| 【中文题名】 | 网络移动机器人粒子滤波定位研究 |
| 【英文题名】 | Study on Particle Filter Localization for Internet Based Mobile Robots |
| 【学科专业】 | 检测技术与自动化装置 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-4-17 |
| 【中关键词】 | 移动机器人,远程测控,全局定位,粒子滤波,直方图匹配, |
| 【英关键词】 | Mobile Robot,Remote Measurement & Control,Global Localization,Particle Filter,Histogram Matching, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>机器人技术>机器人> |
| 【论文摘要】 |
基于互联网的移动机器人(本文也简称网络移动机器人)是网络技术与移动机器人技术相结合的产物。由于目前互联网带宽等条件的限制,对网络机器人的远程测控问题还没有根本解决。当前切实可行的方法之一是基于监督模式的测控方式,此种方式要求机器人具有较高的自主性能。
自定位是实现移动机器人自主能力的最基本也是最关键的问题,特别是在初始位姿未知情况下的机器人全局定位问题。
本文的主要研究工作可概括为以下几个方面:
1.给出了基于旋转超声测距传感器的贝叶斯网格地图的构建过程;通过数据融合改进了地图,且该地图被成功地用于机器人全局定位。
2.研究了粒子滤波定位算法的具体实施方法,并将其成功地用于解决小型低成本移动机器人的全局定位问题。将直方图匹配引入到定位算法的传感器更新阶段,实验表明它非常适合大量低精度的传感器数据情况,从而提高了粒子滤波算法的效率和鲁棒性。
3.使用Java语言,基于B/S结构,开发了基于Internet的移动机器人远程测控系统。将在线测量、离线计算的思想引入到机器人定位中,有效地弥补了低端机器人数据处理能力不足的缺陷,从而成功地解决了基于监督模式下的低端网络移... |
| 【论文题纲】 |
|
中文摘要 |
3-4 |
|
ABSTRACT |
4-8 |
|
第一章 绪论 |
8-14 |
|
1.1 引言 |
8-9 |
|
1.2 网络移动机器人研究及发展 |
9-10 |
|
1.3 移动机器人定位问题研究 |
10-13 |
|
1.3.1 航位推算法 |
11 |
|
1.3.2 拓扑表示法 |
11-12 |
|
1.3.3 卡尔曼滤波估计 |
12 |
|
1.3.4 位置概率网格法 |
12 |
|
1.3.5 蒙特卡洛法（粒子滤波） |
12-13 |
|
1.4 本课题研究工作的主要内容 |
13-14 |
|
第二章移动机器人平台简介 |
14-24 |
|
2.1 小型移动机器人硬件平台简介 |
14 |
|
2.2 小型移动机器人编程环境 |
14-15 |
|
2.3 运动模型建立 |
15-18 |
|
2.3.1 里程计模型 |
15-17 |
|
2.3.2 里程计的缺陷以及误差传递 |
17-18 |
|
2.4 传感器模型建立 |
18-23 |
|
2.4.1 超声测距原理 |
18-19 |
|
2.4.2 超声传感器在 AS-UII 上的应用 |
19-21 |
|
2.4.3 超声传感器的不确定性分析 |
21-23 |
|
2.4.3.1 声波传播速度的影响 |
21 |
|
2.4.3.2 镜面反射问题 |
21-22 |
|
2.4.3.3 超声串扰问题 |
22-23 |
|
2.5 本章小结 |
23-24 |
|
第三章 定位中使用的环境地图建模 |
24-38 |
|
3.1 环境地图的表示方法 |
24-27 |
|
3.1.1 拓扑图 |
24-25 |
|
3.1.2 特征图 |
25-26 |
|
3.1.3 网格图 |
26 |
|
3.1.4 直接表征法 |
26-27 |
|
3.2 超声传感器网格概率模型建立 |
27-29 |
|
3.3 网格地图中网格概率更新方法 |
29-32 |
|
3.3.1 贝叶斯方法 |
29-30 |
|
3.3.2 Dempster -Shafa 方法 |
30-31 |
|
3.3.3 运动影射直方图方法 |
31-32 |
|
3.4 利用贝叶斯方法建立试验环境网格地图 |
32-37 |
|
3.5 本章小结 |
37-38 |
|
第四章 粒子滤波定位 |
38-53 |
|
4.1 前言 |
38-39 |
|
4.2 马尔可夫定位 |
39-43 |
|
4.2.1 马尔可夫独立性假设 |
39-40 |
|
4.2.1.1 运动独立性假设 |
39-40 |
|
4.2.1.2 感知独立性假设 |
40 |
|
4.2.2 马尔可夫定位原理 |
40-42 |
|
4.2.3 马尔可夫定位算法 |
42-43 |
|
4.3 粒子滤波定位 |
43-52 |
|
4.3.1 粒子滤波定位原理 |
44-49 |
|
4.3.1.1 贝叶斯重要性采样 |
44-46 |
|
4.3.1.2 顺序重要性采样 |
46-47 |
|
4.3.1.3 重要性函数的选择 |
47-48 |
|
4.3.1.4 采样/重要性重采样 |
48-49 |
|
4.3.2 粒子滤波定位算法 |
49-51 |
|
4.3.3 利用样本集进行位姿估计 |
51-52 |
|
4.4 本章小结 |
52-53 |
|
第五章 网络机器人定位实验 |
53-65 |
|
5.1 机器人网络平台构建 |
53-58 |
|
5.1.1 移动机器人网络控制系统结构 |
53 |
|
5.1.2 服务器端设计 |
53-56 |
|
5.1.2.1 网络通讯 |
55 |
|
5.1.2.2 用户管理 |
55-56 |
|
5.1.2.3 串口通讯 |
56 |
|
5.1.2.4 身份辨识 |
56 |
|
5.1.3 浏览器端设计 |
56-58 |
|
5.2 粒子滤波算法在 AS-UII 机器人上的实现 |
58-63 |
|
5.2.1 直方图引入粒子滤波 |
58-60 |
|
5.2.2 粒子滤波定位实验 |
60-63 |
|
5.3 本章小结 |
63-65 |
|
总结与展望 |
65-66 |
|
参考文献 |
66-70 |
|
发表论文和科研情况说明 |
70-71 |
|
致谢 |
71 |
|
| 【DOI】 | LunWen.ID:2.2008.382481 |
