[发明专利]一种基于无迹卡尔曼滤波的偏振光SLAM方法

说明书

本发明公开了一种基于无迹卡尔曼滤波的偏振光SLAM方法，属于无人机自主导航的范畴。该方法结合无人机的状态模型和基于激光雷达传感器、偏振光传感器的量测模型，通过无迹卡尔曼滤波，即UKF算法，实现无人机位置的确定和周围环境地图的构建，利用偏振光信息和激光雷达信息匹配互补、不受其他外界干扰的特性，提高了无人机SLAM系统的稳定性和精度。

技术领域

本发明涉及无人机同时定位与构图(SLAM)属于无人机自主导航的范畴，具体涉及一种基于无迹卡尔曼滤波的偏振光SLAM方法，对无人机如何确定自身位置及感知外界环境的问题，SLAM系统旨在通过无人机系统模型，结合相应的滤波方法完成无人机的定位与周围环境的绘制。

背景技术

SLAM是Simultaneous Localization and Mapping缩写，意为“同时定位与建图”。它是指运动体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程。目前，SLAM技术已经被运用于无人机、无人驾驶、机器人、AR、智能家居等领域。

SLAM研究侧重于使用滤波器理论，最小化运动体位姿和地图的路标点的噪声，一般采用里程计的输入作为预测过程的输入，激光传感器的输出作为更新过程的输入。扩展卡尔曼滤波(Extended Kalman Filter,EKF)滤波算法是目前大多数SLAM采用的滤波算法，缺点是线性化处理时需要用雅克比(Jacobian)矩阵，其繁琐的计算过程导致该方法实现相对困难，而UKF使用无迹(UT)变换来处理均值和协方差的非线性传递，不需要用求解雅克比矩阵，精度较高。近年来无人机的发展非常迅速，而将SLAM导航用于无人机可以解决无人机自身位置不确定，航迹推算中位置误差累积的情况，利用自身携带的传感器，反复探测环境中的特征，从而完成自身位置及特征位置的校正，同时构建环境地图，无需预知地图信息或依靠外部辅助设备，即可完成无人机位置信息和周围环境地图的构建，但是这种SLAM方案的定位精度和构图精确度都不高，鲁棒性很差。

近年来对偏振光的研究越来越多，1871年英国著名物理学家瑞利提出了瑞利散射定律，揭示了光线散射特性，随后人们基于瑞利散射定律获得了全天域大气偏振分布模式。大气偏振分布模式相对稳定，其中蕴涵着丰富的导航信息，自然界中很多生物都能够利用天空偏振光进行导航或辅助导航。偏振光导航机制是一种非常有效的导航手段，具有无源、无辐射、隐蔽性好等特点,能够为复杂环境下的导航任务提供新的解决途径。

将偏振光用于无人机SLAM上可以提高无人确定自身位置的和构建周围环境地图的精确度，解决鲁棒性不高的问题。

发明内容

本发明主要解决的问题是：将自然界中广泛存在的偏振光信息应用到无人机SLAM中以解决无人机同时定位与构图中存在的自身位置确定困难、环境适应性差、构图不够精确的问题。

本发明采用的技术方案为：

一种基于无迹卡尔曼滤波的偏振光SLAM方法，包括以下步骤：

(1)选取无人机的姿态、速度、位置和路标点的位置为系统状态，建立无人机的动力学模型；

(2)建立激光雷达的量测模型；

(3)建立偏振光传感器的量测模型；

(4)系统初始化、地图初始化；

(5)路标点匹配；

(6)利用路标点的激光雷达数据和偏振传感器数据，设计UKF滤波器，估计无人机位置、速度、姿态和路标点的位置；

(7)地图更新；