李 旦,王冠凌,丰宇航

(安徽工程大学 a.电气工程学院;b.高端装备先进感知与智能控制教育部重点实验室,安徽 芜湖 241000)

0 引言

为确定移动机器人在未知环境中的位置,需要对移动机器人进行定位,然而定位又建立在环境地图的基础上。最早Smith等[1]提出同时定位与地图构建(simultaneous localization and mapping,SLAM)的概念,主要内容为移动机器人根据位姿估计与传感器获取的未知环境地图信息,实现环境地图的构建。目前SLAM仍然是机器人等研究领域的热点[2-3]。

早期主要是由扩展卡尔曼滤波(extended kalman filter,EKF)和粒子滤波(particle filter,PF)解决SLAM问题[4-5]。在非线性高斯系统中,EKF的精度并不高,尤其是在环境特征量较大时,计算的复杂度高,并且EKF难以处理数据关联的问题[6]。粒子滤波是用粒子集近似后验概率密度分布,能够有效处理非线性非高斯分布的问题,因而粒子滤波在SLAM等研究领域应用广泛。

Doucet等[7]利用RBPF算法处理SLAM问题,Montemerlo等[8]在此基础上提出Fast-SLAM算法(RBPF-SLAM)。该算法将机器人定位和地图更新分开进行,先对位姿进行估计,再根据位姿构建环境地图,同时每个粒子都包含一种运动轨迹以及一幅环境地图。因此RBPF-SLAM算法相较于EKF和PF算法,实时性和效率更高,可以有效解决SLAM问题。但该算法中所用的粒子数目较多,计算量大,此外频繁地执行重采样可能会剔除有效粒子,造成粒子退化[9]。

Griseti等为改进RBPF-SLAM算法提出了Gmapping算法[10]34。此算法在计算提议分布时不仅使用移动机器人的运动模型,同时还考虑激光雷达传感器的观测信息,这样使得提议分布更加精准,提高了算法性能。……