李 艳, 唐达明, 戴庆瑜

(1.陕西科技大学 电气与控制工程学院， 陕西 西安 710021； 2.陕西农产品加工技术研究院, 陕西 西安 710021)

0 引言

未知环境中，机器人的地图创建与自主定位密切相关，SLAM(Simultaneous Localization and Mapping)将二者相结合，通过已经获得的环境地图信息完成自主定位，并根据定位结果完成对环境地图的更新[1].

SLAM问题是指机器人在未知的环境下，仅依靠自身传感器的观测数据zt和控制输入量ut的情况下确定机器人的大致位置，并且通过观测信息构建出大致的环境地图，同时用构建出来的地图继续对机器人的位置进行估计.如图1所示，在机器人的移动过程中，通过一系列的控制输入量u1∶t={u1,u2,…,ut}和观测数据z1∶t={z1,z2,…,zt}，对自身的运动轨迹x1∶t={x1,x2,…,xt}及环境地图m进行准确的估计.

图1 SLAM问题示意图

SLAM问题用数学语言描述为求解如下概率分布：

Bel(xt)=p(xt,m|u1∶t,z1∶t)

或Bel(x0∶t)=p(x0∶t,m|u1∶t,z1∶t)

(1)

当前，求解SLAM问题的方法可大致分为两大类：一类是基于滤波的方法，另一类则是基于图优化的方法.其中，基于滤波器的方法由于其算法简单而被大量应用于SLAM中[2-4]，但随着研究的不断深入，SLAM的应用范围也越来越大，当使用基于滤波的方法时，机器人每次移动只考虑当前状态，在建图时误差会不断累积，导致其最后构建出的地图与实际环境有差别，使其难以应用于较大环境下的地图创建.而基于图优化的方法在估计机器人运动轨迹时，会用到传感器的所有观测信息，在建图的过程中把对地图特征的描述转化为对运动轨迹的约束，提高了建图的效率与准确性，使其适用于较大环境下的地图创建.