存在厚尾噪声,用Student-t分布对观测噪声进行建模,因为Student-t分布是广义的高斯分布,与高斯分布相比,它的尾的厚度更大,对于观测中野值的出现不敏感。再采用容积积分方式近似非线性变换的均值和方差,用变分贝叶斯滤波方法估计出移动机器人状态和观测噪声参数的后验概率。通过仿真实验,验证了算法的有效性。本文最后一章对全文进行了总结,并对同时定位于地图构建的研究前景进行了展望。