移动机器人粒子滤波定位与地图创建PDF电子书下载

第1章 概述 1

1.1 引言 1

1.2 国内外移动机器人发展概况 2

1.3 移动机器人定位与地图创建研究现状及分析 7

1.3.1 传感器信息融合的研究现状及分析 7

1.3.2 定位的研究现状及分析 8

1.3.3 地图创建的研究现状及分析 10

1.3.4 机器人SLAM的研究现状及分析 13

参考文献 15

第2章 移动机器人系统建模 22

2.1 引言 22

2.2 机器人坐标系统 23

2.2.1 AS-R移动机器人平台 23

2.2.2 机器人坐标系统 24

2.3 地图模型 25

2.4 运动模型 25

2.5 传感器分类与感知模型 27

2.5.1 传感器的分类 27

2.5.2 视觉传感器感知模型 28

2.5.3 激光测距仪感知模型 29

2.5.4 传感器噪声模型 31

参考文献 31

第3章 粒子滤波定位原理 32

3.1 引言 32

3.2 基于概率的定位方法 33

3.2.1 状态空间模型 33

3.2.2 贝叶斯滤波原理 33

3.2.3 基于贝叶斯滤波的定位 36

3.3 机器人粒子滤波定位方法 40

3.3.1 粒子滤波原理 41

3.3.2 基于PF的机器人定位算法 45

3.4 常规粒子滤波存在的问题 47

3.4.1 重要性函数选择问题 47

3.4.2 粒子退化问题 47

3.4.3 计算效率问题 48

3.4.4 粒子滤波定位存在的问题 48

3.5 粒子滤波的一些改进方法 49

3.5.1 无迹粒子滤波方法 49

3.5.2 进化粒子滤波方法 50

3.5.3 辅助采样-重采样方法 50

3.5.4 规则化采样方法 50

3.5.5 自适应粒子滤波方法 50

参考文献 51

第4章 基于视觉的粒子滤波定位方法 55

4.1 引言 55

4.2 用于建模与定位的机器人视觉技术 56

4.2.1 基于兴趣点的环境建模与定位 56

4.2.2 基于图像外观的环境建模与定位 58

4.2.3 立体视觉技术 59

4.2.4 视觉环境建模与定位的难点和趋势 60

4.3 视觉不变量理论 64

4.3.1 视觉不变量理论概述 64

4.3.2 变换群 65

4.3.3 特征不变量 66

4.3.4 仿射变换 66

4.4 尺度空间理论 67

4.4.1 尺度空间理论的发展历程 67

4.4.2 尺度空间 69

4.4.3 尺度检测机制 72

4.5 图像不变特征的属性及其分类 73

4.6 图像不变特征的构造方法 74

4.6.1 矩不变量 74

4.6.2 变换域特征 75

4.6.3 特征点和特征区域 75

4.7 局部不变特征检测方法 76

4.7.1 角点特征检测方法 76

4.7.2 斑状特征检测方法 79

4.7.3 区域特征检测方法 81

4.8 局部不变特征描述方法 85

4.8.1 基于微分的描述符 85

4.8.2 基于分布的描述符 85

4.8.3 不变矩描述符 86

4.9 图像的不变性特征 87

4.9.1 SIFT特征描述符 87

4.9.2 SIFT算法的特点 88

4.10 ISIFT特征算法 89

4.10.1 ISIFT尺度空间极值检测 89

4.10.2 ISIFT极值点精确定位 91

4.10.3 ISIFT关键点方向的确定 92

4.10.4 ISIFT特征点描述子的生成 93

4.11 ISIFT-MCL定位算法及分析 94

4.11.1 ISIFT-MCL定位算法 94

4.11.2 实验结果与分析 96

参考文献 101

第5章 融合异质传感信息的机器人定位方法 114

5.1 引言 114

5.2 多传感器信息融合 115

5.2.1 多传感器信息融合的定义 115

5.2.2 多传感器信息融合与移动机器人的关系 116

5.3 多传感器信息融合的处理模型 117

5.4 多传感器信息融合的结构问题 118

5.4.1 融合的层次性 118

5.4.2 融合的控制形式 122

5.5 多传感器融合算法 124

5.5.1 加权法 124

5.5.2 基于参数估计的信息融合 125

5.5.3 D-S证据理论 125

5.5.4 神经网络 126

5.5.5 卡尔曼滤波 126

5.5.6 其他方法 127

5.6 基于曲率特征分割的激光地图创建方法 128

5.6.1 激光扫描数据的地图创建原理 128

5.6.2 激光扫描数据的预处理 129

5.6.3 自适应离散曲率计算与特征分割 131

5.6.4 环境特征提取与局部地图创建 133

5.6.5 全局地图创建 136

5.6.6 地图创建实验与分析 139

5.7 图像检索的分类 141

5.7.1 基于文本的图像检索 141

5.7.2 基于内容的图像检索 143

5.7.3 基于语义的图像分类 146

5.8 图像检索算法的评价准则 147

5.8.1 命中准确率 147

5.8.2 查准率和查全率 147

5.8.3 ANMRR 148

5.8.4 排序值评测法 149

5.9 机器人定位环境特征图像检索方法 149

5.9.1 图像颜色特征 150

5.9.2 图像的随机过程描述 155

5.9.3 高斯混合矢量量化 156

5.9.4 GMVQ图像颜色特征的提取 158

5.9.5 图像特征相似性度量 159

5.9.6 图像检索实验与分析 161

5.10 融合异质传感信息的HSIF_PF定位方法 163

5.10.1 HSIF_PF运动预测 163

5.10.2 HSIF_PF激光测距感知更新 163

5.10.3 HSIF_PF视觉感知更新 164

5.10.4 HSIF_PF信息融合 164

5.10.5 自适应重采样 166

5.10.6 LSAC_PF定位实验与分析 166

5.10.7 GMVQ_PF定位实验与分析 168

5.10.8 HSIF_PF定位实验与分析 169

参考文献 172

第6章 区间分析粒子滤波机器人定位方法 184

6.1 引言 184

6.2 区间分析的起源和发展 185

6.2.1 区间分析的起源 185

6.2.2 区间分析的发展 186

6.3 区间分析在控制理论领域的应用 188

6.3.1 参数与状态估计 188

6.3.2 鲁棒控制 190

6.4 区间分析理论基础 192

6.4.1 区间及其基本量 192

6.4.2 区间向量和区间矩阵 193

6.4.3 区间运算 194

6.4.4 包含方程与包含测试 197

6.5 IUPF全局定位算法 199

6.5.1 区间分析运算 200

6.5.2 约束满足问题 200

6.5.3 IUPF定位算法 201

6.6 IUPF全局定位算法的实现 202

6.6.1 IUPF状态预测 202

6.6.2 IUPF感知更新 203

6.6.3 IUPF位姿估计 203

6.6.4 IUPF-SLAM算法流程 204

6.6.5 实验与结果分析 205

参考文献 207

第7章 粒子群优化的无迹粒子滤波FastSLAM算法 212

7.1 引言 212

7.2 优化算法的基本概念 213

7.2.1 优化问题 213

7.2.2 优化算法及其分类 214

7.2.3 局部优化算法 215

7.2.4 全局优化算法 215

7.3 智能优化算法 216

7.3.1 进化计算 216

7.3.2 群智能算法 219

7.3.3 其他智能优化算法 221

7.4 粒子群优化算法 223

7.4.1 粒子群算法的基本形式 223

7.4.2 粒子群算法的基本流程 224

7.4.3 标准粒子群算法 225

7.4.4 粒子群算法的控制参数 225

7.4.5 粒子群算法与进化算法比较 227

7.5 粒子群算法的主要模型 230

7.5.1 基本粒子群优化算法模型 230

7.5.2 带惯性权重的粒子群优化模型 231

7.5.3 邻域版粒子群优化模型 232

7.5.4 全面学习粒子群优化模型 232

7.5.5 离散粒子群优化模型 233

7.6 FastSLAM算法 233

7.6.1 移动机器人SLAM问题 233

7.6.2 FastSLAM算法原理 235

7.6.3 FastSLAM算法分析 237

7.7 PSOU-SLAM算法 239

7.7.1 PSOU-SLAM状态估计 239

7.7.2 PSOU-SLAM路标估计 241

7.7.3 PSOU-SLAM算法流程 246

7.7.4 实验与结果分析 248

参考文献 252