[发明专利]一种蛇形机器人基于激光测距仪的地图创建方法

说明书

技术领域

本发明属于移动机器人地图创建技术领域，特别涉及一种基于激光测距仪在未知环境中的地图创建方法。

背景技术

移动机器人通常是基于环境地图才能够实现定位和导航，所以地图创建是研究移动机器人的一个基本问题。SLAM问题在智能移动机器人领域的重要性受到了广泛的关注，出现了许多较为成熟的理论和实现方法。目前有很多针对SLAM问题的研究，SLAM常见的算法有EKF-SLAM算法、FastSLAM算法、DP-SLAM算法等。

基于EKF-SLAM的算法在不确定信息的表达上非常简洁和高效，它采用一个多维的高斯模型N(μ_t,∑_t)来描述机器人位姿和地图的联合后验分布，其维度为(2N+3)，N为环境特征的数目，但EKF-SLAM算法难以解决高度非线性和数据关联问题。

FastSLAM算法运用RBPF思想对后验概率进行因式分解，将SLAM问题分解成机器人路径估计和基于路径估计的地图创建两个子问题，其中路径的估计采用粒子滤波器，环境特征的估计采用EKF。其相比于传统的EKF-SLAM算法，降低了算法的复杂度，效率更高，但计算量仍然比较大，程序实现复杂。

基于粒子滤波的DP-SLAM算法是通过粒子滤波保持机器人的位姿和地图的联合概率分布，采用的是子地图系统，它为每个粒子创建一个子地图，然后再进行子地图关联来获得一幅完整的环境地图。这个算法在计算和环境地图创建过程中会消耗大量的内存。此外，该算法需要一个功能强大且价格昂贵的激光传感器(SICK)。

大多数SLAM算法都是针对缓慢移动的机器人进行测试，速度一般不超过1米/秒。到目前为止几乎所有SLAM算法的计算和实现都需要大量代码，要理解并测试他们的算法需要花费很大精力。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种MiniSLAM算法，具有算法简单易懂、计算量少、适用于快速移动的蛇形机器人等优点。

本发明采用以下技术方案：

一种蛇形机器人基于激光测距仪的地图创建方法，包括如下步骤：

步骤(1)：通过激光测距仪进行环境感知，获取环境信息；

步骤(2)：将当前激光测距仪的测量值与当前地图进行匹配；

步骤(3)：对蛇形机器人粒子集的粒子位姿及权值进行更新；

步骤(4)：进行地图更新。

步骤(1)中，所述激光测距仪为测距范围20mm到4000mm的URG04-LX激光测距仪，该激光测距仪的最大测量距离小于4m；采用阈值滤波方法对扫描的激光数据进行预处理滤除噪声点；并采用一个恒定的纵向和转速值对每次激光扫描值进行纠正。所述采用恒定的纵向和转速值对激光数据纠正并非本领域技术人员的常规技术实践，本申请是在蛇形机器人建图的过程中对蛇形机器人的运动步态进行建模，分析运动步态对激光数据及建图的影响，创造性的采用恒定的纵向和转速值对激光数据进行纠正。

进一步的，步骤(2)中，所述激光测距仪每一次扫描完后，会将观测值与当前地图中的特征点进行匹配；当与环境中的特征点较远时，依据最近邻数据关联准则，选取距离观测值最近的环境路标作为其匹配点；环境特征点间的距离相距越远，误匹配率越低，当误匹配率小于最大匹配误差阈值时，认为匹配成功。

进一步的，步骤(3)所述的对蛇形机器人粒子集的粒子位姿及权值进行更新，采用的是Monte-Carlo算法；每次蛇形机器人感知完环境后这些粒子会重新采样；算法结束时，粒子会收敛于蛇形机器人的实际位置；在每个时刻，由初始状态和到当前时刻所有的测量值Z^k＝{z_i,i＝1...k}估计当前蛇形机器人的状态。

进一步的，所述Monte-Carlo算法包含3个阶段：

预测阶段：预测阶段用运动模型以概率密度函数的形式来预测当前蛇形机器人的位姿；假设当前的状态x_k仅依赖于之前的状态x_k-1和已知的控制输入u_k-1，该运动模型被认定为条件密度p(x_k|x_k-1,u_k-1)，对于一阶马尔可夫过程，先验概率密度就可以通过积分得到