- 1、本文档被系统程序自动判定探测到侵权嫌疑,本站暂时做下架处理。
- 2、如果您确认为侵权,可联系本站左侧在线QQ客服请求删除。我们会保证在24小时内做出处理,应急电话:400-050-0827。
- 3、此文档由网友上传,因疑似侵权的原因,本站不提供该文档下载,只提供部分内容试读。如果您是出版社/作者,看到后可认领文档,您也可以联系本站进行批量认领。
查看更多
谨以此论文献给我的恩师、亲人、朋友以及在学校共
同生活学习过的同学们
张书景
万方数据
万方数据
万方数据
大尺度环境中自主式水下机器人同时定位
与地图构建算法研究
摘 要
自主式水下机器人(AUV )无疑将发展成为未来海洋监测和调查的主要工
具。目前AUV 导航定位主要依赖声学基线技术,综合费用大、工作范围小、费
时费力,是阻碍其广泛应用的主要瓶颈。本文旨在探索AUV 在脱离外部支持框
架下,采用同时定位与地图构建(SLAM)方法实现未知环境中的自主导航定位。
SLAM 方法在小尺度环境下已经得到成功应用,然而将其应用于大尺度环境
AUV 的自主导航与定位仍需攻克三个难点:一是算法数据关联问题;二是算法
估计一致性问题;三是算法计算复杂度问题。本文即围绕这三个核心问题开展研
究工作。
针对传统单一兼容最近邻(ICNN )和联合兼容分枝界定 (JCBB )数据关联
算法的缺陷,本文提出一种适用于大尺度环境中的 SLAM 数据关联算法——迭
代分类匹配(ICM )方法。ICM 通过使用四元数方法从初次关联成功的测量-地
图特征集中提取出二者间的最小二乘匹配向量,并将该向量用于对初次关联失败
的地图特征集进行匹配更新,以此来削弱不精确的机器人位姿估计对数据关联结
果的影响。更新后的初次关联失败测量-地图特征集作为输入再次进行数据关联
直到满足均方误差检测。仿真及维多利亚公园数据集实验验证了 ICM 算法是一
种适用于大尺度环境的SLAM 数据关联算法。
为了解决大尺度环境中 SLAM 算法易出现估计不一致问题,在对经典
EKF-SLAM 系统进行可观测性分析基础上,总结出系统可观测性与系统一致性
之间的关系,揭示 SLAM 算法出现估计不一致问题的深层原因。通过引入局部
一致性的概念,设计出一种满足局部一致性约束的LCEKF-SLAM 估计器。仿真
及海试实验将LCEKF-SLAM 与传统的以及当前比较流行的几种估计器进行了详
细比较,估计误差、一致性和算法计算复杂度三方面的实验结果均显示出
LCEKF-SLAM 估计器的优越性。
为满足AUV-SLAM 在大尺度环境中实时应用的需求,提出一种基于子地图
思想的混合 SLAM 方法,其具体内容包括:局部子地图建立过程采用添加了局
部一致性约束的LCEKF-SLAM 估计器,并引入多约束子地图建立策略;局部子
I
万方数据
地图联结过程则选择计算效率较高的 SEIF 算法,并引入D&C 子地图联结策略
进一步降低整个算法的计算复杂度。仿真、维多利亚公园数据集和海试实验证实
基于子地图思想的混合 SLAM 方法在极大降低算法计算复杂度的同时,还兼顾
算法的精确性和一致性。
论文最后对全部研究工作进行了总结,并提出工作的不足以及今后可以改进
的地方。
关键词:大尺度环境;自主式水下机器人;同时定位与地图构建;一致性;子
地图
II
万方数据
Simultaneous Localization and Mapping for AUVs
in Large Scale Environments
文档评论(0)