在未知环境中,同时定位与建图(Simultaneous Localization and Mapping,slam)是移动机器人解决自主移动的关键技术之一。当机器人出发后,通过对周围的环境特征进行不间断的观测来对自身的位置进行定位,再由获得的观测信息构建周围环境...
详细信息
在未知环境中,同时定位与建图(Simultaneous Localization and Mapping,slam)是移动机器人解决自主移动的关键技术之一。当机器人出发后,通过对周围的环境特征进行不间断的观测来对自身的位置进行定位,再由获得的观测信息构建周围环境的地图,从而达到建图和定位的目的。首先,针对要研究的问题,构建机器人的系统模型对机器人进行基本的学习了解,从而为后续研究slam中数据关联算法打下了坚实的基础。其次,学习了基于扩展卡尔曼滤波的(Extended Kalman Filter,ekf)ekf-slam仿真算法并验证了ekf-slam的可行性并对最终系统产生的误差进行了分析;通过分析可知,在slam的过程中,数据关联的计算量和维度会变得越来越大,这也是本文需要解决的关键问题。借助智能优化算法的思想,针对灰狼优化算法的易陷入局部最优等缺点,提出了三种改进策略以提高算法的寻优效率。Logistic混沌映射初始化算法种群策略:加入改进的Logistic混沌映射来对算法的种群进行初始化,可以使种群中的个体更好的分布在解空间,以提高灰狼优化(Grey Wolf Optimization,GWO)算法的搜索效率;距离控制参数改进策略:将线性递减的距离控制参数改变为非线性递减的距离控制参数,在迭代前期,较大的距离控制参数可以提高算法的搜索能力,在迭代后期,较小的距离控制参数可以保证算法在当前获得的解周围的开发能力;随机蛙跳最差位置改变策略:引入随机蛙跳算法的最差位置改变策略可以有效的克服种群陷入局部最优和停滞的缺点,通过仿真验证可知,混合蛙跳-灰狼优化(Shuffled Frog Leaping Grey Wolf Optimization,SFL-GWO)算法在维度高且计算量大的情况下,依旧可以花费很小的时间找到最优解,通过多个算法的对比分析,表明SFL-GWO算法的改进是有效的。再次,对slam中数据关联的相关理论及模型进行深入分析,设计实现了最邻近(Nearest Neighbor,NN)关联算法和联合相容分支定界(Joint Compatible Branch and Bound,JCBB)关联算法并分析了其中存在的不足,通过将数据关联模型转化为组合优化问题,引入马氏距离代替传统的欧式距离求解观测和特征间的最小距离,再利用SFL-GWO算法找到所有有效的观测量和地图已存特征间的最小距离,针对JCBB算法在进行数据关联时表现的不足之处,提出了一种利用SFL-GWO优化JCBB算法的关联算法,用于在特征数目不断增多的情况下,提高数据关联过程中的准确度和实时性。最后,将NN关联算法、JCBB关联算法及基于SFL-GWO算法的JCBB关联算法结合ekf-slam算法在设计的正方形走廊环境中,进行了仿真实验验证,得到了三种数据关联算法各自的关联准确率、错误率、误判率等和误差结果图。通过对比分析可知,基于SFL-GWO算法的JCBB算法可以有效的提高数据关联的准确度,同时也保证了算法的实时性。
暂无评论