基于SEM地图的室内非结构环境中的SLAM问题研究

同步定位与地图创建(SLAM)因其在导航中的基础性地位一直是移动机器人领域的研究热点，同时，它也是智能服务机器人走向实际应用必须要解决的问题之一。目前关于非结构环境下的SLAM算法已有少量研究成果，但是还存在定位与建图精度低、环境描绘解析度不高等问题。本课题应用采样环境地图(SEM)作为环境描绘的方式，开展室内非结构环境中SLAM问题的研究，通过建立点集合之间的概率评价函数解决SEM地图的数据关联问题，使用虚拟集元方法以及半定规划方法建立一致性地图更新算法，通过优化SEM中集元的分布以及采用分块地图创建与融合的策略解决实时性问题，最终得到高精度的且具有可变解析度的SLAM解决方案。本课题的研究不仅能为其他机器人研究人员提供一种新的思路，而且对智能服务机器人的实际应用具有重要的现实意义。

智能服务机器人领域已经成为全球科技、经济的发展重点，各大科技公司争相投入巨资进行研究，而非结构环境中的同步定位与地图创建(SLAM)则是智能服务机器人走向实际应用必须要解决的关键问题之一。本项目针对现有研究对于机器人定位精度低、环境描绘解析度不高的问题，应用采样环境地图(SEM)建立环境模型，开展了非结构环境中的SLAM问题研究：1) 基于SEM 的鲁棒数据关联方法研究。从几何形状与概率分布这两个角度研究点集合之间的相似性关系模型，提出基于特征点关联和轮廓关联的两个点集合中对应于相同实际环境的子集合的方法。2) 具有结构一致性的地图更新算法研究。针对局部地图与全局地图之间的拓扑奇异性问题，提出了基于集合的传感器观测模型和约束卡尔曼滤波器的地图更新方法。3) 室内大尺度非结构环境中SLAM 的实时性研究。研究了SEM 描绘非结构环境轮廓信息的充分性与完备性，提出利用约束卡尔曼滤波器的集元增减算法以提高算法的实时性。针对室内大尺度环境，提出基于分治法的实时性地图创建与融合算法。4) 基于混合地图的SLAM算法研究。针对室内非结构环境，提出了基于特征地图和栅格地图的层次化SLAM算法。本项目的研究对于服务机器人的发展提供了关键性的基础技术，具有重要实际意义。