融合GDSOM的改进RatSLAM算法研究

发布时间：2020-05-01 21:59

【摘要】：SLAM(Simultaneous Localization and Mapping),即同步定位与地图构建,其可描述为移动机器人在未知的环境中移动时,不仅需要根据已知的机器人位姿建立环境地图,而且需要根据已获得的环境地图,确定机器人新的位姿。本文根据SLAM研究现状,并在总结各种SLAM算法的特点的基础上,选择受认知和神经启发的RatSLAM模型作为本文的研究算法。通过深入分析RatSLAM模型的特点,发现移动机器人在大范围长时间的自主导航过程中,由于光线、天气等外界条件的影响,导致RGB相机拍摄的图像信息发生了较大的变化,依靠从RGB相机采集的图像信息进行匹配的准确率不高,容易造成闭环检测算法的成功率和准确率下降。本文通过提出用深度相机Kinect替代RGB相机,将场景的RGB-D信息应用于RatSLAM系统。通过引入深度信息,结合原有的RGB图像信息,构建新的视觉模板,以改善算法的闭环检测过程,减少了闭环检测过程中的误匹配率,提高定位的精度。同时,针对RatSLAM算法在室内结构化环境(环境特征单一)中,依靠视觉获取的环境特征少,存在定位与建图误差较大的问题。提出二维动态自组织特征图(Growing Dynamic Self-organization Map,GDSOM),通过引入环境特征和方向特征且设计机器人“沿墙走”移动实现对环境路标的自组织提取,将提取的环境路标信息与图像信息一起作为场景特征模板,场景特征模板中包含更多的环境信息,使得RatSLAM算法下机器人的定位与建图更加准确。本文所提的两种对RatSLAM模型改进的算法都通过Matlab进行仿真验证。仿真实验结果表明:通过引入深度信息有效改善了传统RatSLAM模型对光线敏感性的缺点,显著提高了闭环检测匹配的准确率,使得构建的经历图更精准;提出的二维GDSOM网络算法有效的对结构化环境路标进行提取,通过构建新的环境特征模板,改善了RatSLAM模型在特征较少的结构化环境中依靠视觉信息进行闭环检测时误差较大问题,提高了RatSLAM模型在结构化环境中的定位与建图能力。
【图文】：

机器人,辅助训练,清洁室,亲情

安徽工程大学硕士学位论文和红外传感器进行自主导航，清洁室内地面，并且能够在电量低时进行。日本软银集团和法国Ａｌｄｅｂａｒａｎ邋Ｒｏｂｏｔｉｃｓ公司联手研发的人性机器如图（ｂ）所示。Ｐａｐｅｒ高１．２米，，外形可爱，并且配备了语音识别技美姿态的关节技术以及分析表情和声调的情绪识别技术，可与人类进行可以综合考虑周围环境，并积极主动地做出反应，被称为全世界第一款人，设计的初衷就是为了实现类似家庭成员一样能够进行聊天、亲情陪照料。如今，随着Ｐａｐｅｒ机器人己在全球的广泛销售与应用，已经在儿老人陪伴与照看、特殊人群关怀和辅助训练等方面发挥其价值。逡逑

机器人,火星

（ａ）邋Ｒｏｏｍｂａ９８０逦（ｂ）邋Ｐａｐｅｒ逡逑图１－２服务机器人逡逑同样由于机器人出色的表现，其被应用于科研领域，在科研领域中，具有代逡逑表性的移动机器人当属美国发射的星球探测系列机器人。２０１１年１１月２６日，逡逑美国国家航空航天局发射了“好奇号”火星车，于２０１２年８月６日，成功降落逡逑在火星上，“好奇号”火星车原本计划在火星上执行为期两年的探索任务，但是逡逑由于其出色的性能，其一直服役至今，拍摄了大量的火星图片，为人类对火星的逡逑研究做出了杰出的贡献。在国内，北京博创兴盛机器人技术有限公司研制的旅行逡逑家ＩＩ号（Ｖｏｙａｇｅｒ邋ＩＩ）轮式移动机器人，其采用模块化的设计理念，方便拆卸与组装，逡逑同时该机器人采用开放的系统架构
【学位授予单位】：安徽工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP242

【相似文献】