基于MIEKF的移动机器人同时定位与地图构建研究.pdf

《基于MIEKF的移动机器人同时定位与地图构建研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第28卷第3期2011年3月计算机应用研究ApplicationResearchofComputersV01．28No．3Mar．201l基于MIEKF的移动机器人同时定位与地图构建研究木张毅，赵黎明，罗元(重庆邮电大学智能系统及机器人研究所，重庆400065)摘要：由于移动机器人处在未知且不确定的环境中，主要采用基于概率的方法对同时定位与地图构建(SIAM)进行描述。建立了SLAM问题的概率表示模型，并对在解决SLAM问题中最常用的扩展卡尔曼滤波(EKF)算法以及迭代扩展卡尔曼滤波(IEKF)算法进行了描述。针对两种算法的缺陷和不足，将应用于跟踪领域的修

2、正迭代扩展卡尔曼滤波算法(MIEKF)与SLAM思想结合，提出了一种新的基于MIEKF的SLAM算法，该算法能减小线性化误差并且不需要很高的观测精度。最后用上述算法进行了基于点特征的SLAM实验，验证了该算法的有效性。关键词：移动机器人；扩展卡尔曼滤波；修正；同时定位与地图构建中图分类号：TP242．6文献标志码：A文章编号：100l一3695(2011)03—0902—03doi：10．3969／j．issn．100l一3695．2011．03．030Mobilerobotssimultaneouslocalizationandmappingresear

3、chbasedonMIEKFZHANGYi，ZHAOLi—ming，LUOYuan(ResearchCenterofIntelligentSystem蜃Robotics。ChongqingUniversityofPosts＆Telecommunications，Chongqing400065，Ch／na)Abstraet：Asthemobilembotintheunknownanduncertainenvironment，thesimultaneouslOCalizationandmapping(SLAM)mainlydeseribledbyprobabi

4、lity．Inthispaper，establishedaprobabilitymodelfo¨heSLAM，anddescribeextendedKalmanfilter(EKF)algorithmwhichmostcommonlyusedinSLAManditeratedextendedKalmallfilter(IEKF)algorithm．Aimingthedefectsanddeficienciesofthesetwoalgorithms，aftercombiningtheiteratedextendedKalmanfilteralgorithm

5、(MIEKF)whichappliedto”ackingfieldwithSLAMthought，appliedanovelSLAMalgorithmbasedonMIEKF，thisalgo-rithmcouldreducethelinearizationerroranddidn’trequirehighobservationprecision．Finally，italsoperformedthepoint-feature．basedSLAMexperiments，andprovedthisalgorithmWOrkseffectively．Keywor

6、ds：mobilerobot；extendedKalnanfilter(EKF)；modified；simultaneouslocalizationandmapping(SLAM)移动机器人的同时定位与地图构建(SLAM)是指移动机器人从所处环境中的某一点出发，逐步根据所获取的信息构建环境地图，同时利用所构建的地图完成相应定位的过程。SLAM问题最早由Smith等人【11提出来的，它在对外界环境信息未知的情况下．根据传感器信息实现自定位和环境建模，使得机器人可在没有先验地图知识的情况下独立地工作，实现机器人真正意义的自治。当前，由于机器人应用环境的复杂性以

7、及非结构化，SLAM问题的解决和相应算法的研究成为了一大热点．吸引了一大批研究人员的关注口1。SLAM技术具有重要的理论意义和实用价值，被认为是能够有效实现机器人全自主移动的关键和基础·“。·目前．SLAM问题的解决方法主要分为两种：基于概率估t卜的方法和非慨率的方法。由于移动机器人处于未知且不确定的环境中，基于概率估计的方法成为主流“。其中．基于扩展卡尔曼滤波(EKF)的SIAM算法是比较流行且应用较为普趋∞方法．通常采用以速度和角度为控制输入的Bicycle运动模型一由于该模_塑的线性化持性，需要对其线性化。在实际应用币．机器人的运动模型与观测模型一般

8、是非线性的，EKF算法用观测方程的一阶Taylor展开式来近似表示