文摘

新颖的点对点扫描匹配的方法是提出解决姿态估计和移动机器人的地图构建问题。极地扫描匹配(PSM)和基于指标的迭代最近点(Mb-ICP)通常用于点对点扫描匹配任务。然而,由于事实PSM认为无关紧要的地区的极半径的分布相似的参考和当前扫描和Mb-ICP假定对旋转角度的恒重规范,他们可能导致失配的参考和当前扫描在真实的场景中。为了获得更好的匹配结果,准确估计机器人的姿势,我们介绍一种新的衡量标准规则,极地Metric-Weighted规范(PMWN),也考虑了旋转和翻译都匹配的参考和当前的扫描。对机器人位姿估计,标题旋转角度估计通过通讯建立结果和进一步纠正一个绝对值函数,然后PMWN称为投影圆的几何属性是用来估计机器人翻译。广泛的实验进行评估PMWN-based方法的性能。结果表明,该方法优于PSM和Mb-ICP精度,效率和循环闭合差映射。

1。介绍

定位和环境映射是移动机器人的基本功能。占主导地位的实现这些功能的方法是使用一个扫描匹配方法(1- - - - - -4),机器人位姿的迭代估计的参考和电流之间建立通讯扫描。在每个迭代中,最受欢迎的方法是一组预定义的最近邻规则应用于三种类型的特征(5),也就是说,段(表示为直线或曲线),角落(环境显著特性变化),和原始点,实现扫描匹配。

一般来说,扫描匹配方法将分为三类(基于特征表示6),也就是说,feature-to-feature方法(7,8],point-to-feature方法[9,10),和点对点的方法(11- - - - - -14]。Feature-to-feature方法采用标准位置匹配特性的参考和当前的扫描,而point-to-feature方法是利用在几何距离标准匹配段参考扫描与当前扫描点。然而,这两种方法受到不确定或misrecognized特性,这不可避免地导致快速赤纬的姿势估计精度在实际的室内环境。因此,这些方法只适用于结构简单的环境特性表示。点对点方式,相比之下,更适用于未知环境,因为他们是独立于环境的特性。最早的点对点扫描匹配方法是迭代最近点(ICP) (11),在其实际的应用程序是有限的,因为长时间运行时,收敛速度低。目前,这两个最受欢迎的点对点算法Mb-ICP [13]和PSM [14]。前者假定一个常数的重量标准旋转角,但旋转角是不同的在每一个迭代。这可能导致参考和当前扫描之间的失配。此外,它有一个高计算成本匹配并计算每一对激光扫描点之间的引用和当前的扫描。后者主要考虑旋转移动机器人,有时可能导致失配自极半径的分布无关的地区参考和当前的扫描是相似的。

为了解决Mb-ICP和PSM的问题上面提到的,一种新型的点对点扫描匹配方法叫做PMWN在本文提出。这种方法将扫描对应关系建立过程中作为一个整体,而不是点对点。和参考之间的对应关系和当前扫描通过建立一个适应性指标权重。此外,旋转和翻译估计是分开的,前者是通过线性绝对函数方法,而后者由投影圆的方法实现。

我们的论文的其余部分组织如下:一些章节中讨论相关工作2。基于PMWN扫描匹配方法中描述的部分3解释,相关推导PMWN拟议的方法,促进理解,然后,提出了旋转和翻译介绍了估算方法。经验的实验报告4,提出了结论部分5。

2。相关的工作

扫描匹配技术的目标是估计的相对运动之间的移动机器人连续两个传感器扫描。更准确地说,给一个参考扫描,当前的扫描,一个粗略的中间姿态估计,目标是估计真正的姿势,在那里和表明翻译位移是机器人的旋转角度。目前,许多典型的定位方法是在笛卡尔坐标进行帧或极坐标帧。

2.1。扫描匹配方法在笛卡尔坐标系

在笛卡尔坐标系中,大量的研究一直在进行点对点扫描匹配方法,如ICP (11),迭代双通信(IDC) [12],Mb-ICP [13]。经典ICP是机器人位姿估计的迭代算法,在每一个迭代都包括两个步骤,即搜索通讯和计算相对构成。第一步是建立参考之间的对应关系和当前的扫描。然后,采用最小化过程在第二步中改善相对姿态的估计,直到收敛。ICP算法的家庭使用的最小欧氏距离标准建立通讯,并应用最小二乘估计的姿势。然而,许多因素限制的应用ICP (12]。例如,使用的欧几里得距离ICP不考虑传感器旋转,和建立了ICP的对应匹配每一对点之间的引用和当前的扫描,这可能会导致高的计算负担。否则,ICP的收敛速度缓慢的结构化的室内环境中,因为连续扫描不太区分在一个小区域。

解决传统ICP方法中固有的旋转问题,卢和Milios提出了IDC算法来估计机器人位姿的平移和旋转组件。IDC是评估翻译的新奇与ICP和旋转IMRP [12),保证了平移和旋转估计估计准确。事实上,IDC的效率低于ICP自IDC集成IMRP和ICP。改善IDC,古特曼和施莱格尔提出了一个特殊的过滤器,哪些项目原始点到中心(15]。不幸的是,它的姿势估计依赖于中心估计的准确性。

Mb-ICP是专为ICP的旋转估计问题。与ICP, Mb-ICP采用一个新的度量距离建立对应关系,即传感器的配置空间中定义。它考虑的平移和旋转误差传感器见公式(1)。壮族等人提出了一个混合传感系统在室内移动机器人定位,一种环境Mb-ICP算法的基础上,这是一个典型的应用程序Mb-ICP [16]:

然而,对于Mb-ICP,姿态估计的迭代数量的增加,旋转角度变化无常而保持不变;这种差异可能导致姿势估计过程中失配。此外,像ICP, Mb-ICP喜欢非结构化环境。

近年来,一些扫描匹配应用程序在笛卡尔坐标系。例如,佩德拉泽等人提出了一个方法称为BS-SLAM [17),它使用b样条(18)描述的环境等距控制点被视为地标。实现他的通讯建立方法通过计算控制点之间的最小欧氏距离参考和当前的扫描。其性能取决于所选的样条曲线的端点和控制。该算法适用于环境不能被部分堵塞。奥尔森提出了一个概率动机扫描匹配算法(19),产生更高的质量和更健壮的结果在额外的成本计算时间。Grzonka等人使用这个激光扫描匹配方法来解决飞行器的室内导航(20.]。6-degree-of-freedom导航问题可以解决使用激光扫描匹配,因为他们使用的飞行器携带多个传感器。

2.2。扫描匹配在极坐标系

在极坐标系的旋转和缩放数据更容易比在笛卡儿坐标系(完成21]。例如,三个广场在笛卡尔坐标系,如图1(一)转换为曲线的极坐标图1(b),旋转或缩放在笛卡尔坐标系可以看作是翻译的方向或在极坐标系如图方向1。

Diosi Kleeman PSM提议,在更大的领域更好的收敛性能,已经被用于大满贯(14]。在PSM,建立通讯是通过改变当前扫描直到它涵盖了参考扫描基于极坐标系的旋转特性。与ICP或Mb-ICP, PSM分别估计机器人位姿包括旋转估计和翻译估计在每一个迭代。然而,PSM将会失败如果连续两个扫描在极坐标系有相似的极半径分布无关的区域。例如,在图1在红色矩形(b),完整的曲线类似于点缀在蓝色虚线矩形曲线。在这种情况下,点和其相邻点可能不会找到正确的对应关系。

我们的工作不同于以前的方法在以下方面:(1)相比Mb-ICP考虑恒重规范对旋转角度,度规PMWN与迭代自适应增加的重量。(2)而不是只考虑在PSM旋转效果,我们扫描匹配的方法处理两个旋转和翻译一起通过计算极半径和极角变化的两个连续扫描。

3所示。PMWN-Based扫描匹配

我们的工作集中在姿势估计在极坐标系使用2 d激光传感器。扫描匹配工作如下(图所示2)。

步骤1。参考和当前扫描获得的2 d激光传感器。

步骤2。参考和当前扫描是由媒体过滤预处理,然后聚类(14]。

步骤3。扫描投影变换电流扫描到参考系(14]。

步骤4。通讯由PMWN之间建立参考和当前的扫描。

第5步。标准的体重更新迭代增加以适应旋转角度变化。

步骤6。一个绝对线性函数是用来估计旋转角度。

步骤7。翻译估计是一种圆的投影。

步骤8。如果获得当前姿态的估计;去其他步骤3。

在本节中,我们将给PMWN的定义。然后,推导出PMWN及其指标权重更新。最后,这个规范称为投影圆的几何属性。

3.1。扫描匹配方法

PMWN的规范被定义为 在哪里和表达极半径的参考向量和当前扫描,分别和代表极角的参考向量和当前扫描,分别。表示PMWN和重量标准。

为了说明PMWN-based扫描匹配方法的原理,一个匹配的模型表明,我们的扫描匹配方法可以纠正PSM如图的失配3。

如图3(一个)移动机器人从P1, P2,参考扫描和当前扫描得到,和点来以逆时针顺序扫描的参考点,而分来在相同的顺序是当前扫描点。数据3 (b)和3 (c)显示参考和当前的扫描图3(一个)分别在极坐标系。根据PSM,扫描点来以扫描分不匹配吗来如图3 (d)因为极半径分布的模式在两个红色矩形看起来类似如图3 (b)- - - - - -3 (c)。PSM的通讯建立结果如图3 (d)。相比之下,我们的扫描匹配方法确保真实之间建立通讯引用和当前的扫描,这取决于PMWN的两个因素:(1) 在公式(2)保证了类似模式的极半径分布在极坐标系;(2) 在公式(2)保证的最小距离方向的参考和当前扫描在极坐标系。

通讯引用和当前扫描之间建立了向左或向右移动当前扫描参考扫描到的绝对变化的总和都极半径和极地角度达到最低在极坐标系基于公式(2),比如极半径两个蓝色虚线矩形图3 (b)- - - - - -3 (c)。这两个因素的规范确保引用和当前扫描的变化最小和。因此,大多数使用PMWN如图对应关系是正确的3 (e)。

3.2。推导PMWN

本节中给出了PMWN的推导。假设建立了正确的通讯,将执行下面的推导过程。机器人的运动在一架飞机可以被视为一个综合旋转和转换的过程。在极坐标系中,极角和极半径之间的关系被定义为,。在2 d激光传感器的数据范围,只有考虑到机器人的旋转,极半径参考和当前如果机器人旋转扫描应该一律平等顺时针方向旋转。方程可以表示为 在哪里和是极角和极半径的参考和当前扫描,分别。公式(3)可以被转换成

移动机器人在极坐标系的翻译呈现在图4。

在移动机器人翻译吗距离位置定位没有任何旋转,,,和是翻译的位移。对于任何扫描点每个对应的极半径的变化可以表示为 在哪里。一般来说,因为。方程(5旋转)可以简化如下:

现在,考虑旋转和翻译一起替代相应的术语(4)和(6) 公式(7)表明,机器人将距离和旋转角度。在这个函数中,我们只考虑的变量数量。根据积分的中值定理 在哪里。我们有 在哪里,激光传感器的角分辨率,表示数量的扫描点在扫描范围。公式(8)可以重新安排 公式(10)是重新安排到

因为公式(11)是重新安排到 在哪里。公式(12)可以进一步改写为

条件下的逆时针旋转公式(13)可以表示如下: 在哪里和。

根据顺时针或逆时针旋转的条件,我们有 在哪里是极半径的变化的总和,每个对应的极角,是为了平衡重量标准极半径的变化和极角,然后呢和表示逆时针、顺时针旋转角的最大值。此外,我们最后计算的平均变异规范,因为通讯是可变的数量如下所示:

上述推导假设正确的通讯已建立但实际上仍然是未知的,所以需要若干次迭代。之间的有效的通讯将建立和当前扫描时参考在每个迭代满足最低,,对应于最低的标题旋转角度。随着迭代的增加,体重指标的价值自适应地调整。根据公式(12)和(13),我们有,所以指标权重可以导出在每步迭代公式如下:

3.3。投影圆

在本节,介绍了一种投影圆的,将被用作翻译估计。实际上,投影圆的几何属性PMWN。从公式(7),如果不考虑机器人的转动,我们获得 通过扩大公式(18),我们可以重写它 在哪里表示扫描点的数量。PMWN如图的几何性质5。

在图5,翻译位移的投影吗到极半径的参考扫描和。因此,这些公式保证投影点,等,,必须在一个圆叫做圆投影。投影圆可以由通讯,移动机器人的翻译将估计投影圆的部分4.2。

4所示。基于PMWN姿态估计

在本节中,将使用PMWN估计机器人构成。假设机器人的初始姿势是世界上已知的坐标。

4.1。旋转估计

旋转估计绝对是实现了线性函数在每个迭代。图6显示了块对。机器人的旋转估计可以通过搜索进行相应的最低在方向。然而,由于离散性错误需要纠正,旋转估计进一步基于一种绝对线性函数。

一般来说,点附近曲线的最小红色矩形,如图所示6可以看作是一个线性绝对值函数。因此,最低的可以使用该模型估计在图吗7。

线性绝对值函数被定义为 公式(20.)可分为两种情况。

案例1。当,,,代入相应的术语(20.),,,: 线性绝对值函数有最小的时候,(21),我们得到

例2。当,,,的价值,可以在计算1:

结合(22)和(23),可以定义如下: 在哪里是最大的和。机器人的旋转角度显示如下: 激光传感器的角分辨率。

4.2。翻译估计

关于翻译,我们的估计方法是计算一个圆中心的实现的过程称为投影圆的一种方法。节3.3,考虑到翻译,预计圆。相比之下,翻译将在本节解决了在已知条件的对应关系。向量表明机器人翻译向量。这些点的位置可以计算出一系列的点吗通讯如图5。如图8,任何通讯将圆有两个相关点,例如,点在对应点和。所有通讯相关的坐标点圆可以计算如下: 在哪里和圆上的点的位置,和分别对应的参考和当前扫描;。重量(22]: 在哪里。的范围是由,不同的速度是由。

在图8投影圆的中心点位置使用以下决定: 在哪里是对应的数量。在参考扫描下,翻译位移 的向量是翻译位移。

5。实验评价

广泛的实验进行评估的性能提出PMWN-based方法旨在确定精度,效率和循环闭合差映射。节5.1,以确保一个综合评价,我们将比较PMWN方法和PSM Mb-ICP评估其准确性和效率在室内环境选择8种不同的场景。节5.2,我们设计一个封闭的路径组成的四个曲线段和一个直线段。在两个不同的场景,激光传感器将被放置在三个间隔沿着相同的路径测试循环PSM和Mb-ICP PMWN而关闭。节5.3,我们使用PMWN建立两个室内地图。

激光传感器是UTM-30LX在机器人的前面,在测量范围是0.1 ~ 30米,和角分辨率为0.25°。PMWN微软VS 2010软件平台上编译在Windows 7操作系统。这个机器人是由微分系统。程序是运行在一个英特尔酷睿I3处理器和4 GB的RAM。的配置参数PMWN PSM, Mb-ICP算法如表所示1。最大距离的区别是连续两个点决定是否使用引用或当前扫描属于同一个对象。最大旋转角度。激光传感器的范围。在公式(Mb-ICP的重量1)。摘要指标权重。马克斯迭代的最大迭代三种方法。终止条件的条件停止迭代。

5.1。现场实验

在本节内,实验将进行地面真实信息使用9中不同场景5典型室内环境进行综合比较的结果该方法PSM和Mb-ICP。

环境1。它是一种人工环境,包括2的场景。为了说明通讯建立PSM和Mb-ICP收敛速度问题,场景1和场景2人工结构环境中激光传感器植入预先计算的。

环境2。它是一个复杂的空间环境特征的障碍物体和狭小的空间,如一个实验室(场景3)和一个办公室(场景4),显示PMWN的性能,PSM, Mb-ICP在这样的条件下。

环境3。这是一个开放的环境有更少的对象和开放空间包括2的场景。场景5是一个走廊,场景6是一个大厅,用于显示PMWN的性能,PSM, Mb-ICP在开放环境。

环境4。它是一个动态的环境,包括一些移动对象。场景7是测试PMWN的平移和旋转,PSM,分别和Mb-ICP在动态环境中。

环境5。这是一个特殊的环境,包括用更少的扫描点的长壁开采方向(现场8)。

我们的实验将比较我们建议的方法的性能和PSM Mb-ICP姿态估计的准确性、运行时间和收敛速度,因为PSM和Mb-ICP经典,PMWN相似。通讯建立当前扫描和参考扫描的结果从每个场景如图9环境图11环境图12环境图13环境4和图14环境5。奇怪的行数据9和11- - - - - -14所有镜头,蓝色的点是参考扫描和红点是当前扫描,和单位的吗设在和设在厘米。甚至在一排排的这些数据,最坏的收敛过程显示PMWN, PSM, Mb-ICP,分别(星星)(圆),(三角形)表达在cm°,和单位的设在女士姿势估计结果如表所示2和一些统计信息如表所示3。

根据图9 (b)PSM的姿势估计是失败的,因为当前扫描的极半径(红点)在红色框的极半径约等于参考扫描(蓝色点)在蓝色的框架如图10,参考和当前的扫描数据9(一个)- - - - - -9 (c)被转换到极坐标系。根据PSM如图的迭代过程9 (e),最初的旋转估计是50°,迭代收敛的不正确的结果。在图9 (h)(场景2),这种情况下的PSM偶尔发生。然而,PMWN和Mb-ICP方法获得正确的评估在这些场景,场景1和场景2收敛Mb-ICP的时代,是275.4和301.6女士而PMWN女士52.8和48女士,女士。因此,数据9 (d),9 (f),9 (j),9(左)表明PMWN比Mb-ICP更好的收敛速度。

场景3和场景4通讯建立实验的复杂环境。显然,在通讯建立错误的程度,PSM的姿势估计错误更大比PMWN和Mb-ICP通讯建立结果PMWN Mb-ICP来自数据是相似的(11日)- - - - - -11 (c)和11 (g)- - - - - -11(我)。在场景3和场景4,大通讯建立错误发生在初始迭代阶段PSM取向估计的类似的情况在图10,从而导致更长的数据收敛时间11 (e)和11 (k)。虽然PMWN和Mb-ICP方法有小估计错误在这两种场景,PMWN的收敛速度优于Mb-ICP在复杂的环境中。

场景5和场景6是开放的环境。PSM和Mb-ICP获得收敛的结果,而PMWN几乎是收敛的姿势估计场景5。然而,姿势估计错误PMWN, PSM, Mb-ICP(−−0.9厘米,1.7厘米,1.84°),(−0.3厘米,5.2厘米,1.62°),和(−0.4厘米,54.3厘米,1.48°)从表2,分别。的错误更大比和所以所有的方法都能受到这样的开放环境中由于更少的对象前面的数字12(一个)- - - - - -12 (c)。场景6、PMWN PSM, Mb-ICP姿态估计的数据有良好的结果12 (g)- - - - - -12(我),但PMWN的收敛时间,PSM和Mb-ICP 41女士,116毫秒,87毫秒,分别在数字12 (j)- - - - - -12(左)。显然,PMWN更快的收敛速度比这两种方法。

实验环境4进行现场7一些移动的物体。激光位移传感器实际上结合了平移与旋转(50厘米,20厘米,20°)当动态对象3公里/小时的速度行走。姿态估计结果PMWN PSM, Mb-ICP数据所示13 (d)- - - - - -13 (f)。表演这三种方法可以有效地处理动态因素没有实现一个特殊的检测和跟踪算法。

在走廊环境中,可以扫描点分布不均时机器人面临的墙上。场景8这样极端的地方,PSM和Mb-ICP大姿势估计错误因为扫描点分布密集坐标轴和稀疏坐标轴导致通讯充分参与坐标轴。然而,PMWN造成估计误差较小的PSM和Mb-ICP更多的迭代的成本和较长的运行时间。

估计比较的实验结果给出了在表8的场景2。为了获得有效的数据,以上所有实验在相同条件下进行包括在给定数据平移和旋转。表2表明姿态估计的错误PMWN明显小于PSM和Mb-ICP 8实验场景,和PMWN有更多稳定的两种方法在人工环境中,开放的环境,和特殊环境,如场景1、场景5和8。平均迭代而言,PMWN只有115的迭代,同时PSM和Mb-ICP是180年和268年,分别。此外,PMWN的平均运行时间是59.5毫秒,也至少这些方法由于使用公制重量。特别是,尽管Mb-ICP具有很高的收敛速度在现场场景5和9中,在两个场景造成估计误差很大。在大多数的场景,Mb-ICP低于PMWN和PSM。

考虑到收敛速度和错误在上面的8个场景,表3显示了三种方法的性能在不同的场景。

5.2。关闭循环实验

循环闭包是关键步骤之一未知环境中移动机器人的映射,所以我们选择它作为评价标准在本节的性能对比实验。为了验证PMWN算法可以获得姿势估计即使机器人在不同的轨道移动,比较实验将以相同的路径,其中包含四个弯曲段和一个直线段在两个不同的室内环境。我们画了一系列的足迹,标有数字从1到115,形成一个封闭的路径在一个平面板尺寸500厘米×150厘米,如图15。这个板被放置在两个不同的室内环境实验室的房间,一个大厅。在这两种场景,模拟姿势估计速度不同,一系列的足迹与沿途的数量增加顺序不同系列,即系列1:和系列2:。最初的姿势是故意设置在迭代过程。

我们比较的性能与PSM和Mb-ICP PMWN关闭地图,地图变形,造成估计的精度和运行时。大厅环境的地图数据所示16和17,实验室显示在地图的数据18和19。这些地图是由PMWN, PSM, Mb-ICP奇数行数据16- - - - - -19,分别。下面地图,比较的姿势估计PMWN给出真正的姿势,PSM, Mb-ICP,分别在虚线和实线代表的是真实数据和估算值,分别和蓝线,红线和黑线表示的姿态估计,,,分别。固体红色曲线表示估计跟踪传感器的移动数据(16日)- - - - - -16 (c)来(19日)- - - - - -19 (c)。在董事会的路径应该绝对封闭的理论上。因此,闭环的错误定位算法的性能评估的一个重要标准。循环关闭错误的地图和运行时将在表4在实验进行的系列1 - 2。

的最大PMWN姿势估计错误小于PSM和Mb-ICP如图(16日)- - - - - -16 (e)。估计跟踪(红线)PMWN更接近实际的跟踪比PSM和Mb-ICP数据(16日)- - - - - -16 (c)。此外,运行时PMWN比PSM和Mb-ICP短,尽管循环关闭错误PMWN略大于Mb-ICP表所示4。

在图17 (b)系列2中,PSM姿势估计失败的直线段与现场实验5.1中的1相同的原因,但它在弯曲的路径是正确的。在图17 (c),地图由Mb-ICP完全扭曲是由于环境组成的许多领域产生了很多参考扫描的扫描点找不到正确的通讯在当前扫描。虽然地图由PMWN有点模糊,估计跟踪(红线)是接近真实的图(17日)。和循环关闭错误和运行时的PMWN小于PSM和Mb-ICP表4。

在数据(18日)- - - - - -18 (c),我们可以看到,最清晰的映射图18 (c)由Mb-ICP 1系列地图的路径和环路闭合差由Mb-ICP是最小的一个。然而,Mb-ICP比这长得多的运行时PMWN和PSM。地图由PMWN有点模糊,但这张地图比PSM的更清晰,也可以用于显示真实的环境。

在数据(19日)- - - - - -19 (c),地图PMWN质量优于PSM和Mb-ICP系列2。估计跟踪(红线)PMWN更接近真正的跟踪比PSM和Mb-ICP如图(19日)- - - - - -19 (c)。的最大PMWN姿势估计错误小于PSM和Mb-ICP如图19日(d)和19 (e)。循环关闭错误和运行时的PMWN小于PSM和Mb-ICP表所示4。

表4大厅里展示了循环关闭环境和实验室环境,分别。考虑关闭地图,地图扭曲,姿态估计精度和运行时,表5显示了三种算法的性能在不同的场景。

5.3。建筑室内环境地图

一些PMWN映射实验测试在一条走廊和一厅室内环境差轮式机器人。映射算法采用卡尔曼滤波融合PMWN和里程计23]。测量标准利用地图定位误差和失真。机器人运行三个周期在两个室内环境来验证该算法映射的能力。表演的算法实验如图20.,蓝色,红色,绿色圆点表示机器人的路径映射第一,第二,第三周期,分别和黑色点度量地图代表了环境。设置起始点位置。结束点的实际位置在图(92.1厘米,140.7厘米)20(一个)和图(156.7厘米,120.6厘米)20 (b)。结束点的估计位置(65.3厘米,118.4厘米)图20(一个)和图(195.6厘米,108.6厘米)20 (b)当实验已经完成。因此,终点位置误差(26.8厘米,22.3厘米)图20(一个)和(−38.9厘米,12厘米)在图20 (b)虽然机器人在室内环境下运行的距离约为200米。实际上,终点位置误差很小,虽然积累了在映射过程中,在某种程度上。机器人位姿估计误差的最大值(6.4厘米,7.2厘米,6.1°)和(7.2厘米,7.1厘米,7.2°)的机器人运行在拐角处在映射数据20(一个)和20 (b),分别。终点位置误差和姿态估计错误是可以接受的课程定位机器人移动操作室内环境。整个地图已经关闭,结构已经成功地通过基于PMWN映射算法描述和不失真。

6。结论

在这项工作中,我们提出一个PWMN-based扫描匹配姿态估计方法。PWMN认为两个平移和旋转的机器人位姿对应关系建立过程中,有一些优势在古典PSM算法因为PSM只考虑旋转的效果。与Mb-ICP扫描匹配方法相比,PWMN定义了一个自适应的重量在距离度量随着迭代优化的增加,是确保最正确建立对应关系。翻译估计的计算复杂度和旋转估计,分别和,在那里匹配窗口的阈值。一些真正的环境实验是用来测试PMWN的性能。扫描匹配实验8种不同的室内场景证明PMWN有更快的收敛速度和较短的运行时大比PSM和Mb-ICP移动步骤。用已知的跟踪扫描匹配实验在两个不同的场景演示PMWN算法具有更好的性能比PSM和Mb-ICP系列不同的脚印。提出扫描匹配方法的可用性测试在第三实验扫描匹配在走廊环境和大厅环境。地图使用PMWN构建在两个不同的场景。根据实验结果,可以得出以下结论:(1)PSM和Mb-ICP相比,我们的方法在收敛速度和运行时更好的性能,因此,我们的方法将满足实时的要求。(2)地图使用我们的扫描匹配方法可以获得循环关闭更好的条件下给出大脚步的间隔,所以我们的扫描匹配方法更适合高速机器人比PSM和Mb-ICP。

在未来的工作中,移动对象的跟踪和标记将进一步探索。PMWN更有效率比传统匹配方法。这样一个四自由度3 d扫描匹配;这将是有趣的PMWN应用于3 d扫描匹配问题。

相互竞争的利益

作者宣称他们没有金融和个人关系与他人或组织不当会影响我们的工作;没有专业或其他任何性质的个人利益或在任何产品,服务,和/或公司可能被视为影响的位置,或审查。

确认

这项工作是由中国国家自然科学基金(61305103和61305103)和中国黑龙江省自然科学基金(QC2014C072和F2015010)。