本站原创
摘要：实时定位技术是机器人在日常工作中完成各项任务的基础，为此本文给出了一种一般环境条件下基于激光数据特征提取的实时定位方法。该方法采用鲁棒的激光数据特征提取，通过对比实时样本和预定义模板的匹配程度以确认环境特征点。借助粒子滤波方法，利用里程计数据和当前观测到的环境特征点信息实时估计和验证机器人自身的位置和姿态。实验通过建立精确的机器人运动模型和激光数据观测模型，实现了仅用100个粒子就能进行机器人的实时定位。实验结果表明该方法能够准确提取环境中的疑似特征并依次实现了精确、快速的自定位。
关键词：激光数据；实时定位；粒子滤波
：ADoI: 10.3969/j.issn.1003-6970.201
【Key words】Laser data;Real-time location;Particle filter
0引 言
自主移动机器人是一种在没有人指引的情况下能在某种特定环境中独自执行指定任务的机器人。对于一个机器人，若要其独自完成指定的任务，就必须让它知道它自己所处的位置以进行导航。因此，机器人自定位问题是移动机器人研究领域的一个重要课题。通常，机器人在移动过程中借助各种传感器获取特定的环境信息，并将这些信息与预先提供给它的环境特征知识相比对，以此确定自身位置。
本文提出了一般环境条件下怎么写作机器人的实时定位技术。所使用的技术以鲁棒的激光数据特征提取为基础，通过对比实时样本和预定义模板的匹配程度，来确认环境特征点。本文采用贝叶斯模型，利用里程计数据估计机器人粗略位置并利用当前观测到的环境特征点相对坐标来获取机器人自身的精确位置和姿态。通过建立精确的机器人运动模型和激光数据观测模型，本文仅用了100个粒子就实现了机器人在一般环境条件下的实时定位。
机器人自定位问题分为两类：一类是全局定位问题，机器人不知道自己的初始位置和姿态，需依靠不断丰富的观测数据来跟环境匹配，获得一个全局最优，从而确定自身位置；另一类则是本地定位问题，机器人需有一个初始位置的候选范围，并根据观测实时更新自身位置和姿态。机器人自定位方法一般包含特征提取、特征匹配、位姿估计三个步骤。根据任务和地图类型的不同，特征提取和识别有很多种方法。而对于位姿估计，粒子滤波的方法则在实际应用中被广泛采用。
粒子滤波（particle filter）的思想是基于蒙特卡洛方法，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是基于顺序重要性采样法（SIS），具有可逼
近任意概率分布的特性，计算简单方便，与传统卡尔曼滤波器、马尔可夫算法相比，具有其特定的优越性，可应用于目标跟踪、移动机器人定位、地图创建、语音识别、故障诊断、统计分析等领域。最早将粒子滤波算法应用于移动机器人定位研究的是Dellaert等[3]和Fox等[4]，形成了蒙特卡洛定位算法(MCL)。该算法能够表示多峰分布，降低了存储空间，易于实现，鲁棒性强，是一种很有效的定位方法[5]。
虽然粒子滤波算法可以作为解决机器人定位问题的有效手段，但是该算法仍然存在着一些问题。其一是计算复杂度问题，该算法需要用大量的粒子数才能很好地近似系统的后验概率密度[6]。机器人面临的环境越复杂，描述后验概率分布所需要的粒子数就越多，算法的复杂度就越高。因此，能够有效地减少样本数量的自适应采样策略是该算法的重点[7]。其二是粒子数匮乏问题，SIS算法随着迭代次数增加，会出现粒子丧失多样性的现象，导致样本贫化现象，从而制约定位精度和实时性。如何保持粒子的有效性和多样性，克服粒子数匮乏问题，也是该算法研究重点。因此，该领域的研究热点将集中在重要性函数的选取、重采样方法研究、收敛性问题和与其他先进计算智能方法相融合等方面。
本文介绍了基于粒子滤波的定位算法，用以处理怎么写作机器人在复杂环境下的实时自定位问题。借助环境特征改进粒子滤波的更新步骤，使粒子权重更能够表现出真实情况，从而使算法适应动态环境。实验证明，该算法能够很好的跟踪机器人轨迹[15]。即使在很大的初始误差下，通过若干次更新，自定位算法依然可以恢复机器人的真实位置。
关键词：激光数据；实时定位；粒子滤波
：ADoI: 10.3969/j.issn.1003-6970.201
2.05.004
【Abstract】Real-time positioning technology is the basis of the robot to complete various tasks in their daily work, this paper gives a general environmental conditions based on the characteristics of the laser data to extract real-time positioning. the method uses laser data of robust feature extraction, and to confirm the environment through the comparison of real-time sample and predefined templates match feature points. With the particle filter method, odometer data and the current environmental characteristics of the observed point information in real time to estima中专生毕业论文www.udooo.com
te and verify the position and attitude of the robot itself. experiment through the establishment of accurate model of the robot movement and laser data observation model, only 100 particles will be able to conduct real-time positioning of the robot. the experimental results show that the suspected characteristics of this method can accurately extract the environment and in order to achieve accurate, fast, self-positioning.【Key words】Laser data;Real-time location;Particle filter
0引 言
自主移动机器人是一种在没有人指引的情况下能在某种特定环境中独自执行指定任务的机器人。对于一个机器人，若要其独自完成指定的任务，就必须让它知道它自己所处的位置以进行导航。因此，机器人自定位问题是移动机器人研究领域的一个重要课题。通常，机器人在移动过程中借助各种传感器获取特定的环境信息，并将这些信息与预先提供给它的环境特征知识相比对，以此确定自身位置。
本文提出了一般环境条件下怎么写作机器人的实时定位技术。所使用的技术以鲁棒的激光数据特征提取为基础，通过对比实时样本和预定义模板的匹配程度，来确认环境特征点。本文采用贝叶斯模型，利用里程计数据估计机器人粗略位置并利用当前观测到的环境特征点相对坐标来获取机器人自身的精确位置和姿态。通过建立精确的机器人运动模型和激光数据观测模型，本文仅用了100个粒子就实现了机器人在一般环境条件下的实时定位。
机器人自定位问题分为两类：一类是全局定位问题，机器人不知道自己的初始位置和姿态，需依靠不断丰富的观测数据来跟环境匹配，获得一个全局最优，从而确定自身位置；另一类则是本地定位问题，机器人需有一个初始位置的候选范围，并根据观测实时更新自身位置和姿态。机器人自定位方法一般包含特征提取、特征匹配、位姿估计三个步骤。根据任务和地图类型的不同，特征提取和识别有很多种方法。而对于位姿估计，粒子滤波的方法则在实际应用中被广泛采用。
粒子滤波（particle filter）的思想是基于蒙特卡洛方法，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是基于顺序重要性采样法（SIS），具有可逼
近任意概率分布的特性，计算简单方便，与传统卡尔曼滤波器、马尔可夫算法相比，具有其特定的优越性，可应用于目标跟踪、移动机器人定位、地图创建、语音识别、故障诊断、统计分析等领域。最早将粒子滤波算法应用于移动机器人定位研究的是Dellaert等[3]和Fox等[4]，形成了蒙特卡洛定位算法(MCL)。该算法能够表示多峰分布，降低了存储空间，易于实现，鲁棒性强，是一种很有效的定位方法[5]。
虽然粒子滤波算法可以作为解决机器人定位问题的有效手段，但是该算法仍然存在着一些问题。其一是计算复杂度问题，该算法需要用大量的粒子数才能很好地近似系统的后验概率密度[6]。机器人面临的环境越复杂，描述后验概率分布所需要的粒子数就越多，算法的复杂度就越高。因此，能够有效地减少样本数量的自适应采样策略是该算法的重点[7]。其二是粒子数匮乏问题，SIS算法随着迭代次数增加，会出现粒子丧失多样性的现象，导致样本贫化现象，从而制约定位精度和实时性。如何保持粒子的有效性和多样性，克服粒子数匮乏问题，也是该算法研究重点。因此，该领域的研究热点将集中在重要性函数的选取、重采样方法研究、收敛性问题和与其他先进计算智能方法相融合等方面。
本文介绍了基于粒子滤波的定位算法，用以处理怎么写作机器人在复杂环境下的实时自定位问题。借助环境特征改进粒子滤波的更新步骤，使粒子权重更能够表现出真实情况，从而使算法适应动态环境。实验证明，该算法能够很好的跟踪机器人轨迹[15]。即使在很大的初始误差下，通过若干次更新，自定位算法依然可以恢复机器人的真实位置。