[发明专利]基于航向辅助分布式SLAM的机器人自主导航方法

说明书

本发明公开了基于航向辅助分布式SLAM的机器人自主导航方法，属于机器人自主导航的范畴。本方法旨在结合机器人运动模型及观测模型的特点，在分布式滤波运算的框架下，分别比较粒子滤波与扩展卡尔曼滤波的诸如计算量等对系统性能有较大影响的因素，考虑到实时系统中对计算量的要求，采用分布式EKF算法设计滤波器而非采用PF算法，为了同时保证系统的可观测性，在传统的里程计+激光传感器作为传感器组合方案之外，引入磁罗盘作为辅助传感器从而给系统加入机器人的航向信息。该设计针对分布式滤波结构的观测模型，通过引入航向信息重新规划了滤波方法从而达到实用化机器人自主导航的目的，从而增加系统了的稳定性和精度。

技术领域

本发明涉及机器人同时定位与制图(SLAM)属于机器人自主导航的范畴，针对自主移动机器人如何确定自身位置及感知外界环境的问题，SLAM系统旨在通过机器人系统模型，结合相应的滤波方法完成自主移动机器人的定位与周围环境的制图。

背景技术

SLAM(Simultaneous Localization and Mapping)即同步定位与地图构建其基本原理是：当机器人处于未知环境中时，通过自身传感器收集自身运动状况及周围环境情况，无论采用何种滤波方法进行位置的估计，都需经历预测与更新的过程，传统2D-SLAM的设计，一般采用里程计采集的信息作为预测过程的输入，激光传感器采集的信息作为更新过程的输入，具体的滤波器设计可以有多种衍生，传统的以集中矩阵形式描述机器人位姿及路标点状态，本设计采用系统模型的分布化处理，建立由每个有效路标点单独构成子滤波器的模型结构，由各个子滤波器融合为统一的地图估计结果，基于此框架下，对其观测模型特性进行分析，通过其可观测性及收敛性的总结，引入磁罗盘的航向作为辅助信息加入至分布式观测环节的滤波过程中，从而达到改善系统可观测性的目的，系统的输出结果由里程计，激光传感器及磁罗盘的信息进行滤波生成。

由于集中式结构中，描述系统状态的矩阵维数动态时变，并且随着观测路标点的增加，矩阵维度也随之增加，只用单一滤波器完成计算过程会带来诸如计算量大，稳定性差和容错性差等问题，本设计使用的分布式结构的SLAM算法相对于传统集中式算法，所建立的每个滤波器都包含位姿信息及所对应固定路标点的信息，有效减小了计算量并提高了稳定性与容错性。对于分布式算法，有诸多提高精度的方法，主要通过改善滤波的方法及融合的算法来提高系统属性，而单纯地将集中式结构改成分布式结构而不加入其他传感器信息，同样面临可观测性降低的问题，由于单一路标点观测性无法得到保证，针对此类问题，主要有提高子滤波器中观测点个数等方法解决。针对现有技术的缺陷详述如下。

分布式结构的精度缺陷及解决方案：

分布式结构虽然状态矩阵维数相对固定能够解决计算量和不稳定的问题，但是由于子滤波器中的路标点较少，可观测性得不到有效的保证，即当只有一个观测点的信息时，无法保证系统在长时间运行过程中都是可观的，粒子滤波的方法对可观测性影响较小，但计算量的问题导致它不便于应用到实时系统中。当针对两个及以上不共线的观测点建立子滤波器时，可有效保证系统可观性，但此方案会带来子滤波器重构等不稳定因素，影响系统稳定性，故若试图同时考虑计算量，可观性，稳定性，考虑加入航向信息进行扶助，磁罗盘所提供的机器人本体航向信息能够解决可观测性的问题并且不会带来很频繁的子滤波器重构，规避了以上两者的缺陷，同时选用EKF作为滤波方法。综上所述，制定相关的基于航向辅助的分布式EKF算法作为有效解决方案。

发明内容

本方法旨在结合机器人运动模型及观测模型的特点，在分布式滤波运算的框架下，分别比较粒子滤波(PF)与扩展卡尔曼滤波(EKF)的诸如计算量等对系统性能有较大影响的因素，考虑到实时系统中对计算量的要求，采用分布式EKF算法设计滤波器而非采用PF算法，为了同时保证系统的可观测性，在传统的里程计+激光传感器作为传感器组合方案之外，引入磁罗盘作为辅助传感器从而给系统加入机器人的航向信息。该设计针对分布式滤波结构的观测模型，通过引入航向信息重新规划了滤波方法从而达到实用化机器人自主导航的目的。