移动机器人仿生SLAM算法研究

发布时间：2020-08-21 03:55

【摘要】：从简单重复的劳动中解放出来一直是人类追求的梦想,也是人类创造发明机器人的主要目的之一。机器人可移动性可以进一步扩大其使用范围并能更好地提高其使用效率,但移动机器人在复杂环境中如何模仿人类进行自我导航和路径规划一直是难以解决的问题。在过去30多年内,对同步定位与地图构建(Simultaneous Localization and Maping,SLAM)问题的探索研究大多是基于数学概率的方法,其中最成功的三种概率法为卡尔曼滤波(Kalman Filter,KF)算法、最大期望(Expectation Maximisation,EM)算法和粒子滤波(Particle Filter,PF)算法。这些基于概率的算法可以较好地通过传感器解决在不确定环境下的SLAM问题,但这些方法需要对当前采集到的环境进行数学建模并优化,因此不能完全解决全局地图构建和导航问题。针对同步定位与地图构建(SLAM)问题中传统概率算法存在计算量大、复杂度高、易陷于局部最优解等问题,本文将鼠类脑细胞中边界细胞(Border cells)、局部场景细胞(View cells)、网格细胞(Grid cells)、速度细胞(Speed cells)、位姿细胞(Pose cells)等具有定位导航功能的细胞应用于SLAM研究中,分别研究各自细胞以及相互对SLAM的影响,围绕建立局部场景细胞、位姿细胞、网格细胞以及速度细胞、边界细胞的模型并构建经历制图,构建一种基于多细胞导航机制的BVGSP-SLAM(Border cells+View cells+Grid cells+Speed cells+Pose cells+SLAM,BVGSP-SLAM)模型,并选择多种适合传感器搭建实验平台,验证BVGSP-SLAM模型的可行性和有效性。并在此模型基础上添加一种基于特征参数和方向参数的动态增长自组织特征图(Dynamic Growing Self-Organizing Feature Map,DGSOM)神经网络模型,并将此神经网络模型应用于提出的衍生SLAM模型中。多细胞导航机制的BVGSP-SLAM模型通过局部场景细胞在环境中学习独特场景,通过头方向细胞和位置细胞以及相互关联的竞争性吸引子网络结构形成位姿细胞表征当前位置,局部场景细胞和位姿细胞协同完成拓扑化的经历制图。借鉴网格细胞场景重定位设计实时关键帧匹配的闭环检测算法避免光线变化对SLAM的影响;融合速度细胞更精准的实现移动机器人速度的测量,避免基于局部场景细胞在突发障碍物影响下的判别失效;融合边界细胞,实现移动机器人对突发障碍物的实时避障。提出的DGSOM神经网络模型通过加入特征点避免图的混淆,通过加入运动方向减小学习量。本文将生物学概念引入传统的SLAM模型,并形成数学建模、软件仿真与实验验证一体化循序渐进的研究体系,利用鼠类混合细胞和神经网络衍生出的数学模型分析系统的鲁棒性和实时性,为移动机器人SLAM研究领域多样化提供重要的理论参考。
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP242
【图文】：

细胞和头方向细胞合并形成的一个新细胞类型，位姿细胞）；网格细胞通过标记逡逑被激活细胞的位置对场景进行重定位。此外，在内嗅皮层还存在边界细胞、速度逡逑细胞等能够进行辅助导航的细胞，如图１－１所示ＩＷ。逡逑内嗅皮质逡逑海马体逡逑ｙ邋＇－ｘ邋／逦位姿细胞逡逑［

本文编号：2798887