鲁棒的机器人粒子滤波即时定位与地图构建的实现

优先出版计算机应用研究第32卷--------------------------------基金项目：科技部国际合作资助项目(2010DFA12160)；重庆市科技攻关项目(CSTC，2010AA2055)作者简介：张毅(1966-)，男，博士，教授，主要研究方向为机器人及应用、数据融合、信息无障碍技术；程铁凤(1989-)，女，重庆，硕士研究生，主要研究方向为机器人自主导航技术；罗元(1972-)，女，博士，教授，主要研究方向为信号与信息处理、数字图像处理；傅有力(1990-)，男，重庆，硕士研究生，主要研究方向为机器人自主导航技术．鲁棒的机器人粒子滤波即时定位与地图构建的实现张毅，程铁凤，罗元，傅有力(重庆邮电大学信息无障碍研发中心，重庆400065)摘要：为了实现未知环境下的移动机器人同时定位与地图构建，提出一种改进的粒子滤波器算法。针对传统粒子滤波器粒子数量大的问题，通过在粒子滤波重要性采样阶段融入激光传感器观测信息，以减少所需粒子数。重采样之后出现粒子严重枯竭时，进行马尔可夫蒙特卡洛移动处理以降低粒子的匮乏效应。该方法在装有机器人操作系统的Pioneer3-DX机器人上进行测试，实验结果表明，它能够在线地创建高精度的栅格地图。关键词：即时定位与地图构建；粒子滤波；马尔科夫-蒙特卡洛；机器人操作系统中图分类号：TP242.6文献标志码：ARobustrobotsimultaneouslocalizationandmappingimplementationbasedonimprovedparticlefilterZHANGYi,CHENGTie-feng,LUOYuan,FUYou-li(ResearchCenterofInformationAccessibility,ChongqingUniversityofPosts&Telecommunications,Chong-qing40065,China)AbstractInordertoimplementthemobilerobotsimultaneouslocalizationandmappinginunknownenvironments,thispaperpresentsanimprovedparticlefilteralgorithm.Todecreasethelargenumberofparticlesthatneededinnormalparticlefilter,itintegratestheobservedinformationoflaserrangefinderintoimportancesampling.Whensevereparticleimpoverishmentoccursafterresampling,thealgorithmtakesMarkovChainMonteCarlomovingprocesstoreduceparticleimpoverishmenteffect.ThemethodistestedonaPioneer3-DXrobotwithrobotoperatingsystem.Actualexperimentresultsshowthatthemethodcouldgeneratehigh-precisiongridmapinrealtime.KeywordsSLAM;particlefilter;MarkovChainMonte;robotoperatingsystem0引言随着人们生活水平的提高，机器人将走出工厂，进入人们的生活。那么，对机器人具有良好的移动性能和自主导航能力的需求迫在眉睫。在未知环境下的同时定位与地图构建[1]（SimultaneousLocalizationandMapping,SLAM）是机器人自主导航要解决的关键技术之一。SLAM是一个复杂的问题，它使机器人定位与地图估计相互依赖，需要在高维空间下寻找一种计算方法。粒子滤波器[2]基于概率统计的思想具有可逼近任意概率分布的特性，适用于移动机器人定位、地图构建并且也得到了广泛的应用。它与传统的卡尔曼滤波器和马尔可夫算法相比有其特定的优势，不限制于线性系统和高斯噪声假设，能有效地处理非线性和非高斯系统。Murphy,Doucet[3]等人提出的Rao-Blackwellized粒子滤波器（RBPF）[4]是一种有效地解决移动机器人的SLAM问题的方法。RBPF算法的主要问题在于要建立一幅精确的栅格地图时需要对大量的粒子进行运算，而且重采样过程会降低粒子的多样性，导致出现粒子匮乏效应。Montemerlo，Thrun等人先后提出了FastSLAM1.0和改进的FastSLAM2.0算法[5]有效地降低了粒子数目，提高了运算速度，然而两种算法都是在特征数据关联已知的条件下进行，实际环境特征具有很大的不确定性很难满足假设，能够实现基于特征地图构建，不适合用于高精度的栅格地图构建。造成粒子滤波器失步的主要原因有以下两点：1）在进行重要性采样时，单纯的依靠里程计信息进行预测，机器人打滑等里程计噪声直接与滤波器收敛与否高度相关；2）普通的粒子滤波重采样算法，直接复制权值高的粒子，导致降低了粒子的多样性，不具备在滤波器收敛时，细化粒子使粒子分布在真实值周围，而当滤波器发散时，使粒子向周围扩散，让下一步预测更好的收敛到实际的位置。针对以上两个问题首先在粒子预测分布时融入当前的激光测距仪的观测信息，然后尽量减少重采样的次数和加入MCMC移动处理步骤避免重采样之后粒子的严重匮乏问题。在过去，SLAM算法大多都是在仿真平台上进行验证，本文搭建一个基于机器人操作系统（RobotOperatingSystem,ROS）[6]的实验平台，在非结构化的室内环境下进行在线栅格地图构建。为此，本文安排如下：首先介绍粒子滤波器SLAM算法的基础；然后描述SLAM粒子滤波存在的问题进行改进的方法；阐述基于ROS机器人平台的搭建和设置；在此机器人平台上进行实验，实验结果表明此方法的可行性和鲁棒性；最后给出本文的总结。1粒子滤波器的基本原理根据Murphy的RBPF[3]算法，SLAM实现的主要思想是估文章预览已结束获取全文请访问