基于随机有限集的SLAM系统建模与参数估计问题研究

Localization and mapping are fundamental requirements of robots for environment perception. Traditional SLAM techniques often assume that the data association between landmarks and measurements are known (or at least could be estimated), whereas in complex environments the corresponding associations are quite challenging to acquire. This project is based on the theory of random finite set, to investigate the SLAM problem without using data association. The major researches are organized as follows: (1) The principle of the random finite set is studied, and compared with the SLAM techniques. (2) According to the point matching theory, the key parameters of the proposed SLAM algorithm are investigated. (3) The proposed SLAM algorithm is evaluated in both simulation and real environments. This project can provide principle technical support for the robots SLAM, as well as the perception unit of the intelligent unmanned systems.

SLAM（Simultaneous Localization And Mapping, 即时定位与地图构建）是机器人环境感知的基础。在SLAM过程中，通常假设地图路标与传感器量测之间的数据关联已知（或可通过相应算法求出），而在复杂环境中路标与量测之间的数据关联则难以计算, 从而导致估计误差不收敛。基于这一点，本项目着重研究：（1）基于随机有限集的不依赖数据关联SLAM机理和方法。（2）随机有限集SLAM在缺少参数先验信息时的估计方法。（3）针对仿真和实验的不同条件，验证随机有限集SLAM方法的整体性能。本项目的研究成果将发展和丰富机器人SLAM的理论和技术，可为实现智能化无人系统的应用提供重要的技术支持。

当前，数据关联已经成为制约SLAM技术发展的“瓶颈”。随着机器人行走路径、杂波密度的增加，为保障关联过程的成功率，SLAM算法的时空复杂度呈非线性增长，从而导致其实时性难以满足要求。甚至，几乎所有的关联算法均存在一定程度的失误率，进一步影响机器人姿态和路标的估计精度。因此，寻求一种具有容错特性的SLAM方法，使其能够针对错误数据关联场景进行全局优化，具有很大的必要性。令人欣慰的是，随机有限集的方法为相关研究工作提供了强有力的技术支持。通过将量测和状参数视作集合状态变量的一部分，在优化过程中进行全局估计，使得SLAM算法在缺少数据关联先验信息时，提供有力的技术保障！在研究周期内，项目组完成了研究任务书中所计划执行的所有研究任务，主要包括：第一，完成了随机有限集SLAM的机理和方法，实现了对机器人姿态和地图路标联合概率函数的分析与建模。第二，完成了点匹配的参数估计。在此项研究中，首先实现了点匹配的路标出生强度函数建模与计算，其次完成了点匹配过程中杂波的滤除工作。第三，实现了SLAM的实物验证。在此项研究过程中，以仿真实验为基础，验证了算法的可行性。在此基础上，通过机器人平台搭载激光雷达设备，实现了室外场所的验证，然后以此为基础完成了对随机有限集SLAM模型的分析和改进。在上述理论成果基础之上，项目研究期间，项目组成员共发表11篇论文，其中项目主持人以第一作者发表5篇论文，并合作发表3篇论文，其中4篇SCI检索论文。另外申请发明专利2项。此研究所形成的方法及结论可准确且高效地弥补SLAM方法依赖数据关联先验信息的缺陷，进一步提升其在复杂场景下的整体性能，对信息融合、人工智能、模式识别等领域的发展有重要的学术意义，对机器人、自动化等领域有重要的应用前景。