基于信息滤波器的水下机器人slam算法分析-analysis of slam algorithm for underwater robot based on information filter.docxVIP

基于信息滤波器的水下机器人SLAM算法研究摘要在自主式水下机器人的相关研究课题中，自主导航技术始终是其研究核心。自主导航指水下机器人不需要先验的水下环境的辅助信息，从一个未知位置开始运动，利用自身搭载的外部传感器感知周围环境并提取有用信息，创建增量式地环境地图，同时用该地图实现自身定位和导航，这就是同时定位和地图创建(simultaneouslocalizationandmapping,SLAM)。因此，SLAM问题是机器人在未知环境下实现真正自主导航的关键。在已经提出的众多SLAM算法中，基于扩展卡尔曼滤波（ExtendedKalmanFilter,EKF）的SLAM算法是最基本的SLAM问题解决方法，它能够得到SLAM问题的最优解。但基于EKF的SLAM算法通过维持一个协方差矩阵来描述SLAM中的不确定信息，其计算量至少与地图中的特征个数的平方成正比，计算效率较低，这也限制了该算法在环境特征多的复杂环境下的应用。为了降低EKF-SLAM算法计算量大的问题，本文研究了稀疏扩展信息滤波（SparseExtendedInformationFilter,SEIF）算法，该算法是在扩展信息滤波(EKF的信息形式）算法中加入了稀疏化步骤后得到的。基于SEIF的SLAM算法中，所有基本的更新公式都能够在恒定的时间内完成，而与地图中的特征个数无关，极大地提高了运算速度,在计算时间和占用内存上远远优于基于EKF的SLAM算法。最后，在基于SEIF的SLAM算法模型建立的基础上，进行了MATLAB仿真实验及青岛团岛湾的海试实验，结果分析验证了SEIF-SLAM算法的有效性和准确性。在复杂未知环境下，SEIF-SLAM算法有很高的应用价值。关键词：自主式水下机器人；自主导航；同时定位和地图创建；SEIFIResearchonSLAMalgorithmBasedonInformationFilterforUnderwaterVehiclesAbstractAutonomousnavigationtechnologyistheresearchfocusamongautonomousunderwatervehicle(AUV)relatedresearchsubjects.Autonomousnavigationdoesnotrequiretheaidofaprioriinformationabouttheunderwaterenvironment,aswhenthevehiclemovesinthewater,itsonboardsensorsperceivetheexternalenvironmentandextractusefulinformation,thenformamapoftheenvironmentincrementallywhilepositioningitself,thisissimultaneouslocalizationandmapping(SLAM).Therefore,SLAMisthekeytorealizethetrueautonomousnavigationforAUVinunknownenvironment.TheEKF-SLAMalgorithmisthebasicsolutiontoSLAMproblemamongmanyknownSLAMalgorithms,whichcanobtainthebestsolutiontoSLAMproblem.ButEKF-SLAMdescribestheuncertaininformationinSLAMbymaintainingacovariancematrix;thecalculationefficiencyforEKF-SLAMisveryslowasitisquadraticinthesizeofmap,whichlimitsitsapplicationinlarge-scaleenvironment.AimingatthesignificantcomputationalburdenoftheEKF-SLAMinthelargemapandcomplexenvironment,thispaperaddressesSparseExtendedInformationFilter(SEIF)algorithmbasedonextendedinformationfilter(EIF),whichistheinformationformofextendedkalmanfilter(EKF).Throughsparsificationoftheinformationmatrix,computationalcomplexityissignificantlyreducedandSE