通讯范围受限条件下的多机器人主动SLAM

针对机器人通讯范围受限的问题,提出一种新的多机器人协作同时定位与建图(simultaneous localization and mapping, SLAM)方法。多个机器人采用基于最优控制的主动探索策略,创建自身周围区域的子地图,在每个建图周期内使用扩展的卡尔曼滤波器(extended Kalman filter, EKF)估计和维护子地图状态,并在一个周期结束后联络其通讯范围内的其他机器人,进行子地图的传递与融合。同时,为避免由通讯范围受限带来的地图过度融合问题,每个机器人保存每个建图周期内的局部子地图,待与其他机器人相遇时只传递并融合子地图的增量部分。仿真实验验证了该方法的有效性。     

改进路径跟踪算法在机器人SLAM中的应用研究

绘制地图是自动化物流领域的重要环节,目前普遍采用即时定位与建图(SLAM)方法,但在大规模场景下,机器人常在区域边缘地带反复测扫从而积累误差,无法快速构建高精度完整地图。提出一种基于辅助路径跟踪的机器人自主建图方法,对给定的初始草图进行栅格化去噪,通过多段三次多项式对辅助路径进行拟合改进,采用改进的纯跟踪算法引导机器人建图,改善SLAM建图过程的总距离和时间。实验表明：该算法在地图完整性、准确度和建图效率方面,较现有V-SLAM、QRCode-SLAM方法均有改善,为快速高效地构建地图提供了一种可视化的双向交互途径。     

基于物体关系描述的单目语义SLAM方法

外界环境的语义感知和自身位置的准确估计是移动机器人自主导航和作业的关键。提出了一种基于单目相机的语义SLAM(simultaneous localization and mapping)方法,在轨迹估计的同时完成三维目标检测。提取物体自身语义、尺寸、颜色分布及其邻域拓扑结构等多元信息作为描述子,实现帧间物体的准确关联。在后端对相机位姿、地图点和物体路标进行联合优化,并自适应调整代价函数中各误差项的权重系数,以提高各状态变量的估计精度和鲁棒性。实验结果表明,所提出的算法在地图构建方面具有较高的精度。     

多机器人协调系统研究综述

本文回顾了多机器人协调系统研究的发展历史，评述了目前各主要方向的进展，并就多机器人协调研究的前景提出了一些看法。     

基于多尺度光流融合特征点视觉-惯性SLAM方法

为提高视觉-惯性导航系统在弱纹理环境下的鲁棒性和精度,结合特征点法精度高和光流法速度快的特点以及惯性信息,提出一种多尺度均匀化光流融合特征点法的视觉-惯性同时定位与地图(simultaneous localization and mapping, SLAM)构建方法。首先,改进快速特征点提取和描述(oriented fast and rotated brief, ORB)特征提取过程,采用多尺度网格化的方法提取ORB特征点并利用四叉树均匀分配特征点,提高特征分布离散性。其次,在帧间采用LK(Lucas and Kanade)光流法追踪特征点进行帧间的数据关联,在关键帧对特征点进行描述子的计算和匹配从而实现关键帧间的数据关联,保证算法速度的同时提高定位精度和鲁棒性。最后,基于光流法建立的数据关联得到的初始位姿为后端优化提供初始值,整合ORB特征点重投影误差、惯性测量单元(inertial measurement unit, IMU)预积分误差以及滑动窗口先验误差构建最小化目标函数采用滑动窗口非线性优化进行求解。实验表明,所提方法相比单目视觉惯性系统具有更高的定位精度和鲁棒性,定位精度平均...     

基于压缩型EKF的SLAM改进算法

针对基于压缩型扩展卡尔曼滤波(CEKF)的SLAM算法在状态增广和地图管理两方面的不足,提出了一种改进算法(ICEKF算法).读算法通过增广辅助系数矩阵即可快速完成状态增广,计算复杂度由O(N2)降低为O(NA),其中N和NA分别为全局和局部地图中的路标数.在地图管理上,ICEKF算法采用一种基于欧氏距离的局部地图动态选择方法,避免了CEKF算法对全局地图进行预先划分带来的路标分配等问题.仿真表明ICEKF算法在估计结果上与EKF算法具有一致的最优性,与CEKF算法相比计算量大大降低.     

SLAM问题中特征相关性研究

结合SLAM算法及不确定性分析,对SLAM问题中的特征相关性进行了研究.并在对相关性进行详细深入分析的基础上,得到了特征稀疏的两个标准,进而提出了相关优先的特征稀疏策略,可利用较少的相关性强的特征从而减少大量的计算负担,计算误差却和一般传统方法相当.最后,采用EKF滤波对SLAM进行了仿真,通过多次Monte-Carlo仿真实验结果表明了该方法的有效性.     

基于多尺度信息综合的快速地图匹配算法研究

针对航片数字地图与实时图像的景象匹配实时性问题 ,提出了一种快速地图匹配方法———基于多尺度信息综合的数字地图匹配算法。该算法采用了多尺度分析与综合的思想 ,通过实时图像和参考图像在多尺度信息下的综合变换以及在同一尺度下的比较、综合 ,并结合一般常规图像匹配算法中的粗匹配和精匹配方法 ,实现了真实匹配位置的快速逼近 ,有效地提高了图像匹配的速度。通过PC机软件模拟仿真 ,该算法在匹配精度和匹配速度上都达到了较满意的效果。     

基于多智能体强化学习的多机器人协作策略研究

研究了一种基于智能体动作预测的多智能体强化学习算法. 在多智能体系统中,学习智能体选择动作不可避免地要受到其他智能体执行动作的影响,因此强化学习系统需要考虑多智能体的联合状态和联合动作.基于此,提出使用概率神经网络来预测其他智能体动作的方法,从而构成多智能体联合动作,实现了多智能体强化学习算法. 此外,研究了该方法在足球机器人协作策略学习中的应用,使多机器人系统能够通过与环境的交互学习来掌握行为策略,从而实现多机器人的分工和协作.     

基于粗糙集理论的多源信息融合故障诊断方法

在故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.首先,针对完备信息系统和不完备信息系统分剐提出了相应的融合算法,为解决数据超载以及不完整信息融合问题提供了有效的方法.其次,提出了基于粗糙集理论的多源信息融合故障诊断模型.该模型从包含冗余和不一致信息的原始数据出发,利用基于改进属性重要度的方法实现故障征兆属性约简;然后通过给出的值约简算法进一步产生最大广义决策规则集,建立了用于故障诊断的规则库.最后,在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据置信度、覆盖度和支持度进行综合评价,并得出诊断结论.给出的诊断实例验证了该方法的可行性和有效性.     

基于迭代无迹卡尔曼滤波的SLAM算法仿真研究

对迭代无迹卡尔曼滤波算法在SLAM问题中的应用进行仿真研究。通过仿真分析发现,与一般的无迹卡尔曼滤波算法相比,迭代的算法有时无法提高SLAM的精度,继而探讨了SLAM问题中选择采用迭代算法的条件;同时针对迭代算法的观测更新阶段,用阻尼的高斯-牛顿迭代方法改进完全高斯-牛顿迭代方法,从而提出一种改进的基于迭代无迹卡尔曼滤波的SLAM算法。仿真实验对提出的迭代条件进行了验证,仿真结果表明提出的SLAM算法与无迹卡尔曼滤波算法相比,可以进一步提高SLAM问题的估计精度。     

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。     

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。     

基于学习进化的机器人同时定位与地图创建

利用学习与进化结合的思想,改善基于粒子滤波的SLAM算法。在对学习与进化的关系深入分析的基础上,针对基于粒子滤波的SLAM算法,提出将滤波过程分成学习和进化两个阶段,分别给出相应算法解决粒子有效性与多样性的问题,缓解二者之间的矛盾,改善了SLAM算法的效果,增强了算法的鲁棒性,也验证了学习与进化的关系。最后,通过多次Monte-Carlo仿真实验结果表明了该算法的有效性。     

基于分层SLAM的空地多智能体协同导航

针对单一智能体在导航过程中存在全球导航卫星系统（global navigation satellite system,GNSS）易受遮挡或干扰,惯性导航存在误差累积的问题,提出基于视觉的分层即时定位与地图构建（simultaneous localization and mapping,SLAM）空地多智能体协同算法。通过建立系统模型,采用基于扩展卡尔曼滤波融合欧氏点、逆深度点、锚定同质点3种不同特征点的分层SLAM算法,实现了对导航系统的辅助和增强。针对空地协同场景设计并开展了仿真实验。结果表明,空地多智能体协同算法可以将位置误差降低40%;而在使用锚定同质点以后,误识别率由49%降低至4%。实验验证该算法具有良好的定位精度、实用性和有效性。     

稀疏扩展信息滤波SLAM算法的稀疏规则研究

稀疏规则是扩展信息滤波性能的关键。在现有的稀疏规则中,精确稀疏扩展信息滤波(ESEIF)的稀疏规则有较优的性能,但有其适用上的缺陷。通过将稀疏扩展信息滤波(SEIF)与精确稀疏扩展信息滤波(ESEIF)的稀疏规则结合起来,提出了一种组合的稀疏规则。该组合规则能适用于任何的探索环境,还充分利用了ESEIF稀疏规则的性能优势。最后,通过大量的Monte-Carlo仿真实验,验证了该方法的有效性。