[发明专利]一种基于模糊逻辑的同步定位与地图创建数据关联方法

说明书

技术领域

本发明涉及自主机器人技术领域，特别涉及一种基于模糊逻辑的同步定位与地图创建(Simultaneous Localization and Mapping，简称SLAM)数据关联方法。

背景技术

移动机器人的定位问题是确定机器人在各时刻相对于工作环境的相对位置和方位，定位是保证机器人自主导航的关键。对于已知环境中的机器人自主定位与已知机器人位置的地图创建已经有了一些实用的解决方法，然而在很多环境中机器人不能利用全局定位系统进行定位，而且事先获取机器人工作环境的地图很困难，甚至是不可能的。机器人环境建图问题通常都与机器人定位问题相关，可以分为机器人定位已知的环境建图问题和机器人定位未知的环境建图问题。机器人定位已知的建图问题相对比较简单，研究者进行了广泛的研究并提出了多种有效的解决方法。但是当机器人无法从外部获得定位信息时例如通过GPS、射频信标等，问题变得更加复杂，出现了许多新的特征。此时要求机器人从一个未知的位置出发，在不断运动的过程中利用自身携带的传感器对环境的感知递增地建立环境的导航地图，同时利用已建立的地图同步刷新自己的定位，从而全面地回答“我在哪里？”这一问题，这就是移动机器人同步定位与地图创建(SLAM)问题。

在SLAM问题研究的初期，研究者主要是将目标跟踪中的数据关联技术移植于SLAM中。直到最近几年，随着机器人应用环境越来越复杂，数据关联问题的研究逐渐受到人们的关注并提出了一些用于SLAM的数据关联算法。数据关联是建立传感器测量与以前其他测量数据之间的关系，以确定它们是否有一个公共源的处理过程，几乎所有的状态估计算法都会遇到数据关联的问题。数据关联处理必须建立每个测量与大量的可能数据集合的关系，每个数据集合表示一个说明该观测源的假设，它们可能是下列几种可能之一：(1)对前面已检测到的每一目标都有一个集合，当前一个测量与其中之一有同一源；(2)新目标集合，表示该测量是真实的，并且以前没有该目标的测量；(3)虚警集合，表示该测量是不真实的，它们可能是噪声、干扰或杂波剩余产生的，在某些条件下可以将它们消除掉。由于机器人位姿的不确定、特征密度的变化、环境中动态目标的干扰及观测中虚假成分的存在使得数据关联是一个非常困难、复杂的过程。与一般简单的定位不同，SLAM算法对数据关联非常敏感，错误的数据关联不仅会影响机器人的定位，还会改变建立的地图，直接导致SLAM算法不一致及发散。上述关于移动机器人同步定位与地图创建问题的说明具体可参考：文献1：季秀才，“机器人同步定位与地图创建中数据关联问题研究”，长沙，国防科学技术大学，2008；文献2：郭剑辉，“移动机器人同时定位与地图创建方法研究”，南京，南京理工大学，2008。

在早期SLAM研究中，最近邻数据关联方法被广泛应用，它通过对单个量测和特征间的马氏距离进行度量，完成独立关联。随后，JoséNeira等人针对SLAM问题，在分析最近邻关联算法局限性的基础上，提出了联合相容性检验(Joint Compatibility Test)关联算法。Sebastian Thrun等人将Monte Carlo数据关联方法用于FastSLAM算法中。Bailey Tim等人提出了基于图论的数据关联算法，用于对连续两帧传感器的路标观测进行数据关联。Dirk等人针对SLAM问题提出了惰性数据关联方法(Lazy Data Association)，对历史的错误数据关联进行修正，从而获得更准确的状态估计。这些方法各有特点，也存在一些不足，在复杂环境中算法所需的运算量较大，难以满足实时性需求，因此近年来研究者致力于适用性广、准确率高、计算量小的数据关联方法的探索。