文摘

同步定位和映射(大满贯)是一个典型的家中的任务。基于自己的计算能力,移动机器人有困难会议大满贯过程的实时性和准确性要求在同一时间。受益于快速增长的网络数据传输速率,云计算技术开始被应用于机器人。有可靠性问题引起的完全依赖于云计算。为了弥补空气容量不足,确保实时性能和可靠性,并提高精度,基于edge-cloud SLAM算法协同计算提出了。边缘移动机器人位姿估计和当地地图使用无味平方根卡尔曼滤波器(SR-UKF)。云计算移动机器人位姿估计和全球地图使用分布式平方根无味粒子滤波(DSR-UPF)。通过使用足够的粒子在云中,DSR-UPF可以提高准确性。云返回粒子与边缘,最大后验概率和边缘执行edge-cloud基于概率的数据融合。仿真和实验结果表明,该算法可以提高估计精度,同时减少执行时间。 By transferring the heavy computation from robots to the cloud, it can enhance the environmental adaptability of mobile robots.

1。介绍

21世纪初以来,自主导航技术受到越来越多的关注1,2]。它是颠覆性技术预测的学术机构和组织,如麦肯锡全球研究院、花旗全球定位系统(GPS)麻省理工学院,方舟投资管理公司3,4]。同步定位和映射(大满贯)是实现自主导航的关键,它已广泛应用于无人机,无人水下车辆、无人飞行器,增强现实技术,在其他领域。

传统的SLAM算法依赖于移动计算资源由机器人环境地图和机器人位姿估计。大满贯是家中的任务,有限的计算能力使得移动机器人很难满足实时的要求。受益于无线通信技术的快速发展,云计算技术已经应用于机器人技术。云机器人被Kuffner[首次提出5]。它结合了云计算技术和机器人技术,已成为一个热门的研究方向6]。越来越多的云平台、应用程序和服务提出了机器人。达芬奇、Rapyuta RoboEarth、sensor-cloud等转移重计算从机器人安全在云计算环境中7,8]。开发的仿人机器人毕宿五机器人依赖于云平台来实现语音识别,人脸检测和视频采集(9]。快速对象捕捉方法基于Dex-Net作为服务(DNaaS)提出和验证的PR2机器人(10]。Pandey等人设计了一个云水下机器人收集和监测海洋数据,它通过共享本地和远程资源完成任务(11]。

上述研究证明云机器人技术的实用性和有效性。因此,新的解决方案出现了。这些解决方案将大满贯过程分为两个阶段:数据采集在机器人和数据在云计算。Arumugam等人采取了Hadoop集群提高FastSLAM算法的粒子抽样(12]。该算法可以提高地图的效率建设和共享数据与其他机器人使用软件即服务(SaaS)模型。但是,Hadoop是专为批处理,而不是本质上为实时性能(13]。可怜的实时性能限制了其应用在网络环境。Kamburugamuve等人使用一个分布式框架实现GMapping算法(14]。这个框架是基于IoTCloud云服务平台将智能设备连接到实时数据处理(15]。激光雷达和惯性传感器数据被发送到云流事件。云大满贯执行计算,机器人位置和映射的结果返回给机器人。IoTCloud旨在使物联网(物联网)之间的连接设备和云计算及其应用的实时需要验证。这个框架的容错性也应该改善。RoboEarth平台,C2TAM转移大满贯从机器人到云计算。它使用平行跟踪和映射(加以改进算法实现multirobot合作跟踪和地图创建任务(16]。的限制是需要高带宽要求,,很难适用于其他传感环境中,如激光雷达。徐和扁云机器人应用平台设计了一个基于容器的技术。的大满贯计算microservices部署在容器(提供17]。该方法的实时性和稳定性还需要进一步验证。刘等人设计了一个基于云计算RGB-D大满贯方法(18]。它执行映射、位置地图融合,云中的循环检测。然而,特征检测、姿态估计和三维点云拼接仍执行的机器人和机器人的计算负载仍重。

克服能力不足的缺点,大满贯的给移动机器人的过程,一个大满贯的算法提出了基于edge-cloud协作计算。云执行分布式平方根无味粒子滤波(DSR-UPF)建立全球地图流计算。满足实时要求,构建一个本地地图边缘通过一个平方根无味卡尔曼滤波(SR-UKF)来实现快速计算。本文的主要贡献表示如下:(1)传统的基于云的SLAM算法相比,该算法不仅保证实时性能,也提高了精度和效率的edge-cloud协作体系结构(2)比较传统的基于云的大满贯的批处理算法,高实时流计算和低延迟是用于构建云计算框架。通过分布并行计算,DSR-UPF可以利用其足够的力量改善执行性能,精度是提高了足够的粒子。克服的缺点传统粒子滤波的运动函数线性近似SLAM算法,每个粒子使用SR-UPF样本粒子在一个高度精确的方式(3)在EKF-SLAM,计算地标的增加呈指数增长。确保实时性能的优势,SR-UKF是用于构建当地的地图。只处理最近观察到的地标,它减少了计算

2。背景

2.1。大满贯的问题

大满贯是一个过程,使移动机器人建立一个地图和定位本身同时在一个未知的环境。大满贯的目标是获得的最佳估计机器人位姿和地图的基础上控制数据_: 和观察数据_: 从一开始 。它可以描述后验概率分布如下: 在哪里机器人位姿在时间吗和是整个地图。

根据贝叶斯规则,总概率的法律,和马尔可夫假设机器人位姿的后验概率分布和环境地图可以改写如下:

一般来说,情商的积分。2)不能被评估在一个封闭的形式。扩展卡尔曼滤波(EKF)和粒子滤波(PF)的简单近似一般的贝叶斯过滤器。

2.2。PF-SLAM

EKF-SLAM(扩展卡尔曼滤波大满贯)和PF-SLAM(粒子滤波大满贯)是两种广泛使用的大满贯的问题解决方案。

PF-SLAM,粒子数越大,精度越摔可以获得。更多的粒子意味着更多的计算,与传统算法仅依赖机器人自身的资源无法满足实时的要求。在文献[19),仿真实验与100年、300和500个粒子都被执行。实验结果表明,500个粒子获得更准确的环境地图和机器人位姿估计超过100粒子和300个粒子。为了控制粒子数量和提高精度同时,学者们改进和优化粒子采样和重采样的过程,但问题的大规模计算的基于粒子滤波的SLAM算法尚未根本解决(20.- - - - - -22]。

2.3。流计算

传统的数据处理架构主要是针对事务数据处理较低的场景实时要求。很难适用于场景,有很高的实时需求。流计算使用分布式思想和方法在实时处理数据。流计算可以为移动机器人提供巨大的计算能力来处理数据,以确保低成本机器人可以使更复杂的传感数据流程和决策(23]。

3所示。大满贯架构基于Edge-Cloud协作计算

提出的系统架构SLAM算法如图1。它是由边缘和云。边缘是移动机器人,云是一个流计算集群。

边缘包括五个模块:数据采集、消息客户端,本地大满贯计算,edge-cloud融合和本地存储。数据采集模块用于获取激光雷达数据和惯性导航它们形成一个统一的数据和格式。消息客户端实现密封,消息的发送、接收、和开启。当地的大满贯计算模块执行实时大满贯计算获得移动机器人位姿估计的和当地的地图。本地存储模块存储地图信息在一个特定的时间。基于概率分布,edge-cloud融合模块融合了大满贯从边缘和云计算结果。

云计算包括四个模块:消息服务器、协调监控、分布式大满贯计算,全球存储。消息服务器实现高可用性和负载平衡集群消息服务由卡夫卡,完成一个可靠的云计算和移动机器人之间的通信。Hadoop分布式文件系统(HDFS)是用于存储全球地图,传感器数据,路径信息,粒子信息,等等。协调和监控模块实现协调、监控、管理和控制节点之间的计算节点。作为分布式过程协调,动物园管理员协调大满贯计算操作,使分布式大满贯更可靠。分布式大满贯计算模块是基于Flink流计算平台。

4所示。大满贯过程基于Edge-Cloud协作计算

该算法的流程如图2。在每个控制周期决定,获得的数据转移到边缘和云,同时执行大满贯计算。在边缘,机器人位姿和当地地图SR-UKF计算。云执行循环检测,并行分布式大满贯计算,修正先验知识。分布式大满贯使用DSR-UPF,分别计算每个粒子。粒子与最大后验概率是返回到边缘。边缘实现大满贯边缘之间的融合结果与云大满贯的结果。边缘移动机器人的状态更新并保存当地的地图。最后,云执行根据粒子多样性和重采样保存全球信息映射到HDFS和缓存。

4.1。流程流的边缘

边的工艺流程主要分为六个步骤:数据采集、信息传播,边摔,消息接收,融合边缘和云大满贯的结果,和当地地图存储。

以下4.4.1。数据采集

移动机器人获得控制的数据从惯性导航系统(INS)和激光雷达的观测数据。

4.1.2。消息传输

控制移动机器人封装了数据和观察到的数据在一个控制周期到一个消息。每条消息都有一个独特的序列号,和这个独特的号码也封装云的应答消息。它是用来识别边缘和云计算之间的一个互动的过程。卡夫卡客户机传递这个消息到云的通信网络。

4.1.3。基于SR-UKF大满贯

SR-UKF(平方根无味卡尔曼滤波)大满贯算法改进的EKF-SLAM迭代更新的过程中系统状态和协方差矩阵。地标性建筑的增加,系统状态向量和协方差矩阵变大,计算显著增加。为了确保实时性能,使用边缘SR-UKF算法建立当地的地图,只有最近观察到的地标用于地图更新。它避免了协方差矩阵太大,减少了计算。与卡尔曼滤波器相比,SR-UKF避免了线性化模型误差和提高系统精度。

SR-UKF构造系统的统计特性 σ点,它可以描述系统状态向量。系统状态的维数。首先,SR-UKF初始化系统意味着,协方差矩阵的平方根,和σ点的权重如下: 在哪里和的均值和协方差的初始状态。胆固醇是一种柯列斯基分解,分解对称,正定矩阵下三角矩阵的产品和它的转置24]。 尺度参数。决定了σ点周围的传播系统的意思,通常是将 。β用于包含状态变量的先验分布,并设置为2的高斯分布。是一个次要比例因子,设置为0。的平均重量是 - - - - - -thσ点,协方差的重量。

在时间 ,均值和协方差矩阵的平方根的系统状态和 。的迭代更新和是σ点计算、预测和观察更新。

(1)计算σ。 的规模η计算如下:

(2)预测。σ点时间计算如下: 在哪里运动模型功能和吗是控制数据。

预测的均值和协方差矩阵的平方根计算方程式。(9)- (12)。计算了QR分解,将一个矩阵分解成一个正常的正交矩阵和一个上三角矩阵 。确保semipositive协方差矩阵的平方根,柯列斯基更新( )函数(25是用于更新 。 qr是表示一个矩阵的qr分解。σ点更新如下:

(3)更新通过观察。通过观察模型,具有里程碑意义的观察时间预计如下:

QR分解和用于更新如下:

卡尔曼增益计算如下:

最后,均值和协方差矩阵的平方根卡尔曼增益的更新。

4.1.4。消息接收

卡夫卡边缘接收消息的客户机。为了确保系统的可靠性,采用精确的一种模式,确保消息处理和提交反馈在同一个事务或原子性。

4.1.5。本地地图存储

当地的地图和机器人位置从edge-cloud融合的结果存储在边缘。

4.2。流程流的云

云的工艺流程主要分为六个步骤:消息接收,并行计算,粒子组合,计算结果传输,重采样和全球地图存储。

4.2.1。准备消息接收

基于集群卡夫卡,移动机器人的控制和观测数据。数据分布到循环检测,分布式大满贯和先验知识修正模块并发执行。

4.2.2。并行计算

(1)循环检测。循环检测比较了观测信息在所有时间存储在云端。scan-to-scan方法用于循环检测,匹配两个激光雷达数据的帧。迭代最近点(ICP)算法用于匹配两个坐标系之间的刚度变化通过计算两对点云(26]。如果持续接收的数据是高度相似的数据在特定的时间在历史上形成了一个闭环。闭环,减少累积误差。

(2)DSR-UPF大满贯。DSR-UPF(分布式平方根无味粒子滤波)大满贯是分布式并行PF-SLAM算法。PF-SLAM,粒子数量决定了算法的准确性。更多的颗粒不仅可以带来更高的准确性也越计算。为了提高精度,基于云计算的云粒子采用足够的权力,它执行PF-SLAM算法在分布式的方式。DSR-UPF大满贯,每个粒子都是独立的估计地标性建筑。在时间 ,粒子设置如图3。估计造成的吗 - - - - - -th粒子,是这个粒子的重量。 代表的均值和协方差矩阵 - - - - - -具有里程碑意义的评估的 - - - - - -分别th粒子。

如图4独立,每个粒子都是估计。

每个计算节点SR-UKF预测和更新新姿势,它更新具有里程碑意义的扩展卡尔曼滤波(EKF)的位置。里程碑式的更新取决于是否具有里程碑意义的是观察到的时间 。如果具有里程碑意义的新发现,其均值和协方差初始化如下: 在哪里观察模型的逆函数和吗雅可比矩阵的函数 。如果 - - - - - -具有里程碑意义的不是观察到时间 ,它的均值和协方差保持不变。如果 - - - - - -具有里程碑意义的是观察到时间 ,均值和协方差更新如下: 在哪里卡尔曼增益和吗雅可比矩阵的观测模型。

粒子的重量的比值定义为目标分布的建议。的 - - - - - -th粒子重量定义如下:

建议分布 可以表示为一个递归形式如下:

贝叶斯规则是用来计算重量如下: 的建议分布 计算如下:

(3)先验知识修正。大多数SLAM算法假定控制噪声统计数据和观测噪声统计是完全已知的和正确的。由于现实世界的复杂性,这个假设很难成立。不正确的控制和观测噪声先验信息矩阵会严重降低这些算法的准确性(27- - - - - -30.]。基于先前的研究[31日),一个动态的分数阶和α稳定分布采用粒子群优化方法,和先验知识和适应度函数是动态调整的。这个适应度函数是基于预测的观察和观测结果之间的不一致。通过引入先验知识修正步骤,它能更准确地反映真实值的先验知识。

4.2.3。粒子的组合

毕竟更新粒子,有效粒子数计算如下: 在哪里是粒子数,规范化的重量吗 - - - - - -粒子。如果小于指定阈值,粒子集重新取样。重采样后,所有粒子权重调整如下:

4.2.4。计算结果传输

最大重量的粒子是返回到边缘。

4.2.5。粒子重采样

SLAM算法基于粒子滤波将随时间退化环境中不管有多少地标和粒子用于评估(32]。重采样的目的是修改粒子退化,但它总是导致粒子多样性的丧失,即粒子枯竭(33]。尽可能提高粒子的多样性,一些生物进化算法已申请重新取样(34,35]。为了防止粒子退化和提高粒子的多样性,提出了一种改进的遗传重采样方法。它使用一个双重轮盘赌选择操作和快速大都市黑斯廷斯(FMH)突变突变操作。FMH突变可以改善传统的变异方法的分歧问题,产生粒子,可以更好地反映目标分布(36]。粒子重采样的主要程序如下:

SelectParticles方法使用双轮盘赌选择选择米1 ( )父粒子最初的粒子。FastMutation方法使用FMH变异生成米两个粒子的米1父粒子。使用交叉操作产生的交叉方法米3粒子米1父粒子。

, ,和代表的概率选择、交叉和变异。设置为0.5,和的值和是由粒子多样性如下: 的函数是计算的总和之间的距离 - - - - - -粒子和其他粒子。代表的最大价值从一开始。和计算如下:

4.2.6。全球地图存储

全球地图,传感器信息和所有粒子信息存储分布式缓存和HDFS。

4.3。Edge-Cloud融合的流程

edge-cloud融合边缘的组合结果和云计算的结果。提高可靠性和克服问题引起的传输延迟,edge-cloud融合取决于数据传输时间。如果云计算结果不是实时返回到边缘,不再执行edge-cloud融合的边缘,和边缘的结果直接作为大满贯的结果。

基于后验概率函数的融合原则比,从云端摔结果的融合和实现。边的后验概率大满贯如下所示。 在哪里是边缘移动机器人姿态的估计时间吗和是协方差矩阵估计的时间吗 。 是环境地图的边缘估计包括具有里程碑意义的估计。估计的方法吗- - - - - -th地标,是相关的协方差矩阵。在时间是估计的姿势吗 。 是真正的观察 - - - - - -th地标,预测的观察吗 - - - - - -具有里程碑意义的。是基于运动模型预测机器人位姿。

云的后验概率大满贯如下所示。 在哪里的云估计是移动机器人位姿和是云估计环境地图。是- - - - - -th里程碑式的估计预测的观察吗 - - - - - -具有里程碑意义的。

移动机器人的姿态和地图估计融合写如下:

5。实验结果和讨论

来验证该算法的性能,该算法之间的比较,FastSLAM 2.0 (37)和UFastSLAM (38]。FastSLAM 2.0和它的变体成为最广泛使用的激光解决方案。他们已经应用于无人机、无人机,无人驾驶的船只,移动机器人,等等。作为一种重要的改善FastSLAM 2.0, UFastSLAM UKF适用于移动机器人位姿的迭代更新。UFastSLAM不仅被广泛应用在激光大满贯,也在视觉大满贯(39]。

5.1。仿真实验

在仿真环境中,系统状态由笛卡尔坐标系统描述。运动和观测模型如下: (在哪里 )代表了移动机器人的位置。标题运动方向在时间吗 。它的值范围是[-π,πrad。( )是 - - - - - -具有里程碑意义的地位。和分别表示控制和观测数据。包括速度和转向角α_t。代表了从机器人距离方位观测到 - - - - - -具有里程碑意义的,是距离,角从0到2吗π顺时针方向旋转。是采样间隔,轴距。

在模拟环境中,一个低成本的嵌入式控制委员会是模拟整个移动机器人系统。作为一个控制中心,它广泛用于便携式和低成本的移动机器人系统。控制董事会配备1.5 GHz CPU 4核心处理器,2 g内存和安装一个机器人操作系统(ROS)。控制板模拟机器人移动过程根据预定义的路径。模拟真实的环境中,速度和角添加随机噪声,并与噪声的数据用作控制数据。地标和机器人之间的距离和角度计算。的距离和角度与随机噪声作为观测数据。这个过程模拟的收购过程控制数据和观测数据。最高行驶速度3米/秒,最大转向角吗α_t是 rad。速度噪音ε_v0.3 m / s,角噪声是 rad。管理员轴承传感器装备πrad额视图和最大射程30米。噪声的观测范围0.2米,角噪声是 rad。云使用三个服务器来建立一个由Flink流计算集群平台和相关组件。云服务器使用16 G内存和2.2 GHz CPU 8核心处理器。

如图5(一个)移动机器人在移动 面积有75标志。机器人从(0,0),根据一系列的计划目标点。FastSLAM 2.0和UFastSLAM使用20个粒子来估计系统状态。基于云的足够的计算能力,该算法使用40粒子来估计系统的状态。数据5 (b)- - - - - -5 (d)三种算法的实验结果。黑色实线代表运动轨迹,虚线代表了每个估计路径算法。黑加号+代表了具有里程碑意义的位置,和圆签署○代表估计地标的位置。

估计的准确性和执行SLAM算法的效率是最重要的指标。三个算法之间的比较是基于这两个指标。估计精度主要包括机器人的位置估计精度和估计精度的地图。估计精度越高,越接近大满贯估计是机器人系统的真实状态。估计精度高,有利于探索未知世界环境和机器人的自主导航。很明显,估计轨迹和地图的算法更接近于实际的系统状态。该算法在路径的错误估计和具有里程碑意义的位置估计是小得多的比其他两种算法。执行效率的关键在于SLAM算法可以应用于自主导航。基于云计算功率,平均执行时间的单步算法的最短执行时间是32女士,其次是FastSLAM 2.0算法36女士,女士和49 UFastSLAM算法。

因为控制和观测噪声是随机的,每个实验的结果是不同的。获得更详细和准确的比较,50仿真实验与仿真环境的图5(一个)正在进行。均方根误差(RMSE)是用来衡量估计值和实际值之间的偏差,它可以反映大满贯的准确性。表1基于RMSE相比显示了结果。

RMSE_P代表RMSE在机器人的位置估计,估计和RMSE_L代表RMSE地标。结果表明,该算法比其他两种算法更准确估计机器人位置和具有里程碑意义的地点。执行时间的积累是单步执行时间在每一个实验。该算法的执行时间也短的比其他两个算法。实验条件的限制,在云中核心处理器的总数小于粒子的数量。如果核心处理器的总数大于粒子的数量,该算法的并行性将大大提高,将进一步提高性能。同时,如果云资源是足够了,更多的颗粒可用于提高准确性。

图6显示了RMSE比较基于时间序列之间的三种算法。四个subfigures显示的RMSE比较 - - - - - -轴, - - - - - -轴、标题和位置。算法的均方根误差小于其他两个算法在每一个时期。

图7显示了RMSE比较三种算法之间的具有里程碑意义的头寸后循环是闭合的。可以看出,该算法的具有里程碑意义的估计错误更少比其他两种算法。

一致性意味着之间的偏差估计状态和真实的状态应该大致保持在一个恒定水平。归一化估计误差的平方(洛克)40)通常用于测量大满贯的一致性蒙特卡罗,定义如下: 在哪里和是机器人位姿估计均值和协方差,分别。是真正的姿势。鉴于运行时,平均需要雇计算如下:

三维车辆构成和50蒙特卡罗,两面95%概率区域有界区间[2.36,3.72]。如果超过上限,SLAM算法变得乐观(41]。图8显示了平均需要雇三个算法之间的比较。可以看出FastSLAM 2.0算法迅速变得乐观而该算法的平均需要雇了很长一段时间保持低水平。

为了进一步验证该算法的有效性,稀疏的地图地标如图9构造。50这环境进行仿真实验。表2显示了这三个算法基于RMSE之间的比较结果。比较实验图的地图5从75年到35,地标是减少。减少降低了大满贯计算和估计精度。与其他两种算法相比,该算法具有较高的机器人位姿和地标的位置估计精度和更少的计算时间。

实验结果表明,该算法具有更高的精度和更少的计算时间,是否在地图上密集的地标或稀疏的地标。

5.2。实验与数据集大学停车场和维多利亚公园

大学停车场和澳大利亚的维多利亚公园收集数据中心领域机器人(ACFR)在悉尼。他们很受欢迎在大满贯的研究社区。一辆卡车配备全球定位系统(GPS)、惯性和激光传感器测试。卡车的运动模型图所示10。

运动和观测模型如下: 在哪里中心轴的速度,左后车轮的速度,是采样间隔,αt转向角。

5.2.1。大学停车场数据集

大学停车场数据集(42是用来比较FastSLAM 2.0, UFastSLAM,该算法。在图所示的实验环境(11日)三个算法,结果如图11 (b)- - - - - -11 (d)。估计轨迹的算法是最符合GPS轨迹。它表明该算法的估计精度优于2.0 UFastSLAM和FastSLAM算法。

表3显示了估计的准确性三个算法之间的比较的平均距离误差估计和机器人位置是具有里程碑意义的位置估计的平均距离误差。如表所示3,该算法的估计误差小于2.0 FastSLAM和UFastSLAM在机器人的位置估计或是否具有里程碑意义的位置估计。该算法的执行时间也不到UFastSLAM和FastSLAM 2.0。该算法的单步执行时间是29女士,小于采样间隔。它可以满足实时的要求。

5.2.2。维多利亚公园数据集

维多利亚公园数据集(43是用来比较三种算法。是一个实验环境 大规模的环境,如图12。数据集记录传感器数据通过手动驾驶大约3.5公里的智能车辆1545秒。车辆惯性导航数据的收集61945帧,7249帧的激光雷达数据和GPS数据的4461帧。

环境中的主要障碍是树。安装位置较低的激光雷达,树干作为地标。由于树木的避难所,GPS数据不连续。这些自然地标的位置不测量,而真正的地标的位置不能在地图上标记。图13给出了实验结果。

黑色线代表了GPS数据,虚线代表了每个路径估计算法,和加号+是估计地标的位置。不连续的GPS数据和缺乏自然地标的位置数据,估计位置和实际位置之间的差异不是计算。如图13,估计路径的算法更符合GPS轨迹。FastSLAM 2.0线性化误差的算法,估计路径不匹配GPS轨迹。因为UFastSLAM的累积误差,该算法很小,估计路径和GPS轨迹之间的差异小于FastSLAM 2.0的算法。该算法的执行时间是674秒,小于1029秒的UFastSLAM FastSLAM 2.0算法的算法和952秒。

6。结论

edge-cloud协作的出现提供了一种新的解决问题。分布式和并行流服务的云计算能力的移动机器人进行了扩展,提高了大满贯的准确性与更多的粒子。建立当地地图边缘满足实时的要求。云计算改变了传统分布式并行执行连续采样和重采样过程,以及云计算能力被用来提高执行效率。Edge-cloud协作计算可以弥补缺乏计算移动机器人的能力和提高他们的环境适应性。

基于仿真环境和两个公共数据集,该算法,FastSLAM 2.0, UFastSLAM进行了比较。实验结果表明,该算法估计精度最高和最低的RMSE相比其他两种算法。实验结果证明该算法也最快的执行时间,从而确保大满贯的实时性能。SLAM算法基于粒子滤波的精度可以提高通过增加粒子数。在云中增加处理器核心数量可以使该算法使用更多的粒子来改善准确性不增加计算时间。该算法的精度和效率可以进一步提高云计算能力增加。与其他两种算法相比,该算法将沉重的云计算从机器人,它可以提高移动机器人的环境适应性。该算法不仅保证了实时性能,也提高了精度和效率的edge-cloud协作体系结构。基于低成本优势和性能改进,该算法具有较高的实用和推广价值。

该算法结合了边缘的力量和云来提高可靠性和效率。然而,几个方面需要进一步研究。(1)该算法可以被看作是一个混合算法。云中的粒子数量和传输延迟是重要的影响因素融合的结果。进一步研究优化算法通过测试edge-cloud聚变效应在不同的网络环境和不同的粒子数。(2)在实验中,单个机器人edge-cloud融合的测试完成。在未来,实验的multirobot edge-cloud融合将会完成。突发情况下的资源调度和任务优化的流数据将成为研究重点。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是财务支持的中国博士后科学基金会(2019 m651844),江苏省博士后科学基金会(2018 k035c),优秀的科技创新团队中国江苏高等教育机构(海上大数据团队),江苏省六大人才高峰计划(xydxx - 149),和年轻学术带头人QingLan项目中国江苏高等教育机构。