不完整地图中移动机器人蒙特卡罗定位的研究.docVIP

不完整地图中移动机器人蒙特卡罗定位的研究 　　摘 要:针对移动机器人在不完整地图中定位的问题,提出了一种改进的粒子聚类蒙特卡罗定位(Monte Carlo localization, MCL)算法。在定位过程中,将机器人的位姿分为六种状态,每一种状态对应一个粒子簇。在机器人运动的过程中,这六种状态之间可以相互转移,在计算状态转移概率的基础上,实现了不完整地图中移动机器人蒙特卡罗定位算法。实验验证了该算法在解决移动机器人在不完整地图中定位问题的有效性。 　　关键词:移动机器人; 蒙特卡罗定位; 状态转移; 不完整地图 　　中图分类号:TP24 　　文献标志码:A 　　 　　文章编号:1001-3695(2010)02-0509-03 　　doi:10.3969/j.issn.1001-3695.2010.02.029 　　 　　Mobile robot Monte Carlo localization in partial map 　　 　　ZHANG Heng, LIU Yan-li, SUN Jin 　　 　　(School of Information Engineering, East China Jiaotong University, Nanchang 330013, China) 　　 　　Abstract:In order to overcome the difficulty of a mobile robot to perform localization in partial map, this paper proposed an improved particle-clustered Monte Carlo localization(MCL) algorithm. During the process of localization, the robot’s states were classed to 6 types, and one type of these was corresponding to a particle cluster. Based on computing the transition probability, realized a MCL algorithm in partial environment, which broke the restriction that the traditional MCL algorithm could only be used in the situation of complete map. Experiment results illustrate the validity of the proposed approach in solving problems of localization in partial map. 　　Key words:mobile robot; Monte Carlo localization(MCL); state transition; partial map 　　 　　机器人定位问题分为两类:位姿跟踪问题和全局定位问题。前者指机器人的初始位姿已知,根据传感器的观测信息来补偿码盘的误差;如果机器人的初始位姿未知,或者在跟踪过程中出现了“绑架”现象(即在未通知机器人的情况下改变机器人的位姿),那么就成了全局定位问题。近年来,越来越多的研究者把概率理论应用到移动机器人定位中[1]。对于解决全局定位问题,最具有代表性的是蒙特卡罗定位(MCL)算法[2]和马尔可夫定位(Markov localization)算法[3]。其中MCL算法具有实现简单、定位精度高、所需计算资源少等优点而受到研究者的青睐,并对其提出了许多改进的方法,其中具代表性的有Mixture-MCL[4]、自适应采样MCL[5]、遗传粒子滤波定位[6]、粒子聚类蒙特卡罗定位[7]等。 　　现有的定位方法大多是在地图完整的前提条件下进行的,即机器人的位姿总是在地图模型所对应的环境区域(本文中简称地图区域)中。但在有些情况下地图往往是不完整的,如地图是由机器人自主构建而非人工创建的,这种地图很难保证是完整覆盖工作空间的。随着移动机器人的自主性越来越高,这种不完整地图的情况会越来越多。另外,在多机器人同步定位与地图构建问题中,可以利用不完整地图机器人定位技术实现地图的合并。为了使机器人可以在不完整地图中定位,本文利用先前提出的粒子聚类蒙特卡罗定位算法[7]的基本思想对MCL算法进行了进一步扩展。将定位过程中机器人的位姿分为六种状态,每一种状态对应一个粒子簇。与文献[7]中算法不同的是,在机器人运动的过程中,这六