复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2018/2327637gydF4y2Ba 2327637gydF4y2Ba 研究文章gydF4y2Ba 一种改进的基于激光扫描AMCL算法在复杂的非结构化环境相匹配gydF4y2Ba http://orcid.org/0000 - 0001 - 8801 - 0972gydF4y2Ba 彭gydF4y2Ba 帮派gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba http://orcid.org/0000 - 0002 - 5576 - 3633gydF4y2Ba 郑gydF4y2Ba 魏gydF4y2Ba 2gydF4y2Ba http://orcid.org/0000 - 0002 - 7148 - 1011gydF4y2Ba 陆gydF4y2Ba ZezaogydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba http://orcid.org/0000 - 0002 - 5119 - 113 xgydF4y2Ba 廖gydF4y2Ba 大连gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba http://orcid.org/0000 - 0002 - 0389 - 7103gydF4y2Ba 胡gydF4y2Ba 陆gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 张gydF4y2Ba GongyuegydF4y2Ba 3gydF4y2Ba http://orcid.org/0000 - 0002 - 9766 - 1598gydF4y2Ba 他gydF4y2Ba 鼎鑫gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 钟gydF4y2Ba 纯平gydF4y2Ba 1gydF4y2Ba 自动化学院的gydF4y2Ba 华中科技大学gydF4y2Ba 武汉430074gydF4y2Ba 中国gydF4y2Ba hust.edu.cngydF4y2Ba 2gydF4y2Ba 重点实验室的图像处理与智能控制教育部gydF4y2Ba 中国gydF4y2Ba moe.edu.cngydF4y2Ba 3gydF4y2Ba 自动化学院的gydF4y2Ba 中国科学技术大学gydF4y2Ba 合肥230026年gydF4y2Ba 中国gydF4y2Ba ustc.edu.cngydF4y2Ba 2018年gydF4y2Ba 11gydF4y2Ba 12gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 17gydF4y2Ba 06gydF4y2Ba 2018年gydF4y2Ba 24gydF4y2Ba 09年gydF4y2Ba 2018年gydF4y2Ba 11gydF4y2Ba 12gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 版权©2018帮派彭et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

自适应蒙特卡罗定位(AMCL)算法构成有限精度的nonconvexity激光传感器模型,工作环境的复杂和非结构化特性,粒子抽样的随机性,最后的选择问题。本文改进了AMCL算法,旨在建立一个激光雷达机器人定位系统在一个复杂的和非结构化的环境中,用激光雷达点云scan-matching过程后粒子的分数计算的过程。AMCL粒子群的加权平均数的姿势是用作初始扫描匹配过程的姿势。激光雷达点云匹配概率从粗到细网格地图使用Gaussian-Newton方法,从而更准确的姿势。此外,scan-matching姿势被添加到一个较高的权重的粒子的粒子群。所以重采样后的粒子群将会更加集中在正确的位置。粒子滤波和scan-matching过程形成一个闭环,从而提高移动机器人的定位精度。实验结果表明,该改进AMCL算法优于传统AMCL算法在复杂的非结构化环境中,利用高精度扫描匹配的特征,而继承AMCL的稳定性。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 61672244gydF4y2Ba 1。介绍gydF4y2Ba

机器人应用的不断扩大,机器人面对的工作环境变得日益复杂和非结构化。对智能移动机器人来说,最大的技术挑战是有能力感知环境和获得的感知信息自主定位、导航和驾驶控制。特别是,它更重要的是在非结构化的复杂环境中自主定位。在一个结构化的环境中,信息感知在地上可以转化为一个简单的边界结构指导知觉行为策略的形成。但在非结构化环境的不均匀地面或不同大小的障碍,很难描述环境作为常规结构与环境的感知信息,从而增加机器人的自主定位的困难。此外,一些复杂的地形如沟壑和泥泞的地面等非结构化的环境和恶劣的天气雨,雪,雾,灰尘也会影响定位的准确性和鲁棒性。gydF4y2Ba

到目前为止,问题的自主移动机器人系统的定位被广泛讨论。在过去的几十年里,移动机器人定位技术能够可靠地完成定位在某些特定的应用场景。但是实现高精度和高可靠性的定位在一个复杂的非结构化环境中仍然是一个具有挑战性的任务。gydF4y2Ba

在一个工业实际应用场景中,移动机器人的操作环境通常是固定在一段时间(gydF4y2Ba 1gydF4y2Ba]。概率定位方法已经被证明是健壮的在这个静态环境。概率定位方法主要是基于扩展卡尔曼滤波(gydF4y2Ba 2gydF4y2Ba)、直方图滤波和粒子滤波,即蒙特卡罗定位(制程)gydF4y2Ba 3gydF4y2Ba]。激光雷达传感器通常用于机器人定位和避障,因为他们可以精确测量的距离障碍没有复杂的图像预处理,如视觉传感器。特别是在工业环境中,大多数工业机器人配备了激光雷达来感知环境,避开障碍,踩下刹车。在文献[gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba),一个标准的蒙特卡洛定位方法是用于病人激光雷达定位误差约0.05米到0.2米。在文献[gydF4y2Ba 6gydF4y2Ba),基于扩展卡尔曼滤波定位算法与生病的激光雷达是用于Pioneer2机器人;造成误差大约是0.25米,3.5°。gydF4y2Ba

蒙特卡洛定位算法是一种概率定位算法应用于一个二维的职业网格地图(gydF4y2Ba 7gydF4y2Ba),它使用粒子滤波算法(gydF4y2Ba 8gydF4y2Ba]。粒子群是用来描述和跟踪当前可能构成的移动机器人在已知的地图gydF4y2Ba 5gydF4y2Ba]。它可以估计全球造成少量的计算和低内存占用。同时,估计在机器人的运动姿势非常光滑,适合移动机器人的导航控制(gydF4y2Ba 9gydF4y2Ba]。不过,它总是会受到强烈的nonconvexity激光雷达传感器模型和复杂的非结构化环境的特性。例如,电力变电站巡检机器人系统如图gydF4y2Ba 1gydF4y2Ba在强磁场环境中,影响传感器噪声和粒子滤波的局限性。在实际应用程序中,蒙特卡洛定位算法的准确性和鲁棒性是有限的。gydF4y2Ba

电力变电站试点。gydF4y2Ba

然而,在一些复杂的和非结构化环境,极高的机器人定位精度是一个重要的条件来执行多个任务。一个典型的例子是,一个机器人拿起一个物体从一个固定的位置(如传送带或工作台)。开展全球定位,机器人通常配备了高精度激光雷达传感器。在挑选对象之前,机器人需要移动到适当的位置。为了提高定位精度,一些辅助定位设备如磁条或QR码通常部署在相应的位置附近。然而,安装辅助定位设备需要改变生产环境,这限制了机器人系统的灵活性。gydF4y2Ba

为了解决机器人自主定位的准确性和鲁棒性问题在复杂的非结构化环境中,本文提出了一种改进的自适应蒙特卡罗定位算法基于激光扫描匹配,结合激光scan-matching算法(gydF4y2Ba 10gydF4y2Ba)和蒙特卡罗定位算法。它继承了高精度激光扫描匹配算法和蒙特卡洛定位算法的可靠性。使用我们的算法,移动机器人的定位仍然是高度精确和高度可靠的在复杂的非结构化环境中没有任何辅助定位设备。gydF4y2Ba

 2。蒙特卡洛定位算法gydF4y2Ba

蒙特卡洛定位算法主要分为以下四个步骤,如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

蒙特卡洛定位算法的基本步骤。gydF4y2Ba

当激光传感器用于定位机器人在一个2 d网格地图,如果机器人位姿,很容易计算激光束之间的协议和被占领的网格。因此,制程算法可以使用,代表机器人的构成与许多粒子(gydF4y2Ba 11gydF4y2Ba),如图gydF4y2Ba 3gydF4y2Ba。计算粒子的重量与地图根据协议;然后,确定估计姿态和定位机器人。然而,有一些问题在制程算法:它不能解决机器人绑架问题。一旦构成变化不连续,本地化将会失败(gydF4y2Ba 12gydF4y2Ba]。为了提高定位精度,许多粒子需要添加,导致定位收敛速度缓慢。gydF4y2Ba

匹配粒子群网格地图。gydF4y2Ba

AMCL算法适应于制程算法来解决以上问题。AMCL算法随机添加自由粒子重采样期间(gydF4y2Ba 13gydF4y2Ba]。自由粒子的数量是基于长期的估计重量计算gydF4y2Ba ωgydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba ogydF4y2Ba wgydF4y2Ba 和短期估计重量gydF4y2Ba ωgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba :gydF4y2Ba (1)gydF4y2Ba ωgydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba ogydF4y2Ba wgydF4y2Ba =gydF4y2Ba ωgydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba ogydF4y2Ba wgydF4y2Ba +gydF4y2Ba αgydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba ogydF4y2Ba wgydF4y2Ba ωgydF4y2Ba 一个gydF4y2Ba vgydF4y2Ba ggydF4y2Ba −gydF4y2Ba ωgydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba ogydF4y2Ba wgydF4y2Ba ,gydF4y2Ba ωgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba =gydF4y2Ba ωgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba +gydF4y2Ba αgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ωgydF4y2Ba 一个gydF4y2Ba vgydF4y2Ba ggydF4y2Ba −gydF4y2Ba ωgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

在(gydF4y2Ba 1gydF4y2Ba),gydF4y2Ba ωgydF4y2Ba 一个gydF4y2Ba vgydF4y2Ba ggydF4y2Ba 是所有粒子的平均体重;的参数gydF4y2Ba αgydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba ogydF4y2Ba wgydF4y2Ba 和gydF4y2Ba αgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 分别是用来估计的衰减率与长期和短期体重指数滤波器(gydF4y2Ba 0gydF4y2Ba ≤gydF4y2Ba αgydF4y2Ba 年代gydF4y2Ba lgydF4y2Ba ogydF4y2Ba wgydF4y2Ba ≪gydF4y2Ba αgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba )[gydF4y2Ba 14gydF4y2Ba]。gydF4y2Ba

Kullback-Leibler散度(KLD)算法用于重新取样AMCL算法中的粒子(gydF4y2Ba 15gydF4y2Ba]。该方法可以自适应地计算所需数量的粒子基于粒子权值的分布。的上限gydF4y2Ba NgydF4y2Ba tgydF4y2Ba ogydF4y2Ba pgydF4y2Ba 粒子的数量表示gydF4y2Ba (2)gydF4y2Ba NgydF4y2Ba tgydF4y2Ba ogydF4y2Ba pgydF4y2Ba =gydF4y2Ba kgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba kgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba kgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba βgydF4y2Ba 3gydF4y2Ba 。gydF4y2Ba

在(gydF4y2Ba 2gydF4y2Ba),参数gydF4y2Ba αgydF4y2Ba 和gydF4y2Ba βgydF4y2Ba 分别是,最大误差和标准正态分布的分位数之间真正的分布和估计。gydF4y2Ba kgydF4y2Ba 在状态空间的非空的数量的粒子。可以看出,上界gydF4y2Ba NgydF4y2Ba tgydF4y2Ba ogydF4y2Ba pgydF4y2Ba 粒子的数量有一个近似的线性关系gydF4y2Ba kgydF4y2Ba 。在最初的全球定位、粒子和更加分散gydF4y2Ba kgydF4y2Ba 是更大的,所以上限吗gydF4y2Ba NgydF4y2Ba tgydF4y2Ba ogydF4y2Ba pgydF4y2Ba 粒子的数量更高;当全球定位完成;这个问题成为了轨迹跟踪问题。在这个时候,粒子更集中和融合。非空的状态空间很小的数量;gydF4y2Ba kgydF4y2Ba 小,上限吗gydF4y2Ba NgydF4y2Ba tgydF4y2Ba ogydF4y2Ba pgydF4y2Ba 粒子的数量减少。这样,粒子的数量实际上是动态调整(gydF4y2Ba 16gydF4y2Ba]。粒子的总数减少导致更好的计算效率。gydF4y2Ba

然而,AMCL算法仍然存在一个问题:当机器人在复杂和非结构化环境的动态障碍和不均匀地面的最佳姿势估计算法粒子群的中心而不是之间的最佳匹配构成地图和激光扫描的结果。即使收敛,不能保证定位的准确性和鲁棒性。此外,一旦粒子群之间的误差和实际构成很大,需要一些时间来调整自己,甚至导致可怕的定位偏差。gydF4y2Ba

 3所示。一种改进的自适应蒙特卡罗定位在复杂的非结构化环境中gydF4y2Ba

为了解决这个问题在AMCL算法来估计机器人的构成作为粒子群的中心加权偏差在复杂的非结构化环境中,本文增加了扫描激光扫描匹配的匹配与地图,如图gydF4y2Ba 4gydF4y2Ba。scan-matching算法得到的姿势估计AMCL算法作为输入。然后,激光扫描与概率一致网格地图使用Gaussian-Newton迭代法(gydF4y2Ba 17gydF4y2Ba]。最后,优化姿势估计解决了扫描匹配是添加到AMCL粒子群。gydF4y2Ba

提出了改善AMCL算法的流程图。gydF4y2Ba

 3.1。扫描匹配原则gydF4y2Ba

对机器人配备了激光传感器,一个概率网格地图的定位问题可以转化成所示的匹配优化的问题gydF4y2Ba (3)gydF4y2Ba ξgydF4y2Ba ∗gydF4y2Ba =gydF4y2Ba 参数gydF4y2Ba 最小值gydF4y2Ba ξgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba 的职业概率地图在给定坐标点gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba 是激光扫描射线的端点的坐标在地图坐标系统在移动机器人位置gydF4y2Ba ξgydF4y2Ba :gydF4y2Ba (4)gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba =gydF4y2Ba 因为gydF4y2Ba ψgydF4y2Ba −gydF4y2Ba 罪gydF4y2Ba ψgydF4y2Ba 罪gydF4y2Ba ψgydF4y2Ba 因为gydF4y2Ba ψgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba +gydF4y2Ba pgydF4y2Ba xgydF4y2Ba pgydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

在(gydF4y2Ba 4gydF4y2Ba),gydF4y2Ba PgydF4y2Ba xgydF4y2Ba 和gydF4y2Ba PgydF4y2Ba ygydF4y2Ba 代表激光传感器的坐标,gydF4y2Ba ψgydF4y2Ba 是机器人的定位角。gydF4y2Ba

扫描匹配的目标是,给定一个初始估计gydF4y2Ba ξgydF4y2Ba ,一个小偏离实际的姿势,找到一个偏差gydF4y2Ba ΔgydF4y2Ba ξgydF4y2Ba 调整激光扫描结果与概率网格地图(gydF4y2Ba 18gydF4y2Ba]:gydF4y2Ba (5)gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba +gydF4y2Ba ΔgydF4y2Ba ξgydF4y2Ba 2gydF4y2Ba →gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

一阶泰勒展开的gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba +gydF4y2Ba ΔgydF4y2Ba ξgydF4y2Ba 的扩张,找到最小值(解决偏导数gydF4y2Ba ΔgydF4y2Ba ξgydF4y2Ba ,让它是0),最后,得到gydF4y2Ba (6)gydF4y2Ba ΔgydF4y2Ba ξgydF4y2Ba =gydF4y2Ba HgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ∇gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ∂gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ∂gydF4y2Ba ξgydF4y2Ba TgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ,gydF4y2Ba 那里的海赛矩阵gydF4y2Ba HgydF4y2Ba 和偏导数gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba 来gydF4y2Ba ξgydF4y2Ba 是gydF4y2Ba (7)gydF4y2Ba HgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ∇gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ∂gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ∂gydF4y2Ba ξgydF4y2Ba TgydF4y2Ba ∇gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ∂gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ∂gydF4y2Ba ξgydF4y2Ba ,gydF4y2Ba (8)gydF4y2Ba ∂gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ξgydF4y2Ba ∂gydF4y2Ba ξgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba 罪gydF4y2Ba ψgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba −gydF4y2Ba 因为gydF4y2Ba ψgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 因为gydF4y2Ba ψgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba −gydF4y2Ba 罪gydF4y2Ba ψgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

由于地图gydF4y2Ba 米gydF4y2Ba 是一个概率网格地图,它是离散的,而不是连续的。为了获得地图的导数gydF4y2Ba 米gydF4y2Ba ,进行双线性插值gydF4y2Ba xgydF4y2Ba 和gydF4y2Ba ygydF4y2Ba 地图上的方向(gydF4y2Ba 19gydF4y2Ba),如图gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

双线性插值。gydF4y2Ba

根据图gydF4y2Ba 5gydF4y2Ba的概率值gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba 是gydF4y2Ba (9)gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba ≈gydF4y2Ba ygydF4y2Ba −gydF4y2Ba ygydF4y2Ba 0gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 0gydF4y2Ba xgydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 11gydF4y2Ba +gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 01gydF4y2Ba +gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba ygydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 0gydF4y2Ba xgydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 10gydF4y2Ba +gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 00gydF4y2Ba 。gydF4y2Ba

米gydF4y2Ba PgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 网格的概率是gydF4y2Ba PgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 占领。的偏导数gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 是gydF4y2Ba (10)gydF4y2Ba ∂gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba ∂gydF4y2Ba xgydF4y2Ba ≈gydF4y2Ba ygydF4y2Ba −gydF4y2Ba ygydF4y2Ba 0gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 11gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 01gydF4y2Ba +gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba ygydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ygydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 10gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 00gydF4y2Ba ,gydF4y2Ba ∂gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba ∂gydF4y2Ba ygydF4y2Ba ≈gydF4y2Ba xgydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 11gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 10gydF4y2Ba +gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba xgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 01gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 00gydF4y2Ba 。gydF4y2Ba

扫描匹配的核心是利用一阶泰勒级数展开的Gaussian-Newton迭代方法来近似代替非线性回归模型。迭代后,残留的平方之和(gydF4y2Ba 5gydF4y2Ba)原模型的最小化。最后,gydF4y2Ba ξgydF4y2Ba +gydF4y2Ba ΔgydF4y2Ba ξgydF4y2Ba 是激光扫描结果的优化带来最好与网格地图的概率。gydF4y2Ba

 3.2。在复杂的非结构化环境中扫描匹配过程gydF4y2Ba

后全球定位在一个复杂和非结构化环境,定位问题成为pose-tracking问题。由于复杂的和非结构化环境中,机器人位姿估计的AMCL算法粒子群的加权平均数,并仍有一定偏离实际的姿势。根据上述scan-matching原则,Gaussian-Newton迭代法是采用将AMCL算法的构成作为初始值gydF4y2Ba ξgydF4y2Ba 并优化它从粗到细的多分辨率的地图上。在每一层中,Gaussian-Newton方法用于解决偏差gydF4y2Ba ΔgydF4y2Ba ξgydF4y2Ba ,从而导致更准确的姿势。具体的过程如图所示gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

scan-matching过程的流程图。gydF4y2Ba

如果AMCL的粒子群算法集合,即姿态估计的解收敛,scan-matching算法进一步优化。首先,提出解决AMCL算法作为初始扫描匹配的姿势。然后,Gaussian-Newton迭代执行一层一层地从低分辨率高分辨率的多分辨率的地图。迭代之后,它会得到一个更准确的姿势。如果错误的解决方法扫描匹配和AMCL算法的解决小于阈值,扫描匹配的解决方案提出将插入到AMCL粒子群作为一个较高的权重的粒子;如果误差大于阈值,这意味着扫描匹配的解决方案可能是错误的,所以它应该放弃。gydF4y2Ba

因为扫描匹配使用的解决方案AMCL作为初始值,如果AMCL解决方案大大不同于实际的姿势,扫描匹配将会失败。此外,扫描获得的最优粒子匹配必须插入到AMCL粒子群,形成一个闭环减少之间的区别AMCL和扫描匹配的解决方案。gydF4y2Ba

应该注意的是,扫描匹配采用逐层迭代多分辨率地图上的原则。连续、导数地图,地图是一个概率栅格地图。低分辨率的地图在多层地图downsampled从原始高分辨率的地图。gydF4y2Ba

 4所示。实验gydF4y2Ba

分析的效果添加扫描匹配原始AMCL算法,实验进行移动机器人配备一个单行的激光雷达,分别使用原始AMCL算法,并提出了改进AMCL算法。机器人的最大线速度运动设置为0.3 m / s,和最大角速度设置为1 rad / s。gydF4y2Ba

4.1。原始AMCL算法实验gydF4y2Ba

验证原始AMCL算法的定位效果,在占用网格地图由制图师(gydF4y2Ba 20.gydF4y2Ba),使用原始AMCL算法进行定位实验。加快收敛,初始粒子群附近随机生成实际初始姿势。这个绿色的小箭头在图gydF4y2Ba 7gydF4y2Ba代表一个姿势粒子;红色箭头代表机器人位姿估计在每一个时刻,和红色的点云是激光扫描点云。AMCL算法中粒子的最小数字是500,最大的是5000。图gydF4y2Ba 7(一)gydF4y2Ba显示了粒子群的初始状态。机器人的初始姿态的一个近似估计是提供加速本地化收敛。从图可以看出,许多附近的粒子生成初始姿态估计。图gydF4y2Ba 7 (b)gydF4y2Ba和图gydF4y2Ba 7 (c)gydF4y2Ba表明,颗粒逐渐收敛,机器人的动作。根据红点云在图gydF4y2Ba 7 (b)gydF4y2Ba和图gydF4y2Ba 7 (c)gydF4y2Ba,激光扫描点与障碍。这是由于当前环境下非结构化和复杂;粒子群的加权平均数的姿势是用作估计构成原始AMCL算法结果之间在一定的偏差估计体式和实际。gydF4y2Ba

移动机器人基于AMCL全球本地化过程。gydF4y2Ba

初始状态gydF4y2Ba

收敛过程gydF4y2Ba

后收敛gydF4y2Ba

 4.2。Scan-Matching实验gydF4y2Ba

验证扫描匹配的优化效果,我们也选择做实验在一个复杂和非结构化环境嘈杂的强磁场下复杂环境(变电站)。激光点云对应于原始AMCL算法的加权平均数的姿势,和点云与优化后scan-matching优化绘制在图gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

实验结果的激光点云对齐。gydF4y2Ba

在图gydF4y2Ba 8gydF4y2Ba,红色的点云是激光点云扫描结果对应于原始AMCL算法的加权平均数的姿势,和蓝色的点云是激光点云扫描结果对应于优化scan-matching优化后的姿势。比较激光点云的对齐效果和黑地图障碍,它显示相对应的姿势与障碍红点云是不一致的,这表明有一个偏差之间构成了原始AMCL算法和实际的姿势。扫描匹配后,相对应的蓝色的点云优化构成比红色的点云对齐显示扫描匹配可以有效地提高姿态精度时,机器人是静止的。gydF4y2Ba

 4.3。改进AMCL算法实验gydF4y2Ba

比较原始的动态定位效果AMCL相同算法提出了改进AMCL算法的复杂的非结构化的实验环境,我们不选择插入或scan-matching解回AMCL粒子群形成闭环。一种开环和闭环版本的改进AMCL算法实验。gydF4y2Ba

的开环版本改进AMCL算法使用原始AMCL加权均值算法的粒子群的初始值扫描匹配但不插入scan-matching解回AMCL的粒子群算法。原始AMCL的加权均值算法的粒子群和扫描匹配解决方案来验证记录扫描匹配对精度的影响。gydF4y2Ba

的闭环版本改进AMCL算法插入scan-matching优化解决方案到粒子群与AMCL形成一个闭环算法如果扫描匹配成功。改进的加权均值AMCL算法的粒子群和扫描匹配解决方案记录分析之间的区别这两个解决方案。gydF4y2Ba

在地图上定位实验进行了尺寸为16.075米×9.9米和0.025米的网格大小,如图gydF4y2Ba 9gydF4y2Ba。几个直线往返运动实验和闭环运动实验使用开环和闭环版本的改进AMCL算法,分别。gydF4y2Ba

地图定位实验。gydF4y2Ba

 4.3.1。直线往返运动实验使用的开环版本AMCL改善gydF4y2Ba

直线往返从世界坐标系统的起源开始,沿着X轴的正方向超过5米(允许小的调整角度保持一致)。然后,控制机器人回到原点和记录两种姿势估计输出为“端点1。“接下来,控制机器人移动超过3 m沿着X轴的负方向。最后,控制机器人移动回到原点和记录两种姿势估计输出为“端点2。“6次重复以上操作。机器人已经运行超过100和10分钟往返运动实验。gydF4y2Ba

原始AMCL的加权均值算法的粒子群和扫描匹配的优化解决方案。这两个姿态估计的偏差来源如表所示gydF4y2Ba 1gydF4y2Ba。的轨迹从起点到终点2这两个方法如图所示gydF4y2Ba 10gydF4y2Ba。gydF4y2Ba

直线往返运动实验的结果。gydF4y2Ba

机器人gydF4y2Ba起源的姿势gydF4y2Ba 错误的原始AMCLgydF4y2Ba 错误的开环AMCL版本的改善gydF4y2Ba
XgydF4y2Ba / mgydF4y2Ba YgydF4y2Ba / mgydF4y2Ba θgydF4y2Ba / radgydF4y2Ba XgydF4y2Ba / mgydF4y2Ba YgydF4y2Ba / mgydF4y2Ba θgydF4y2Ba / radgydF4y2Ba
起点gydF4y2Ba 0.014gydF4y2Ba 0.011gydF4y2Ba −0.004gydF4y2Ba −0.019gydF4y2Ba −0.014gydF4y2Ba −0.009gydF4y2Ba
端点1gydF4y2Ba 0.053gydF4y2Ba 0.032gydF4y2Ba −0.024gydF4y2Ba 0.006gydF4y2Ba −0.006gydF4y2Ba −0.014gydF4y2Ba
端点2gydF4y2Ba 0.052gydF4y2Ba 0.014gydF4y2Ba −0.004gydF4y2Ba 0.002gydF4y2Ba −0.008gydF4y2Ba 0.003gydF4y2Ba
端点3gydF4y2Ba 0.051gydF4y2Ba 0.009gydF4y2Ba −0.027gydF4y2Ba 0.009gydF4y2Ba −0.014gydF4y2Ba −0.011gydF4y2Ba
端点4gydF4y2Ba 0.042gydF4y2Ba −0.010gydF4y2Ba −0.018gydF4y2Ba −0.018gydF4y2Ba −0.011gydF4y2Ba 0.001gydF4y2Ba
端点5gydF4y2Ba 0.055gydF4y2Ba −0.028gydF4y2Ba 0.006gydF4y2Ba 0.004gydF4y2Ba −0.017gydF4y2Ba −0.007gydF4y2Ba
端点6gydF4y2Ba 0.049gydF4y2Ba −0.005gydF4y2Ba −0.016gydF4y2Ba −0.019gydF4y2Ba −0.010gydF4y2Ba 0.000gydF4y2Ba
端点7gydF4y2Ba 0.043gydF4y2Ba 0.030gydF4y2Ba −0.007gydF4y2Ba 0.016gydF4y2Ba −0.010gydF4y2Ba 0.008gydF4y2Ba
端点8gydF4y2Ba 0.027gydF4y2Ba 0.014gydF4y2Ba −0.003gydF4y2Ba −0.020gydF4y2Ba −0.008gydF4y2Ba −0.007gydF4y2Ba
端点9gydF4y2Ba 0.018gydF4y2Ba 0.000gydF4y2Ba 0.016gydF4y2Ba −0.020gydF4y2Ba −0.013gydF4y2Ba −0.011gydF4y2Ba
端点10gydF4y2Ba −0.015gydF4y2Ba −0.018gydF4y2Ba −0.002gydF4y2Ba −0.009gydF4y2Ba −0.008gydF4y2Ba −0.004gydF4y2Ba
端点11gydF4y2Ba −0.026gydF4y2Ba 0.001gydF4y2Ba −0.008gydF4y2Ba −0.007gydF4y2Ba −0.007gydF4y2Ba −0.021gydF4y2Ba
端点12gydF4y2Ba −0.038gydF4y2Ba 0.000gydF4y2Ba 0.013gydF4y2Ba −0.010gydF4y2Ba −0.004gydF4y2Ba −0.020gydF4y2Ba
最大| |gydF4y2Ba 0.055gydF4y2Ba 0.032gydF4y2Ba 0.027gydF4y2Ba 0.020gydF4y2Ba 0.017gydF4y2Ba 0.021gydF4y2Ba
| |最小gydF4y2Ba 0.015gydF4y2Ba 0.000gydF4y2Ba 0.002gydF4y2Ba 0.002gydF4y2Ba 0.004gydF4y2Ba 0.000gydF4y2Ba
|是|gydF4y2Ba 0.039gydF4y2Ba 0.013gydF4y2Ba 0.012gydF4y2Ba 0.012gydF4y2Ba 0.010gydF4y2Ba 0.009gydF4y2Ba

直线往返运动轨迹的实验。gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba显示原始AMCL算法的最大定位误差在直线往返运动实验是关于两个网格的大小(5厘米);平均定位误差超过一个网格大小(2.5厘米)。scan-matching优化后的最大定位误差小于1网格大小(2.5厘米)和平均定位误差是一个网格大小(1.25厘米)的一半。这表明scan-matching算法在移动机器人可以有效地提高定位精度。gydF4y2Ba

 4.3.2。使用开环闭环运动实验版本的改进AMCLgydF4y2Ba

为闭环运动实验中,机器人的最大速度设置为0.3米/秒,最大角速度是1 rad / s。机器人沿着一个闭环路径(方位角变化超过360°),回到原点。然后,机器人调整其对与原点尽可能一致。闭环实验重复3次。原始AMCL定位误差的加权均值算法的粒子群和相应的扫描误差匹配解决方案如表所示gydF4y2Ba 2gydF4y2Ba。机器人的轨迹在第一个实验中如图gydF4y2Ba 11gydF4y2Ba。gydF4y2Ba

由于闭环运动实验(开环版本)。gydF4y2Ba

机器人gydF4y2Ba起源的姿势gydF4y2Ba 错误的原始AMCLgydF4y2Ba 相应的扫描误差匹配的解决方案gydF4y2Ba
XgydF4y2Ba / mgydF4y2Ba YgydF4y2Ba / mgydF4y2Ba θgydF4y2Ba / radgydF4y2Ba XgydF4y2Ba / mgydF4y2Ba YgydF4y2Ba / mgydF4y2Ba θgydF4y2Ba / radgydF4y2Ba
实验1gydF4y2Ba 0.145gydF4y2Ba −0.017gydF4y2Ba 0.057gydF4y2Ba 0.009gydF4y2Ba −0.007gydF4y2Ba −0.012gydF4y2Ba
实验2gydF4y2Ba −0.101gydF4y2Ba −0.065gydF4y2Ba 0.015gydF4y2Ba −0.014gydF4y2Ba −0.012gydF4y2Ba −0.009gydF4y2Ba
实验3gydF4y2Ba 0.052gydF4y2Ba −0.185gydF4y2Ba −0.032gydF4y2Ba 0.015gydF4y2Ba −0.016gydF4y2Ba 0.008gydF4y2Ba
最大| |gydF4y2Ba 0.145gydF4y2Ba 0.185gydF4y2Ba 0.057gydF4y2Ba 0.015gydF4y2Ba 0.016gydF4y2Ba 0.012gydF4y2Ba
| |最小gydF4y2Ba 0.052gydF4y2Ba 0.017gydF4y2Ba 0.015gydF4y2Ba 0.009gydF4y2Ba 0.007gydF4y2Ba 0.008gydF4y2Ba
|是|gydF4y2Ba 0.099gydF4y2Ba 0.089gydF4y2Ba 0.035gydF4y2Ba 0.013gydF4y2Ba 0.012gydF4y2Ba 0.010gydF4y2Ba

闭环运动轨迹实验(开环版本)。gydF4y2Ba

原AMCL的最大定位误差是14.5厘米,18.5厘米,0.057 rad,平均定位误差是9.9厘米,8.9厘米,0.035 rad。在完成scan-matching原始AMCL优化解决方案的基础上,最大定位误差降低到1.5厘米,1.6厘米,0.012 rad,平均定位误差是1.3厘米,1.2厘米,0.010 rad。这表明姿势后扫描匹配的准确性远远高于原来的AMCL当机器人移动回到原点。gydF4y2Ba

比较图gydF4y2Ba 10gydF4y2Ba与图gydF4y2Ba 11gydF4y2Ba,它表明scan-matching解决方案更好;路径更连续没有大的波动,如果机器人沿着一条直线,但scan-matching解决方案变动,甚至失败如果机器人旋转位置。实验中使用的原因是激光扫描频率过低(5赫兹),导致大量的激光扫描偏差。所以使用原始AMCL解作为初始估计扫描匹配精度较低。gydF4y2Ba

因为上述原因,当机器人的图所示gydF4y2Ba 11gydF4y2Ba的定位误差scan-matching解决方案是比原来的AMCL解决方案。然而,机器人的移动回原点后,scan-matching解决方案的定位误差远小于原来的AMCL解决因为AMCL过度依赖于机器人的运动模型。机器人旋转的一个点上时,传感器误差就大(尤其是对里程计和激光),导致在转坏AMCL算法的定位精度,影响后续的本地化。gydF4y2Ba

 4.3.3。闭环运动实验使用的闭环版本AMCL改善gydF4y2Ba

的闭环版本改进AMCL算法在用于闭环运动实验,插入scan-matching解决方案为high-weighted粒子回到AMCL粒子群形成闭环。实验参数类似于上面的实验。实验重复四次。实验结果如表所示gydF4y2Ba 3gydF4y2Ba。实验的轨迹图所示gydF4y2Ba 12gydF4y2Ba。gydF4y2Ba

由于闭环运动实验(闭环版本)。gydF4y2Ba

机器人gydF4y2Ba起源的姿势gydF4y2Ba 改进AMCL算法的闭环版本gydF4y2Ba
错误的加权平均数粒子群的解决方案gydF4y2Ba 错误扫描匹配的解决方案gydF4y2Ba
XgydF4y2Ba / mgydF4y2Ba YgydF4y2Ba / mgydF4y2Ba θgydF4y2Ba / radgydF4y2Ba XgydF4y2Ba / mgydF4y2Ba YgydF4y2Ba / mgydF4y2Ba θgydF4y2Ba / radgydF4y2Ba
实验1gydF4y2Ba −0.011gydF4y2Ba −0.018gydF4y2Ba −0.017gydF4y2Ba −0.012gydF4y2Ba −0.013gydF4y2Ba −0.032gydF4y2Ba
实验2gydF4y2Ba −0.024gydF4y2Ba −0.002gydF4y2Ba 0.001gydF4y2Ba 0.004gydF4y2Ba −0.006gydF4y2Ba −0.008gydF4y2Ba
实验3gydF4y2Ba −0.018gydF4y2Ba −0.012gydF4y2Ba 0.013gydF4y2Ba 0.005gydF4y2Ba 0.000gydF4y2Ba 0.028gydF4y2Ba
实验4gydF4y2Ba −0.001gydF4y2Ba −0.012gydF4y2Ba −0.008gydF4y2Ba −0.011gydF4y2Ba −0.012gydF4y2Ba −0.006gydF4y2Ba
最大| |gydF4y2Ba 0.024gydF4y2Ba 0.018gydF4y2Ba 0.017gydF4y2Ba 0.012gydF4y2Ba 0.013gydF4y2Ba 0.032gydF4y2Ba
| |最小gydF4y2Ba 0.001gydF4y2Ba 0.002gydF4y2Ba 0.001gydF4y2Ba 0.004gydF4y2Ba 0.000gydF4y2Ba 0.006gydF4y2Ba
|是|gydF4y2Ba 0.014gydF4y2Ba 0.011gydF4y2Ba 0.010gydF4y2Ba 0.008gydF4y2Ba 0.008gydF4y2Ba 0.019gydF4y2Ba

闭环运动实验的结果(闭环版本)。gydF4y2Ba

如表所示gydF4y2Ba 3gydF4y2Ba,闭环版本的改进AMCL算法,scan-matching解决方案和AMCL算法的粒子群,形成一个闭环改进粒子群的加权平均数的准确性。四次循环运动的实验表明,最大定位误差的加权平均数粒子群是2.4厘米,1.8厘米,0.017 rad,网格的大小,和平均定位误差是1.4厘米,1.1厘米,0.010 rad,网格的大小的一半。scan-matching最大定位误差的解决方案是1.2厘米,1.3厘米,0.032 rad,网格尺寸的一半,平均定位误差是0.8厘米,0.8厘米,0.019 rad,大约三分之一的网格的大小。gydF4y2Ba

闭环版本的改进AMCL算法提高了精度的加权平均数AMCL粒子群通过插入高精度scan-matching解决方案,和粒子群的加权平均数作为未来scan-matching过程的初始值。因为迭代的初始值更精确,scan-matching解决方案更好的准确性。在这种相互促进,定位精度明显提高。gydF4y2Ba

如图gydF4y2Ba 12gydF4y2Ba,因为迭代的初始值的准确性较高,scan-matching解的振幅与闭环显著降低版本的改进AMCL算法,但是仍有一个小的不确定性时,机器人正在转向。gydF4y2Ba

根据上面的比较分析,在实际应用中,特别是在一个复杂和非结构化环境,原始AMCL算法的定位精度较低,最大定位误差超过10厘米由于以下几个原因。scan-matching过程可以显著优化带来的精度(误差减少一半)。最大静态定位误差不超过一个网格(2.5厘米)和平均定位误差只有一半是一个网格(1.25厘米)。然而,由于激光传感器的局限性,激光扫描的结果不够准确在机器人转向。它使扫描匹配不确定,导致姿态估计的不连续。gydF4y2Ba

因为扫描匹配和AMCL形成一个闭环,加权平均数的准确性造成AMCL算法粒子群的了极大的改进;scan-matching解决方案也更顺利、更稳定。改进的AMCL算法降低了电网的最大定位误差(2.5厘米)和平均定位误差也被减少到一半一个网格(1.25厘米);scan-matching解决方案的最大定位误差减少到一半网格(1.25厘米),和平均定位误差减少到小于1厘米。gydF4y2Ba

实验,scan-matching算法具有适应性强激光雷达噪声,可以正确处理复杂非结构化环境的情况和有更大的改进比原AMCL算法的准确性和可靠性。因此,原始的准确性AMCL scan-matching算法可以改进的算法,和本地化的健壮性的增加不会减少由于scan-matching过程。gydF4y2Ba

摘要扫描匹配添加到原始AMCL算法。它使粒子群收敛更快地正确的姿势,和总粒子数更快收敛于一个较低的水平。因此,更新粒子群的计算,和重采样是低于原AMCL算法。gydF4y2Ba

 5。结论gydF4y2Ba

针对这一问题,传统的AMCL算法定位精度很低,在一个复杂和非结构化环境,本文提出了一种改进的基于激光扫描AMCL算法匹配。首先,它增加了scan-matching过程和Gaussian-Newton迭代方法适用于优化构成。然后,scan-matching解决方案反馈AMCL形成一个封闭的循环,使激光雷达扫描端点的对齐和地图障碍,导致更高的定位精度。结合高精度的优点AMCL扫描匹配和稳定的姿势,我们提出的方法提高了定位精度,同时保持其鲁棒性。实验结果证明了该方法的有效性和可行性。本文提出的改进AMCL算法有两种构成输出:粒子群的加权平均数,更稳定,scan-matching解决方案,更准确。其中一个姿势可以选择满足需要定位在实际应用的连续性和准确性。这种方法的性能依赖于激光传感器的准确性。当移动机器人,有姿态估计的不确定性。估计姿势将提高更高的激光传感器的扫描频率。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的实验数据来支持本研究的结果包括在本文中。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

本文是由中国国家自然科学基金的支持,没有。61672244。gydF4y2Ba

 肖gydF4y2Ba P。gydF4y2Ba 烹调的菜肴gydF4y2Ba y Q。gydF4y2Ba 郭gydF4y2Ba R。gydF4y2Ba 王gydF4y2Ba m·R。gydF4y2Ba 太阳gydF4y2Ba Y。gydF4y2Ba 研究激光导航系统的智能巡逻机器人gydF4y2Ba Zidonghuayu Yibiao /自动化和仪表gydF4y2Ba 2012年gydF4y2Ba 27gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba 9gydF4y2Ba 赵gydF4y2Ba 年代。gydF4y2Ba 顾gydF4y2Ba J。gydF4y2Ba 欧gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba W。gydF4y2Ba 聚氨酯gydF4y2Ba J。gydF4y2Ba 彭gydF4y2Ba H。gydF4y2Ba IRobot self-localization使用卡尔曼滤波器gydF4y2Ba 2016年IEEE信息与自动化国际会议上(ICIA)gydF4y2Ba 2016年8月gydF4y2Ba 浙江,中国gydF4y2Ba 801年gydF4y2Ba 806年gydF4y2Ba 10.1109 / icinfa.2016.7831929gydF4y2Ba 2 - s2.0 - 85015800149gydF4y2Ba 霍农gydF4y2Ba 一个。gydF4y2Ba OßwaldgydF4y2Ba 年代。gydF4y2Ba 麦尔gydF4y2Ba D。gydF4y2Ba BennewitzgydF4y2Ba M。gydF4y2Ba 蒙特卡罗定位为仿人机器人在复杂的室内环境中导航gydF4y2Ba 国际仿人机器人技术杂志》上gydF4y2Ba 2014年gydF4y2Ba 11gydF4y2Ba 2,1441002条gydF4y2Ba 10.1142 / S0219843614410023gydF4y2Ba 2 - s2.0 - 84904766473gydF4y2Ba DellaertgydF4y2Ba F。gydF4y2Ba 福克斯gydF4y2Ba D。gydF4y2Ba BurgardgydF4y2Ba W。gydF4y2Ba 杜伦gydF4y2Ba 年代。gydF4y2Ba 蒙特卡罗定位为移动机器人gydF4y2Ba 学报1999年IEEE机器人与自动化国际会议上(猫。No.99CH36288C)gydF4y2Ba 1999年gydF4y2Ba 美国底特律,MIgydF4y2Ba 1322年gydF4y2Ba 1328年gydF4y2Ba 10.1109 / robot.1999.772544gydF4y2Ba 杜伦gydF4y2Ba 年代。gydF4y2Ba 福克斯gydF4y2Ba D。gydF4y2Ba BurgardgydF4y2Ba W。gydF4y2Ba DellaertgydF4y2Ba F。gydF4y2Ba 健壮的蒙特卡罗定位为移动机器人gydF4y2Ba 人工智能gydF4y2Ba 2001年gydF4y2Ba 128年gydF4y2Ba 1 - 2gydF4y2Ba 99年gydF4y2Ba 141年gydF4y2Ba 10.1016 / s0004 - 3702 (01) 00069 - 8gydF4y2Ba 2 - s2.0 - 0035336711gydF4y2Ba IvanjkogydF4y2Ba E。gydF4y2Ba KitanovgydF4y2Ba 一个。gydF4y2Ba 佩特gydF4y2Ba 我。gydF4y2Ba 基于模型的卡尔曼滤波器self-localization移动机器人gydF4y2Ba 机器人定位和地图构建gydF4y2Ba 2010年gydF4y2Ba InTechgydF4y2Ba 10.5772/9256gydF4y2Ba 杜伦gydF4y2Ba 年代。gydF4y2Ba BurgardgydF4y2Ba W。gydF4y2Ba 福克斯gydF4y2Ba D。gydF4y2Ba 概率的机器人gydF4y2Ba 2005年gydF4y2Ba 麻省理工学院出版社gydF4y2Ba 周gydF4y2Ba F。gydF4y2Ba 江gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba 美国问。gydF4y2Ba 张gydF4y2Ba y . H。gydF4y2Ba 曾gydF4y2Ba X。gydF4y2Ba 吴gydF4y2Ba Y。gydF4y2Ba 移动目标定位和跟踪算法:基于粒子滤波的方法gydF4y2Ba 软件学报gydF4y2Ba 2013年gydF4y2Ba 24gydF4y2Ba 8gydF4y2Ba 2196年gydF4y2Ba 2213年gydF4y2Ba 10.3724 / sp.j.1001.2013.04367gydF4y2Ba 2 - s2.0 - 84885351535gydF4y2Ba 张gydF4y2Ba b·F。gydF4y2Ba 孟gydF4y2Ba x P。gydF4y2Ba 悦gydF4y2Ba H。gydF4y2Ba 移动机器人定位方法的概述gydF4y2Ba 山东工业技术gydF4y2Ba 2014年gydF4y2Ba 22gydF4y2Ba 250年gydF4y2Ba 250年gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba JaakkolagydF4y2Ba 一个。gydF4y2Ba 刘gydF4y2Ba J。gydF4y2Ba HyyppagydF4y2Ba J。gydF4y2Ba HyyppagydF4y2Ba H。gydF4y2Ba Navis-an作出室内定位系统利用激光扫描匹配为大面积实时应用程序gydF4y2Ba 传感器gydF4y2Ba 2014年gydF4y2Ba 14gydF4y2Ba 7gydF4y2Ba 11805年gydF4y2Ba 11824年gydF4y2Ba 10.3390 / s140711805gydF4y2Ba 2 - s2.0 - 84903886015gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 英航gydF4y2Ba B。gydF4y2Ba 崔gydF4y2Ba w·J。gydF4y2Ba 陆gydF4y2Ba z Y。gydF4y2Ba 基于马尔可夫蒙特卡罗的室内定位算法gydF4y2Ba 西安电子科技大学学报gydF4y2Ba 2016年gydF4y2Ba 43gydF4y2Ba 2gydF4y2Ba 145年gydF4y2Ba 149年gydF4y2Ba 李gydF4y2Ba 彭译葶。gydF4y2Ba 李gydF4y2Ba I.-H。gydF4y2Ba 简gydF4y2Ba 中州。gydF4y2Ba 王gydF4y2Ba W.-Y。gydF4y2Ba 许gydF4y2Ba c c。gydF4y2Ba 改进的蒙特卡罗定位与健壮的取向估计基于云计算gydF4y2Ba 2016年IEEE国会进化计算(CEC)gydF4y2Ba 2016年7月gydF4y2Ba 加拿大温哥华gydF4y2Ba 4522年gydF4y2Ba 4527年gydF4y2Ba 10.1109 / cec.2016.7744365gydF4y2Ba 2 - s2.0 - 85008263777gydF4y2Ba 丁gydF4y2Ba l . X。gydF4y2Ba 道gydF4y2Ba w·J。gydF4y2Ba 设计和实现定位导航的室内移动机器人在未知的环境中gydF4y2Ba 军械自动化gydF4y2Ba 2018年gydF4y2Ba 3gydF4y2Ba HantengydF4y2Ba R。gydF4y2Ba 巴克gydF4y2Ba 年代。gydF4y2Ba OttegydF4y2Ba 年代。gydF4y2Ba 泽尔gydF4y2Ba 一个。gydF4y2Ba Vector-AMCL:基于矢量的自适应蒙特卡罗定位室内地图gydF4y2Ba 智能自治系统14gydF4y2Ba 2017年gydF4y2Ba 施普林格gydF4y2Ba 403年gydF4y2Ba 416年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 48036 - 7 - _29gydF4y2Ba 2 - s2.0 - 85013041569gydF4y2Ba 太阳gydF4y2Ba 年代。gydF4y2Ba 李gydF4y2Ba T。gydF4y2Ba SattargydF4y2Ba t P。gydF4y2Ba 通过KLD-resampling调整样本量在粒子过滤器gydF4y2Ba 电子信件gydF4y2Ba 2013年gydF4y2Ba 49gydF4y2Ba 12gydF4y2Ba 740年gydF4y2Ba 742年gydF4y2Ba 10.1049 / el.2013.0233gydF4y2Ba 2 - s2.0 - 84879755262gydF4y2Ba 太阳gydF4y2Ba D。gydF4y2Ba GeißergydF4y2Ba F。gydF4y2Ba NebelgydF4y2Ba B。gydF4y2Ba 在动态环境中有效的定位gydF4y2Ba 2016年IEEE / RSJ智能机器人和系统国际会议(——)gydF4y2Ba 2016年10月gydF4y2Ba 韩国大田市gydF4y2Ba 4517年gydF4y2Ba 4523年gydF4y2Ba 10.1109 / iros.2016.7759665gydF4y2Ba 2 - s2.0 - 85006476383gydF4y2Ba SarkargydF4y2Ba B。gydF4y2Ba 萨哈gydF4y2Ba 年代。gydF4y2Ba 朋友gydF4y2Ba p K。gydF4y2Ba 一个新颖的方法计算的重要性权重在蒙特卡洛定位线基于航段地图gydF4y2Ba 机器人和自治系统gydF4y2Ba 2015年gydF4y2Ba 74年gydF4y2Ba 51gydF4y2Ba 65年gydF4y2Ba 10.1016 / j.robot.2015.07.001gydF4y2Ba 2 - s2.0 - 84955678496gydF4y2Ba PedrosagydF4y2Ba E。gydF4y2Ba 佩雷拉gydF4y2Ba 一个。gydF4y2Ba 刘gydF4y2Ba N。gydF4y2Ba 高效的本地化与连续可能性领域基于扫描匹配gydF4y2Ba 2017年IEEE国际会议上自主机器人系统和竞赛(ICARSC)gydF4y2Ba 2017年4月gydF4y2Ba Coimbra、葡萄牙gydF4y2Ba 61年gydF4y2Ba 66年gydF4y2Ba 10.1109 / icarsc.2017.7964053gydF4y2Ba 2 - s2.0 - 85026864903gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 太阳gydF4y2Ba F。gydF4y2Ba 方gydF4y2Ba B。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 机器人room-level本地化使用多套声纳测量gydF4y2Ba IEEE仪表和测量gydF4y2Ba 2017年gydF4y2Ba 66年gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 13gydF4y2Ba 10.1109 / tim.2016.2618978gydF4y2Ba 2 - s2.0 - 84994338821gydF4y2Ba 赫斯gydF4y2Ba W。gydF4y2Ba 科勒gydF4y2Ba D。gydF4y2Ba 拉普gydF4y2Ba H。gydF4y2Ba 和或gydF4y2Ba D。gydF4y2Ba 在2 d激光雷达实时循环关闭大满贯gydF4y2Ba 2016年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”gydF4y2Ba 2016年5月gydF4y2Ba 斯德哥尔摩,瑞典gydF4y2Ba 1271年gydF4y2Ba 1278年gydF4y2Ba 10.1109 / icra.2016.7487258gydF4y2Ba 2 - s2.0 - 84977545823gydF4y2Ba