大尺度环境中自主式水下机器人同时定位和地图构建算法的研究.pdf

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