[发明专利]一种随机有限集框架下的同步定位与地图构建方法

说明书

技术领域

本发明涉及移动机器人领域，特别涉及一种随机有限集框架下的移动机器人同步定位与地图构建方法。

背景技术

移动机器人是一种集环境感知、数据融合、任务规划、行为执行等多种功能于一体的综合化智能系统，已经被广泛应用于社会生产生活的各个领域。移动机器人智能化的首要条件就是能自主运动，而这一条件的达成要求机器人获取所处外部环境的地图描述以及自身在环境中的位置信息，即构图与定位。在早期的研究中，二者被认为是完全独立的课题，并且对于己知环境中的机器人自主定位和已知机器人位置的地图构建已经有了一些解决方法，然而在很多情况下事先获取机器人工作环境的地图很困难，甚至是不可能的，这大大限制了移动机器人的实际应用。

同步定位与地图构建(simultaneouslocalizationandmapping,SLAM)方法的出现为上述难题的解决带来了希望，将机器人定位和环境地图构建进行了有机结合。SLAM也称为并发构图与定位(ConcurrentMappingandLocalization,CML)，是指：处于未知环境的中机器人，在行进过程中通过装配的传感器不断获取外部环境信息，利用这些信息构建环境地图，同时依据这一地图实现自身定位的过程。SLAM问题被认为是实现机器人真正自主的关键问题，自提出之日起便成为了机器人研究的热点问题。SLAM最终的目标是要实现机器人状态和环境地图状态的同时估计，本质上是一个状态估计问题。贝叶斯滤波为SLAM的实现提供了有效途径，将SLAM求解转换为递归框架下机器人状态和环境地图的联合后验概率的估计问题。贝叶斯滤波的多种实现方法都被用于求解SLAM问题，并已取得了大量研究成果，其中最典型的两类方法是基于卡尔曼滤波(Kalmanfilter,KF)的SLAM求解和基于粒子滤波(particlefilter,PF)的SLAM求解。这两类SLAM方法有一个共同特点：都将环境地图表示为向量形式(vectorbased,VB)，其中每个分量表示一个环境特征的位置信息，其SLAM求解过程可以分解为两个阶段：对观测信息进行数据关联，以及依据关联结果对环境地图和机器人位置进行状态更新。在整个SLAM过程中，有效的数据关联是进行状态估计的前提，错误的关联不仅会影响机器人的定位，还可能导致地图估计不一致甚至发散，算法对数据关联非常敏感。在实际应用中，受到机器人位姿的不确定、特征密度的变化、环境中动态目标的干扰等影响，数据关联变得非常困难。另一方面，由于SLAM中的地图构建是一个增进式过程，随着机器人的不断探索，新的环境特征被加入地图，数据关联的规模越来越大，特征管理的复杂度也不断增加，这无疑会使算法计算量急剧上升。目前针对SLAM数据关联的研究已经成为一个重要课题，但仍然没有一种能够兼顾精度和效率的通用关联方法，至今数据关联仍然是SLAM的难点之一。