论文网
机器人类有关论文范文文献,与申请工学硕士学位文相关论文摘要
本论文是一篇机器人类有关论文摘要,关于申请工学硕士学位文相关大学毕业论文范文。免费优秀的关于机器人及算法及特征方面论文范文资料,适合机器人论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
看出,整个算法实际上是由三部分构成即:预测——实践——更新.首先要建立机器人的动力学模型以及运动过程中的观测模型.某一时刻,在给定控制参数后,根据动力学模型可以预测机器人在时刻的位姿状态,同时结合观测模型还可以预测在时刻机器人对旧(已经核实的)特征的观测值,在实践环节中,即在时刻到时刻的过程中,机器人基本上要完成三大工作:环境特征的提取和合理性检验,以及相关数据的匹配.从而获得对特征的实际测量,同时筛选出新的特征.将对特征的估计测量和实际测量的差异值(残差),机器人位姿估计以及旧的地图一起作为输入参数,通过一定滤波算法即可更新机器人位姿,进而得到新特征的位置信息并将其融入到旧地图中生成新地图.总而言之,该方法要求机器人的位置和所有地图特征的位置存放在同一个状态向量中,并且这个向量是增广的.当观测到环境中新的特征时,就要把它作为新的地图特征添加到状态向量中.然后通过滤波就可以构建一个收敛的地图.在极限情况下,随着对环境特征的重复观测,地图特征之间的相对关系变得完全确定,并且地图的不确定性控制在一个小的范围内.这个误差范围与机器人初始位置的不确定性有关.图3-1基于特征SLAM算法架构
3.3传感器的选择及特征提取
3.3.1传感器选择
由图3-1可以看出,移动机器人的自主导航中必须以有效而可靠的环境感知为基础,运用一种或多种传感器的组合,配以信息融合技术,从而对周围环境进行认识.机器人自主导航中常用的传感器主要可以分为两大类:
其中之一是内部传感器,它是机器人本身运动的感知,用来检测机器人组成部件内部状态,是实现闭环控制,伺服控制动作的不可缺少的装置.这类传感器有:惯导(INS),陀螺仪,里程计等.惯导提供加速度信息,速度计测量速度,陀螺仪测量角速度,里程计测量距离.这种传感器通常与机器人本身的运动模型一起对机器人的位置进行预测估计.由于这类传感器存在着随时间积累的漂移误差,所以不能直接用于长期定位.内部传感器记录了机器人的运动信息,能提供很高的采样频率而不依赖环境特征.
另一类传感器称作外部传感器.机器人外部传感器是用来检测机器人与对象物体外部状态的传感器.它使机器人能及时了解工作环境和对象,并视其情况来调整自己的对策,以提高机器人的适应性和智能化水平.如全球定位系统GPS).通过对已知位置的GPS卫星的观测来计算机器人当前的位置信息.其它常用的外部传感器有:激光雷达,毫米波雷达,声纳,视觉相机CCD等.
激光测距雷达(Laserrangefinder),运用激光二极管光脉冲获取目标的距离信息.距离的测量一般基于TOF(timeofflight)技术或者相移(phase-shift)技术.利用Doppler效应,也可以测量目标运动的速度信息.在基于TOF的测距中,发射,接收短的激光脉冲并测量它返回时的时间,通过特定计算就可以得到距离,在基于相移的测距中,发射,接收连续的光波并通过比较返回信号与参考信号的相位来计算距离[40][41].采用激光测距雷达的好处在于:速度快,测距精度高,相对于声纳传感器而言,角分辨率高,而且激光波束窄,测量距离长,但是其价格高,回波响应与目标的表面材料属性有关且有镜面反射和漫反射现象发生.
毫米波雷达(millimeterwaveradar,MMWR),通过发射接收电磁回波来测量至目标对象的距离.雷达天线的尺寸依赖于所使用的频率.频率越高,天线越小.运用的电磁波通常是短脉冲或调制的连续波.毫米波雷达的优点在于:可以适用于任何的天气条件,而且测量距离长,精度也比较高,其缺点是:成本高,尺寸大,在同样的天气条件下,比激光雷达衰减的更快.
声纳传感器(Sonar)具有成本低,波束覆盖范围宽的特点,但角度分辨率低,不够精确,且容易产生虚假和多重反射回波信号,增加特征匹配的难度.尽管如此,很多导航设计中都用到了声纳系统[42][43].超声波测距是基于超声波在介质中的传播速度特性实现的非接触式距离测量,其原理是通过超声换能器发射超声波,其在空中传播至被测物体,经反射后由超声换能器接收反射回波信号,确定出超声脉冲从发射到接收的渡越时间T,在已知超声波声速V的前提下,则可以计算出被测物体离超声换能器的距离L等于VT/2,完成障碍物及其位置的确定.
立体视觉系统(Stereo-visionsystem)运用单个或多个相机得到深度信息.得到的距离图像的质量依赖于相机标定,光照条件以及基线情况.目前,视觉已经在机器人导航中广泛运用[44][45].视觉可以提供更为丰富的信息,但是数据处理工作也相对庞大,而且视觉图像受光照条件影响比较大.
所以在选择传感器时要权衡各类传感器的弊益.一般来说,使用单一传感器进行定位制图的可靠性较差.利用多传感信息融合技术是定位与制图技术的发展方向.在本研究中主要涉及声纳传感器.声纳传感器的弱势将通过软硬件进行补偿.
3.3.2特征提取
特征提取是SLAM算法得以实施的前提条件.对于不同的传感器,不同的特征类型,都会有不同的特征提取算法.合理的特征提取算法可以提高SLAM算法的质量.由于本文侧重于SLAM算法中如何运用特征,这一问题的理论研究,故没有过多考虑特征本身的提取算法.对于从声纳传感器返回值中提取点,直线特征的算法,可以参考文献[46].
3.4噪音模型建立
上文提到,在机器人的自主导航研究中要利用各种传感器对机器人本身运动或者外界环境特征进行测量.这些测量通常会受到各种噪音的干扰,是固有不确定性的.常用一个噪音模型来表示这重不确定性.其中,最常用的噪音模型是白色高斯噪音(WGN).
另外在进行各种建模时,为了得到完全精确的模型需要很多参数,并且是非线性的.为了表示的方便通常只是用一个近似模型.在这个近似的过程中也会引入误差,该误差也是用高斯函数来表示的.
3.5滤波技术简介
由图3-1可以看出,滤波技术在基于特征SLAM算法中有着相当重要的地位,是算法的根基所在.所谓滤波就是从混合在一起的诸多信号中提取出所需要的信号.信号是传递和运载信息的时间和空间函数.有一类信号的变化规律是既定的,如调幅广播中的载波信号,阶跃信号,脉宽固定的矩形脉冲信号等,它们都具有确定的频谱,这类信号称之为确定性信号.对于这类信号可根据各信号频带的不同,设置具有相应频率特性的滤波器如:低通,高通,带通,带阻滤波器,使有用的信号无衰减的通过,使干扰信号受到抑制.这类滤波器可以使用物理方法实现即:模拟滤波器,也可以用计算机通过算法实现即:数字滤波器.对确定性信号的滤波处理也称常规滤波.
另一类信号没有既定的变化规律,在相同的初始条件和环境条件下,信号的每次实现都是不一样的,如陀螺漂移,海浪,惯性系统的导航输出误差等,它们没有确定的频谱,这类信号称之为随机信号.随机信号没有确定的频谱,无法用常规滤波提取或抑制信号,但随机信号具有确定的功率谱,可以根据有用信号和干扰信号的功率谱来设计滤波器.维纳滤波是解决此类问题的方法之一.但是设计维纳滤波器时需要做功率谱分解,只有当被处理的信号为平稳的,干扰信号和有用信号均为一维,且功率谱为有理分式时,维纳滤波器的传递函数才可以用伯特-香农设计法较容易
机器人类有关论文范文文献,与申请工学硕士学位文相关论文摘要参考文献资料：