移动机器人状态估计算法鲁棒性改进方法研究

【摘要】：移动机器人在完成运输、清洁、搜救和监控等任务的过程中均需要利用状态估计器来获得各种基本信息,因此状态估计是移动机器人领域核心研究课题之一。在移动机器人状态估计领域中,视觉里程计(Visual Odometry)问题和同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)问题是两个典型基础问题。本文主要研究如何提升视觉里程计与SLAM问题相关算法的鲁棒性。在本文的第一部分中,提出了两种改进RGB-D视觉里程计算法鲁棒性的方案：首先,本文考虑了视觉里程计优化问题中一类利用Logistic函数进行权值计算的加权最小二乘形式的问题模型。本文提出了一种采用最大期望(Expectation Maximization, EM)算法对其中的权重和运动状态量进行交替估计的改进方案；随后,本文考虑了视觉里程计优化问题中一种基于双目标优化的问题模型,并分别采用加权求和标量化(weighted sum scalarizaiton)与切比雪夫标量化(Chebyshev scalarization)两种方法来对问题进行求解。由实验结果可以看到,同现有方法相比,本文提出的改进方法在图像的灰度或深度特征缺乏时鲁棒性更强。在本文的第二部分中,提出采用L1形式的目标函数来增强Linear SLAM算法鲁棒性。由实验结果可知,同现有采用L2形式目标函数的方法相比,本文提出的改进方法实时性较差。然而,这种改进方法却为解决Linear SLAM中非线性优化问题提供了新思路。