基于多传感器的SLAM数据关联机理及关键技术研究

When an intelligent robot is in the process of Simultaneous Localization and Mapping (SLAM), the results of data association are of key importance to the success of the SLAM. .In this study, two bottleneck issues constraining SLAM data association for intelligent robots are tackled. One issue is the filtering data association problem. Innovative methods and technologies are presented to optimize the data association step of filters for updating the robot pose and environmental map. Based on odometer and laser range finder, highly reliable data association technology is put forward. The visual sensor's information is used to evaluate and support the scan matching results. The advantages of feature based data association methods and those of scan matching methods are combined. Specific quantitative indexes are designed for optimizing filtering data association of SLAM. The other issue is the closed loop detection problem, which is 'loop closure' for short. Basic theory of reliable loop closure is studied. New method and key technology of loop closure are provided. Taking into account of the advantages of various sensors, auxiliary sensors such as artificial landmarks and wireless sensor networks are designed to transform unknown environments into known environments to some extent. Then, the information of auxiliary sensors and that of high precision laser range finder are fused. A stepping strategy, preliminary loop detection to precise loop closure, is presented to fulfill precise loop closure.

机器人同时定位与地图创建（SLAM）的过程中，数据关联的结果对SLAM的成败有决定性作用。本项目针对制约机器人SLAM数据关联研究的两个瓶颈性的问题——滤波数据关联及闭环检测开展研究：①滤波数据关联问题，提出对机器人位姿及环境地图滤波更新中数据关联步骤进行优化的方法及关键技术，基于里程计和激光雷达设计可靠性高的数据关联技术，采用视觉传感器信息对激光扫描匹配结果进行仲裁和辅助，综合基于特征的数据关联方法和扫描匹配方法的优点，设定具体的量化指标对SLAM滤波数据关联技术进行优化；②闭环检测问题，研究实现可靠闭环检测的基本理论，为构造这种新型的闭环检测提供方法及关键技术，结合多种传感器的优缺点，设计人工路标以及无线传感器网络等辅助信标将未知环境转化为一定程度上的已知环境，在此基础上融合辅助信标和高精度激光雷达的信息，采用“初步闭环检测——精确闭环检测”渐进策略实现闭环地形的精确检测。

本课题以机器人同时定位和地图创建(SLAM)为背景，针对现有的SLAM数据关联解法无法有效地应对未知环境的不确定性的特点，研究SLAM滤波数据关联和闭环检测两个瓶颈问题的解决方法和关键技术，其中所涉及的主要研究内容包括：现有SLAM数据关联方法的分析，SLAM实验平台的构建，SLAM滤波数据关联优化研究以及SLAM闭环检测研究。对主流SLAM数据关联方法进行了深入分析，比较了各种SLAM数据关联算法的性能，并对SLAM数据关联未来的研究方向提供了参考建议。构建了室内SLAM实验平台和室外SLAM实验平台，实验平台的可靠性和经济性好，采用完备的传感器系统确保SLAM过程的可靠性，融合多种传感器的观测信息实现可靠的SLAM。在SLAM滤波数据关联优化研究模块中，研究了基于特征的滤波数据关联过程的改进方法，一方面，设计了“截优策略”，限定可靠性高的、有限数量的匹配特征用于滤波更新，另一方面，设计了“拒绝机制”，拒绝可疑的传感器观测信息，实验结果表明，提出的增强方法在提高滤波数据关联过程的稳定性方面表现很好。对SLAM滤波数据关联中的扫描匹配方法进行了研究，对SLAM中得到研究人员认可的GMapping算法进行了实际验证，在本项目负责人自己的住房里以及居住小区的室外环境中进行了测试。在SLAM闭环检测模块中，为了提高定位精度、增大正确检测闭环的概率，对粒子群的优化进行了研究，提出了一种基于动态分数微积分(DFC)和混合重采样(HRS)的粒子群优化算法，其核心思想是使用DFC和HRS改进粒子群的性能，DFC可以有效地提高收敛速度，HRS由局部重采样和全局重采样组成，局部重采样通过调整最坏粒子的位置提高收敛速度，全局重采样作为改变粒子运动轨迹的外力，有助于粒子脱离局部最优，实验表明，该算法提高了收敛速度和全局搜索能力。从里程计信息精度低的实际缺陷出发，提出了硬件和软件协同解决SLAM闭环检测问题的设想。本项目的研究成果有助于提高SLAM数据关联过程的鲁棒性和可靠性，研究成果可以使用在机器人SLAM程序中，将来可以用在实际的机器人产品中，具有重要的理论意义和广阔的应用前景。