[发明专利]一种基于自适应局部和分组关联策略的SLAM数据关联方法

说明书

本发明请求保护一种基于自适应局部和分组关联策略的SLAM数据关联方法。具体步骤为：首先，根据移动机器人当前时刻的位置、传感器的量测范围以及当前时刻观测值的分布情况自适应地确定局部数据关联区域；然后，根据局部关联区域以及当前观测值的数量和分布自适应地确定观测值的分组数，并以此为基础利用高斯混合聚类算法将当前观测值分组；接着，使用联合兼容分支定界算法完成各组中观测值和局部区域中特征点之间的数据关联并筛选出各组最优关联解；最后，整合各组最优解得到最终的数据关联结果。实验结果证实了本方法能够在能够在保证高关联正确率的同时降低关联计算量。

技术领域

本发明属于移动机器人自主导航领域，特别是一种基于自适应局部和分组关联策略的SLAM数据关联方法。

背景技术

同时定位与地图构建(simultaneous localization and mapping,SLAM)是移动机器人实现自主导航的关键。该方案由Smith等人于1986年首先提出，具体是移动机器人在未知环境中利用自身搭载的传感器(如深度相机，激光测距仪，声呐等)观测环境特征，并根据观测值递增式地构建周围环境地图，同时运用所建地图估计自身位姿。

数据关联是SLAM问题中的难点，指移动机器人将当前时刻传感器的观测值与已知局部地图中的特征进行匹配，从而确定观测值对应的是已知特征还是新增特征。错误的数据关联会导致建图和定位出现偏差，严重时会造成整个SLAM算法的发散。目前，SLAM数据关联算法大多是基于门限选择思想，其中具有代表性的是独立兼容最近邻算法和联合兼容分支定界算法。独立兼容最近邻算法最大的优点是计算量小，但是它忽视了传感器预测观测值误差之间的相关性，因此关联正确率低。联合兼容分支定界算法考虑了这一相关性，因此能够获得较高的关联正确率。然而，该算法的计算量与观测值数目成指数关系，这导致算法的实时性较差，在多特征环境中此问题更为严重。主流的SLAM数据关联算法不能够同时实现高关联正确率和低关联时间，导致移动机器人的实际应用效果不佳。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种能够在保证高关联正确率的同时降低关联时间的基于联合兼容分支定界算法的移动机器人SLAM数据关联方法。本发明的技术方案如下：

一种基于自适应局部和分组关联策略的SLAM数据关联方法，其包括以下步骤：

S1，根据机器人当前位置、传感器量测范围以及当前观测值分布，自适应地确定局部关联区域；

S2，根据S1中划定的局部关联区域以及当前观测值的数量和分布，自适应地确定观测值的分组数；

S3，以S2中的分组数为基础，使用高斯混合聚类算法计算得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组；

S4，利用联合兼容分支定界算法完成各组观测值和局部区域特征之间的数据关联，在各组中选取联合Mahalanobis距离最小的关联结果作为该组最优解；

S5，整合各组最优解得到最终的SLAM数据关联结果。

进一步的，步骤S1根据机器人当前位置、传感器量测范围以及当前观测值分布，自适应地确定局部关联区域，具体步骤为：

S11：在t时刻，机器人根据t-1时刻自身位置和t-1到t时刻内部控制信息计算得到自身当前位置；

S12：根据如下公式计算局部关联区域的补偿距离：

d＝d_min+αpr

其中，d_min＝0.1米，表示最小补偿距离；α表示比例调节系数，取值范围[0.050.1]，环境特征越密集，α取值越大；r表示传感器有效量测距离；p表示当前时刻与传感器间的距离大于90％r的观测值的数目占观测值总数目的比例，可以看出，每一时刻p的取值与观测值分布有关。