本站原创摘 要：移动机器人同时定位与地图创建（SLAM）是实现未知环境下机器人自主导航的关键性技术,具有广泛的应用前景,也是目前机器人研究的热门课题之一.本文针对近年来关于移动机器人同时定位与地图创建的研究工作进行了总结和分析,重点介绍了移动机器人SLAM的问题描述、关键性技术、SLAM方法的发展现状及存在的不足.
关 键 词 ：移动机器人；同时定位与地图构建
1.SLAM问题描述
同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）问题是指把移动机器人放在未知环境中,机器人依靠自身所带的传感器递增式地创建未知环境的连续地图,同时利用所建立的地图刷新自身的位置[1].在SLAM过程中,机器人需要构建环境地图,为的是精确定位,而环境地图的构建又由机器人在每个时刻的位置决定.定位是为了确定移动机器人在其所处环境的全局坐标系中的坐标以及机器人本身的姿态,即移动机器人在全局坐标系中的位姿.地图创建是为了得到移动机器人对其工作环境的一种描述,所使用的地图模型依据其工作环境特点的不同而不同.近年来,SLAM问题为越来越多的专家学者所关注,并根据工作环境不同划分为室内环境SLAM、室外环境SLAM、水下环境SLAM、航空环境SLAM等.
2.解决SLAM问题的关键性技术
2.1 不确定性信息的处理
移动机器人在运动过程和观测过程中都存在一定程度的不确定性,如在运动过程中,移动机器人本身受到的未知外力或机械性能造成的不确定性以及里程计误差所带来的不确定性将导致机器人的位姿估计出现偏差.在观测过程中,传感器的测量误差所带来的不确定性以及数据关联的不确定性都将导致滤波发散,位姿校正失败.机器人工作环境越复杂,上述不确定性就会越大程度地影响SLAM的实现.
2.2 数据关联
数据关联是指移动机器人利用当前传感器的观测值对地图中已经存在的特征进行更新时,必须明确指出某个观测值对应于哪个特征、或是一个新特征、或是一个噪声数据.在一个大循环环境中,当机器人即将回到最初的位置,即要闭环时,机器人必须能够重新识别出己经观测过的物体.随着机器人的运动,机器人的累计位姿误差会逐渐增大,而且随着地图规模的扩大,需要计算的数据量也会成指数增长,这些都使得数据关联这一问题相当复杂.
2.3 环境建模
如前文所述,移动机器人的工作环境是相当复杂且多样化的,那么如何高效、准确的描述环境,即环境建模,就成了解决SLAM问题的另一个关键技术.
此外,还有计算复杂度、多传感器的信息融合以及动态环境特征等问题,都给SLAM的实现带来极大的挑战.
3.主要SLAM算法
如前文所述,SLAM的实现方法有很多,其中基于扩展卡尔曼滤波的SLAM方法和基于粒子滤波的SLAM方法得到了最广泛的应用.
3.1 基于扩展卡尔曼滤波的SLAM方法（EKF SLAM）
扩展卡尔曼滤波器是以卡尔曼滤波器为基础上发展起来的.扩展卡尔曼滤波算法（EKF）的运用使得非线性问题线性化,其原理是在上一时刻的预测点将系统状态方程和观测方程进行Taylor展开,并忽略所有非线性展开高阶项,来实现对非线性方程的近似线性化.目前EKF已成为了最基本的SLAM问题解决方案.
3.2 基于粒子滤波的SLAM算法
基于粒子滤波器的定位方法也被称为Monte Carlo定位法[4],以贝叶斯采样估计的序列重要性采样（Sequential Importance Sampling,SIS）为滤波思想.目前基于粒子滤波器的SLAM研究主要分为FastSLAM算法及其改进算法研究.FastSLAM又称RBPF SLAM（Rao-Blackwellised Particle Filter）,与EKF-SLAM算法的不同在于,RBPF SLAM采用粒子集来表示机器人的位姿（即机器人在全局坐标系中的坐标）,而环境特征的估计依然利用EKF解析计算.RBPF SLAM算法的计算复杂度为o（N-n）,其中N、n分别表示采样粒子的个数和环境特征的个数,相对于EKF SLAM的计算复杂度o（n2）,RBPF SLAM的计算复杂度和环境特征个数呈线性关系,因此RBPF SLAM又被称为FastSLAM[5].基于粒子滤波的SLAM算法优缺点：粒子滤波定位方法的优势主要体现在,它可以同时保留多个机器人位姿估计,相对于EKF SLAM算法的一种位姿估计,粒子滤波定位方法的鲁棒性更强.此外,粒子滤波能够处理多峰分布,不受限于高斯分布,内存耗用小,定位精度高,便于实现,可以处理几乎任何复杂系统的参数估计和状态滤波问题.它的缺陷主要体现在粒子群的早熟问题,随着粒子权值的更新,重要性权值的分布会变的越来越倾斜,使得粒子多样性不断下降,少数粒子占去绝大部分权重,在正确的位姿估计周围缺乏足够多的粒子,使得滤波器不能收敛到正确的估计.此外,粒子滤波的计算量较大,尤其是当粒子数目要求较大时.
4.总结
本文对近年来移动机器人同时定位与地图创建的研究工作进行了总结和分析,介绍了常用的地图创建方法及其不足,描述了同时定位与地图创建的基本思想,列举并指出了同时定位与地图创建所涉及到的关键性技术.
[参考文献]
[1]骆云祥.非线性滤波在移动机器人SLAM中的应用[D].[硕士学位论文].南京：南京理工大学自动化学院,2009.
[2]周武,赵春霞,沈亚强,等.基于全局观测地图模型的SLAM研究[J].机器人,2010, 32（5）：647-654.
[3]张文玲,朱明清,陈宗海.基于强跟踪UKF的自适应SLAM算法[J].机器人,2010, 32（2）：190-195.