机器人状态估计与导航建图

发布时间：2021-04-21 06:14

　　随着移动机器人的应用越来越广泛,机器人精准的定位与精确导航也变得越来越重要,为机器人在复杂应用场景中的作业提供了重要的保障。当前的机器人位姿估计大多依赖外感式传感器,而对于一些如水下、管道等特殊场景,无法使用这些传感器,需要采用间接测量的方法使用概率推算来估计机器人的位姿。目前自主移动机器人尚无法做到完全独立自主的运动,大多依赖人工控制和路径规划,需要提前知道环境地图。本文针对上述问题使用概率推算机器人的位姿,并利用AprilTag实现机器人的同时定位与地图构建（SLAM,Simultaneous Localization and Mapping）。本文主要研究内容和创新点如下:本文采用惯导（IMU,Inertial Measurement Unit）、编码器、激光雷达、摄像头为主要传感器搭建了实验小车平台。首先结合小车IMU和编码器数据信息进行小车的位姿估计。使用拓展卡尔曼滤波（EKF,Extended Kalman Filter）结合IMU和编码器进行位姿的推算,用测量值校正误差,通过不断迭代预测下一时刻的位姿。使用机器人操作系统（ROS,Robot Operating Syste... 

【文章来源】：东华大学上海市 211工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与选题意义
    1.2 研究现状
    1.3 本文主要研究工作
第二章 机器人定位与导航
    2.1 基于地图匹配定位方法
        2.1.1 基于几何的地图匹配
        2.1.2 基于拓扑的地图匹配
    2.2 基于标识的定位方法
        2.2.1 Aruco
        2.2.2 基于视觉的特征匹配
    2.3 基于概率估算的定位方法
        2.3.1 蒙特卡洛定位
        2.3.2 马尔可夫定位
    2.4 本章小结
第三章 基于EKF的机器人状态估计
    3.1 机器人建模
        3.1.1 Ackerman模型
        3.1.2 IMU模型
    3.2 状态估计
        3.2.1 误差模型
        3.2.2 状态估计流程
    3.3 实验平台
        3.3.1 惯导
        3.3.2 编码器
        3.3.3 树莓派虚拟内存
        3.3.4 ROS框架
    3.4 实验和结果分析
    3.5 本章小结
第四章 基于APRILTAG的机器人自主SLAM
    4.1 APRILTAG
        4.1.1 算法流程
        4.1.2 相机模型
        4.1.3 相机标定
    4.2 2D激光SLAM
        4.2.1 RBPF
        4.2.2 Gmapping激光建图
        4.2.3 激光模型
    4.3 实验和结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 工作展望
参考文献
致谢
附录 :攻读硕士期间参加的项目及成果



本文编号：3151223