[发明专利]一种大场景下自主移动机器人SLAM方法

权利要求书

1.一种大场景下自主移动机器人SLAM方法，其特征在于，包括如下步骤：

步骤1：采用不同噪声的加权和，对激光雷达观测到的空间环境数据建立一个空间似然域模型，具体为：

步骤1.1：建立观测模型：将雷达传感器本身的噪声、随机测量产生的误差和检测失败造成的误差观测分布进行不同权重的加权和建立一个近似高斯函数的观测模型：

其中雷达传感器本身的噪声服从高斯分布，随机测量产生的误差服从指数分布，表示高斯分布，指数分布概率密度函数以及检测失败的概率密度，α,β,χ分别是它们所对应的权重，由于传感器噪声占主要部分，所以权重α最大，通过实验不断调整α,β,χ的大小关系来构建一个适用于实际场景的模型；

步骤1.2：建立似然域模型：将步骤1.1得到的近似高斯函数作用于所有空间点障碍物数据，首先将参考点云所占的空间划分成网格或体素并计算每个网格的均值和方差；接着由里程计给出初始化的位姿参数x_t＝(x y θ)^T；然后根据传感器所测得的数据点变换到已知的地图上的变换关系观测数据转换到参考点云图中，转换关系为：

其中x_t＝(x y θ)^T表示机器人的位姿，(x_k' y_k')^T为传感器局部坐标位置，θ_k'表示传感器光束相对于机器人航向角的偏角；

步骤2：首先对步骤1得到的观测数据建立栅格化地图，状态估计方程为：

将等式右边取对数，则：

将连乘运算转换成加法运算，通过上式将整帧观测数据的概率转换成当前帧数据每一个点的概率；

对观测数据建立栅格化地图：将环境划分为n×n数量的栅格，以空闲和占据表示栅格的两种状态，空闲表示栅格所表示的空间没有障碍物，用白色来填充，占据表示栅格所代表的空间有障碍物，用黑色来填充，还没有探测到的未知区域为灰色，最后采用多级分辨率地图的方法进行最优位姿的搜索以及采用分枝定界法对搜索算法进行加速优化，初步得到机器人的位姿信息与环境地图信息；

步骤3：由步骤2得到的初步机器人位姿信息以及环境地图信息，通过构建位姿以及路标点之间的图模型，利用它们之间的约束关系，采用非线性优化的方式将估计位姿与实际观测所得到的位姿构造一个误差函数，最小化误差函数以进一步求得精确位姿；

步骤4：将得到的精确的位姿和地图信息，传送到基于信息论方法的自主探索算法中，该算法的长期目标是减少机器人在探索未知环境时所构建的地图的信息熵，短期目标是最大化互信息，互信息高的位置相当于环境的未被探索的区域，利用贝叶斯优化的方法来确定互信息极值点位置，从而确定移动机器人在未知环境中的每一个运动目标位置，让机器人自主完成定位与建图任务。