基于稀疏扩展信息滤波SLAM算法的研究.pdfVIP

基于稀疏扩展信息滤波的SLAM 算法研究 李久胜，王要强，李永强 （哈尔滨工业大学电气工程及自动化学院，哈尔滨150001 ） E-mail: yao-qiang.wang@163.com 摘 要：针对传统EKF(Extended Kalman Filter)方法机器人SLAM(Simultaneous Localization And Map Building) 中计算复杂度大的问题，提出了一种基于稀疏扩展信息滤波(Sparse Extended Information Filter, SEIF)的SLAM 算法。通过稀疏化信息矩阵，使复杂度得到有效 降低。仿真结果表明该算法计算复杂度与地图中的环境特征个数无关，可以实现恒时执行， 在计算时间和占用内存上远远优于 EKF ，尤其适用于处理复杂环境下大地图的自主机器人 SLAM 问题。 关键词：机器人导航，同步定位与地图创建，稀疏扩展信息滤波 中图分类号：TP24 文献标识码：A 1．引言 导航技术是自主移动机器人相关技术研究的核心，其中定位问题与地图创建问题又是一 对紧密相关、相辅相成的研究课题。已知环境地图的定位问题和已知机器人位置的地图创建 问题都已经有了较成熟的解决方案，并取得了大量的研究和应用成果。然而随着移动机器人 应用领域的不断扩大，应用环境日趋复杂和非结构化，事先无法或很难获取到机器人的工作 环境地图，这时机器人就需要在自身位置不确定的前提下，在无先验环境信息的条件下创建 地图，同时利用该地图进行自主定位和导航。这就是移动机器人的同步定位与地图创建问题 [1] 。SLAM 问题要比单独的定位问题和单独的地图创建问题复杂得多，在这一问题中，机器 人定位与地图创建是高度相关的，地图创建过程依赖于精确的机器人位姿信息，而机器人定 位过程反过来又依赖于精确的地图信息，任何一方都无法单独实现，必须同时加以考虑。学 术界因而形象地将这一问题比喻为“鸡和蛋”的问题[2] 。SLAM 已成为自主移动机器人领域 中亟需解决的基础性难题, 是否具备同步定位与地图创建的能力被许多学者认为是能否实 [3] 现真正的自主移动机器人的关键 。 自主移动机器人SLAM 问题的研究最早可以追溯到1985~1986年间。开创性工作是由 Smith和Cheeseman进行的，他们在这一时期创立了描述几何不确定性和特征与特征之间（或 路标与路标之间）相互关系的统计学原理[4]，这些工作组成了SLAM 问题解决方法的数学基 础。几乎在同一时间，Chatila和Laumond进行了基于EKF 的移动机器人视觉导航的早期研究 工作。在1986年的ICRA （IEEE International Conference on Robotics and Automation，ICRA ） 上，对如何解决SLAM 问题进行了讨论。1987年，Smith，Self和Cheeseman提出了基于卡尔 曼滤波的SLAM算法，即用概率估计理论来表示的SLAM算法。从此以后，基于卡尔曼滤波 的SLAM算法得到了广泛应用，逐渐成为了解决SLAM 问题的基本方法。 然而基于EKF 的SLAM算法需要维持一个大的协方差矩阵，其运算量至少与地图中特征 个数的平方成正比[5]，因而存在着运算量太大的缺陷。过大的运算量拖累了它在环境特征较 多的大范围环境下的应用。针对这一缺陷，近年来，研究人员提出了多种改进算法：如Guivant 的压缩扩展卡尔曼滤波方法(CEKF) 、Newman 的几何投影滤波(Geometric Projection [6] [7] Filter ,GPF) 、Knigh 的滞后更新算法（Postponement ）等 。此外，还有一些次优更新算法， 比较典型的如Julier 提出的协方差相交(Covariance intersection, CI) 技术[8] 、Michael Montemerlo和Sebastian Thrun等人提出的Fast SLAM方法等[9] 。其中，大多数为近似算法，随