平滑型SLAM中数据关联的鲁棒性研究

发布时间：2017-10-22 20:29

  本文关键词：平滑型SLAM中数据关联的鲁棒性研究

  更多相关文章： SLAM 数据关联 RFM-SLAM 鲁棒性 特征图 因子图

【摘要】：同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)是移动机器人自主导航的核心技术,是机器人在未知环境中自主完成复杂任务的关键,体现着机器人的智能化水平。数据关联作为SLAM中关键问题,它决定了移动机器人定位的准确和地图的精确,因此本文针对SLAM中数据关联鲁棒性进行了研究。当前SLAM一般基于稀疏最小二乘求解,但是它要求数据关联100%的正确,需要S LAM中前端具有高性能的数据关联。一旦出现错误数据关联,就将导致结果发散。针对这一问题,Switchable Constraints (SC)和Max-Mixture Models (M-M)算法进行了初步探索,使得SLAM对环闭具有鲁棒性,但未探讨对环境路标的数据关联鲁棒性问题,且未能得到环境信息。本文在SC算法基础上,结合特征图及其因子图特点,提出一种对错误数据关联鲁棒的特征路标地图SLAM算法(Robust Feature-landmarks Map SLAM Algo-rithm for Incorrect Data-associations,简写为RFM-SLAM)。RFM-SLAM算法通过对基于路标的拓扑图增加开关因子节点,同时利用运动过程中所有的历史信息,对机器人所经过路径中的错误数据关联进行修正,优化得到正确的机器人路径、路标位置和机器人-路标拓扑关联信息。根据SLAM的概率理论和拓扑关系,RFM-SLAM算法不单增加开关因子,还在优化公式中添加约束条件,使算法能收敛到最优解附近。通过对SLAM中矩阵稀疏性的理论分析和g2o (general graph optimizatio n)使用,确保了算法的计算效率。在后端优化过程中,开关因子改变SLAM问题的拓扑结构,消除了错误数据关联对优化结果的影响。该算法提高了SLAM对数据关联的鲁棒性,使得前端和后端的关联更紧密,保证了机器人定位的准确和路标地图构建的精确。最后通过仿真数据集和真实测试数据集的实验以及与其他算法比较,RFM-SLAM算法性能得到了验证。
【关键词】：SLAM 数据关联 RFM-SLAM 鲁棒性 特征图 因子图
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP242
【目录】：

• 致谢5-6
• 摘要6-7
• Abstract7-10
• 1 绪论10-15
• 1.1 机器人发展10-11
• 1.2 SLAM研究现状11-13
• 1.2.1 SLAM前端中数据关联研究12-13
• 1.2.2 SLAM后端中数据关联研究13
• 1.3 本文内容和组织结构13-15
• 2 移动机器人中SLAM问题15-26
• 2.1 移动机器人数学建模15-18
• 2.1.1 机器人坐标模型15
• 2.1.2 机器人运动模型15-17
• 2.1.3 机器人观测模型17-18
• 2.2 自主定位18-19
• 2.2.1 视觉机器人定位18-19
• 2.3 地图构建19-21
• 2.3.1 栅格图19-20
• 2.3.2 特征图20-21
• 2.3.3 位姿图21
• 2.4 SLAM中图建模方法21-23
• 2.4.1 动态贝叶斯网络21-22
• 2.4.2 Markov随机场22
• 2.4.3 因子图22-23
• 2.5 SLAM中数据关联问题23-25
• 2.5.1 数据关联描述23-24
• 2.5.2 错误数据关联24-25
• 2.6 本章小结25-26
• 3 SLAM后端图优化26-48
• 3.1 SLAM中概率估计26-29
• 3.1.1 贝叶斯估计26-27
• 3.1.2 SLAM的概率模型27-29
• 3.1.3 平滑型SLAM29
• 3.2 图优化中最小二乘法29-38
• 3.2.1 SLAM中图与概率29-32
• 3.2.2 最小二乘问题32-33
• 3.2.3 非线性最小二乘求解33-35
• 3.2.4 SLAM最小二乘优化35-38
• 3.3 SC后端优化38-43
• 3.3.1 算法主要思想38-41
• 3.3.2 算法实现41-42
• 3.3.3 算法仿真结果42-43
• 3.4 Max-Mixture后端优化43-47
• 3.4.1 算法主要思想44-45
• 3.4.2 算法实现45-46
• 3.4.3 算法仿真结果46-47
• 3.5 本章小结47-48
• 4 基于路标地图的数据关联优化48-72
• 4.1 基于路标地图的数据关联问题48-49
• 4.2 RFM-SLAM主要思想49-61
• 4.2.1 拓扑图49-50
• 4.2.2 数学推导50-55
• 4.2.3 鲁棒性问题55-61
• 4.3 算法实现61-64
• 4.3.1 节点与边定义61-62
• 4.3.2 求解过程62-63
• 4.3.3 迭代增量运算63-64
• 4.3.4 算法实现总结64
• 4.4 RFM-SLAM实验分析64-71
• 4.4.1 MATLAB仿真数据分析65-67
• 4.4.2 基于g2o的实验数据分析67-71
• 4.5 本章小结71-72
• 5 结论与展望72-73
• 参考文献73-76
• 附录A76-82
• 作者简历及攻读硕士学位期间取得的研究成果82-84
• 学位论文数据集84

【相似文献】

中国期刊全文数据库 前10条

1 ;Line-feature-based SLAM Algorithm[J];自动化学报;2006年01期

2 郭剑辉;赵春霞;陆建峰;康亮;;Rao-Blackwellised粒子滤波SLAM的一致性研究[J];系统仿真学报;2008年23期

3 郭剑辉;赵春霞;石杏喜;;一种改进的联合相容SLAM数据关联方法[J];仪器仪表学报;2008年11期

4 郭剑辉;赵春霞;康亮;;SLAM问题中特征相关性研究[J];系统仿真学报;2008年06期

5 Mansour Moniri;Claude C.Chibelushi;;A Sensor-based SLAM Algorithm for Camera Tracking in Virtual Studio[J];International Journal of Automation & Computing;2008年02期

6 季秀才;郑志强;张辉;;SLAM问题中机器人定位误差分析与控制[J];自动化学报;2008年03期

7 郭剑辉;赵春霞;;一种新的粒子滤波SLAM算法[J];计算机研究与发展;2008年05期

8 周武;赵春霞;;一种改进的边缘粒子滤波SLAM方法[J];华中科技大学学报(自然科学版);2008年S1期

9 丁帅华;陈雄;韩建达;;基于局部子图匹配的SLAM方法[J];机器人;2009年04期

10 陈家乾;何衍;蒋静坪;;添加约束的EKF-SLAM算法[J];科技通报;2009年04期

中国重要会议论文全文数据库 前10条

1 ;An SLAM algorithm based on improved UKF[A];第24届中国控制与决策会议论文集[C];2012年

2 Adizul Ahmad;Shoudong Huang;Jianguo Jack Wang;Gamini Dissanayake;;A New State Vector for Range-Only SLAM[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

3 ;A Hybrid SLAM method for service robots in Indoor Environment[A];中国自动化学会控制理论专业委员会B卷[C];2011年

4 Bo He;Tao Zhang;Guijie Liu;;A New SLAM Algorithm Particle Filter-based for Autonomous Underwater Vehicle[A];proceedings of 2010 3rd International Conference on Computer and Electrical Engineering (ICCEE 2010 no.1)[C];2012年

5 ;AUV SLAM and Closed Loop Research in Large Scale Environment[A];2011年全国通信安全学术会议论文集[C];2011年

6 温丰;柴晓杰;朱智平;董小明;邹伟;原魁;;基于新型人工路标系统的视觉SLAM算法研究[A];第二十九届中国控制会议论文集[C];2010年

7 王宇韬;方勇纯;;鲁棒单目视觉SLAM系统研究[A];中国自动化学会控制理论专业委员会C卷[C];2011年

8 李海洋;李洪波;林颖;刘贺平;杨东方;;基于Kinect的SLAM方法[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

9 Jiantong Cheng;Jonghyuk Kim;Zhenyu Jiang;Weihua Zhang;;Tightly Coupled SLAM/GNSS for Land Vehicle Navigation[A];第五届中国卫星导航学术年会论文集-S9 组合导航与导航新方法[C];2014年

10 ;Simultaneous Localization and Map Building Using Constrained State Estimate Algorithm[A];第二十七届中国控制会议论文集[C];2008年

中国重要报纸全文数据库 前1条

1 肖征荣;好软件少不了它们[N];电脑报;2003年

中国博士学位论文全文数据库 前6条

1 赵一路;人机交互环境下的主动SLAM及相关问题研究[D];复旦大学;2013年

2 王道斌;基于天空偏振光的SLAM方法的研究[D];中国科学技术大学;2014年

3 林睿;基于图像特征点的移动机器人立体视觉SLAM研究[D];哈尔滨工业大学;2011年

4 游弋;SLE相关候选基因FCRL3，SLAM的SNP分析及其功能研究[D];第三军医大学;2008年

5 吴叶斌;基于全景视觉的移动机器人SLAM方法研究[D];哈尔滨工程大学;2011年

6 陈晨;基于Sigma点滤波的移动机器人同时定位与地图创建算法的研究[D];北京交通大学;2013年

中国硕士学位论文全文数据库 前10条

1 熊斯睿;基于立体全景视觉的移动机器人3D SLAM研究[D];哈尔滨工业大学;2015年

2 王淮卿;基于互联网与SLAM的移动机器人系统研究[D];哈尔滨工业大学;2015年

3 李贵亚;基于立体视觉的机器人SLAM算法研究[D];哈尔滨工业大学;2015年

4 薛永胜;变电站巡检机器人SLAM算法及其应用研究[D];西南科技大学;2015年

5 赵亮;水下机器人视觉SLAM方法中的图像特征点提取技术研究[D];电子科技大学;2014年

6 胡衡;基于单目视觉的SLAM方法研究[D];新疆大学;2015年

7 黄志明;动态稀疏环境下移动机器人SLAM问题研究[D];北京化工大学;2015年

8 赵新哲;基于改进粒子滤波的分布式SLAM算法研究[D];北京工业大学;2015年

9 李洪臣;单目视觉移动机器人SLAM方法建模与仿真分析[D];电子科技大学;2014年

10 丁洁琼;基于RGB-D的SLAM算法研究[D];西安电子科技大学;2014年

，

本文编号：1079988