基于图优化的二维激光SLAM研究

  • 基于图优化的二维激光SLAM研究已关闭评论
  • 80 views
  • A+
所属分类:AGV设计资料
摘要

现有的激光SLAM算法存在计算量大,难以完成回环等问题。该文基于激光传感数据与图优化理论,提出了一种新的SLAM算法。该算法采用体素滤波优化激光传感器的数据量,根据数据匹配程度建立子地图,然后以移动机器人的位姿为顶点,以观测数据为边建立图。根据图优化理论求解出误差最小的位姿,以此调整子地图的拼接效果,构建出完整的环境地图。该算法在仿真模型和实际环境中进行了验证。试验结果表明该SLAM算法可以较快地构建出精度合适的带回环检测的地图。

生产环境的平面图是移 动机器人进 行自主导航的依据,通常由人工进行测量,然后利用计算机辅 助 设 计 CAD(computer aided design)整理 而 成。人工测量通常会将障碍物边缘视为直线进行计算,存在一定的误差,还有耗费时间长,测量难度大,后续处理困难等缺点。 移动机器人运动过程中的同时定位与地图 构建 SLAM 算法的 提出正是为 了解决这一问题,为移动机器人自主导航奠定基础。 SLAM问题可以描述为:在未知环境中移动机器人从随机起点开始运动,根据运动过程中得到的传感器数据预估推测机器人本体的位姿, 构建出环境地图,同时标示出机器人在地图中的位姿[1]。

1 SLAM 及其问题

1.1 SLAM 分类

目前,主流的同时定位与地图构建 SLAM 算法可根据主要传感器的不同而分为 2 种,一种是基于激光传感器的 SLAM 算法, 其特点是距 离测量准确,数据处理比较简单。 常见的激光传感器有机械式激光雷达、固态雷达等。 另一种是基于视觉传感器的 SLAM 算法,具有应用场景丰富,适 用于复杂动态场景,适合多机协作,等特点。 常见的传感器有单目摄像头、双目摄像头、红外摄像头等[2]。

根据算法原理的不同,SLAM 算法可分为滤波法和图优化法。 滤波法是根据滤波算法,如扩展卡尔曼滤波、粒子滤波、无损卡尔曼滤波等,对每一帧观测数据进行处理后推测出机器人位姿,进而将观测数据拼合而成环境地图。 图优化法则是根据历史所有观测数据,以机器人的位姿作为点,位姿之间的关系作为边构建图,而后调整机器人位姿尽量满足边的约束,最后得出环境地图。 随着待建地图尺寸的扩大, 图优化法比滤波法的计算量增长更慢,内存占用少,并且更容易达成闭环[3-4]。

在此, 以虚拟 机器人 试 验 平 台 V-REP(virtualrobot experimentation platform) 为基 础 搭 建 SLAM算法仿真验证平台,提出一种基于图优化理论的激光 SLAM 算法,并在仿真环境和实际环境中验证算法可行性。

1.2 SLAM 问题

在二维地图中,机器人的位姿可以用向量(x,y,θ)(其中,x 和 y 分别为机器人的横、 纵坐标;θ 为机器 人 转 过 的 角 度)表 示,建 立 观 测 方 程 和 运 动 方程,即

zt, j =h(yj,xt,vt, j) (1)
xt = f (xt-1,ut,wt) (2)

式(1)中:xt,yj,zt, j 分别为 t 时刻时,机器人的位姿、第 j 个路标的位置、 传感器所获得的数据;vt, j 为本次观测中的噪声。 观测方程(1)描述了机器人观测到路标的过程。 式(2)中:ut 为 t 时刻机器人运动传感器的输入, 也可以理解为机器人的位移;xt 和 xt-1分别为 t 时刻及其上一时刻机器人的位姿;wt 为噪声。 运动方程(2)描述了机器人运动的过程。

采用观测方 程和运动 方 程 将 SLAM 问题 以 数学的形式表达。 SLAM 问题可以归结为:当知道运动传感器的数据 u 及激光传感器的读数 z 时, 同时求解定位问题(即求解 x 值)和建图问题(即求解 y值)。

因此,可以把 SLAM 问题建模成一个状态估计问题,即通过带有噪声的传感器测量数据,估计动态系统内部隐藏的状态变量,如图 1 所示。

基于图优化的二维激光SLAM研究

图 1 SLAM 算法模型

2 SLAM 算法

在图 1 所示 SLAM 问题模型中, 已知量 u,z 的值与真实值间存在一定误差,具体表现为在闭环的运动建图过程中:

抱歉,此资源仅限赞助会员下载,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。