论文部分内容阅读
智能巡检机器人的同步地图构建与定位(Simultaneous Localization and Mapping)是国内外人工智能领域的研究重点,基于扩展卡尔曼滤波器(Extended KalmanFilter)和 Rao-Blackwillised 粒子滤波器(Particle Filter)的算法是目前解决SLAM问题的主流算法。本文针对传统EKF SLAM算法和RBPF SLAM算法在地图构建与定位的精度、实时性问题及其在智能巡检机器人平台的应用展开了研究工作。主要研究工作包括以下内容:针对EKF SLAM的估算噪音高、数据关联误差大、计算效率低等问题,对算法进行优化。在Matlab中进行理论分析与仿真,实验数据分析显示了改进的EKF SLAM能够提高状态估算精度,降低数据关联误差,提升计算效率,整体提升了算法的建模精度与实时性。在智能变电站室内环境的实际应用,表明改进的算法能有效的应用于未知环境的室内建模定位。针对传统的RBPF SLAM算法建模精度、实时性低的问题,提出一种改进的RBPF SLAM算法,在预测阶段利用扩展卡尔曼滤波融合陀螺仪与指北针的数据,获取精度更高的位姿角;在权重估计阶段,提出了基于正太概率分布变换(NormalDistributionTransformation)的改进扫描匹配算法,有效解决现有算法匹配速度慢、走廊等地形建模效果差的问题。现场实验表明改进的算法能利用较少的粒子实时地建立高精度的大型室内地图。针对智能变电站、数据机房等环境对智能巡检机器人的需求,本文设计并研发了智能巡检机器人平台。基于机器人操作系统(Robot Operating System),软件设计实现了改进的EKF SLAM算法和RBPF SLAM算法及其在智能巡检机器人平台的实际应用。现场试验表明,本文改进后算法的建模精度和实时性明显优于传统的SLAM算法。