隨著移動機器人的應用越來越廣泛,機器人精準的定位與精確導航也變得越來越重要,為機器人在復雜應用場景中的作業(yè)提供了重要的保障。當前的機器人位姿估計大多依賴外感式傳感器,而對于一些如水下、管道等特殊場景,無法使用這些傳感器,需要采用間接測量的方法使用概率推算來估計機器人的位姿。目前自主移動機器人尚無法做到完全獨立自主的運動,大多依賴人工控制和路徑規(guī)劃,需要提前知道環(huán)境地圖。本文針對上述問題使用概率推算機器人的位姿,并利用AprilTag實現(xiàn)機器人的同時定位與地圖構建（SLAM,Simultaneous Localization and Mapping）。本文主要研究內(nèi)容和創(chuàng)新點如下:本文采用慣導（IMU,Inertial Measurement Unit）、編碼器、激光雷達、攝像頭為主要傳感器搭建了實驗小車平臺。首先結合小車IMU和編碼器數(shù)據(jù)信息進行小車的位姿估計。使用拓展卡爾曼濾波（EKF,Extended Kalman Filter）結合IMU和編碼器進行位姿的推算,用測量值校正誤差,通過不斷迭代預測下一時刻的位姿。使用機器人操作系統(tǒng)（ROS,Robot Operating Syste... 

【文章來源】：東華大學上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與選題意義
    1.2 研究現(xiàn)狀
    1.3 本文主要研究工作
第二章 機器人定位與導航
    2.1 基于地圖匹配定位方法
        2.1.1 基于幾何的地圖匹配
        2.1.2 基于拓撲的地圖匹配
    2.2 基于標識的定位方法
        2.2.1 Aruco
        2.2.2 基于視覺的特征匹配
    2.3 基于概率估算的定位方法
        2.3.1 蒙特卡洛定位
        2.3.2 馬爾可夫定位
    2.4 本章小結
第三章 基于EKF的機器人狀態(tài)估計
    3.1 機器人建模
        3.1.1 Ackerman模型
        3.1.2 IMU模型
    3.2 狀態(tài)估計
        3.2.1 誤差模型
        3.2.2 狀態(tài)估計流程
    3.3 實驗平臺
        3.3.1 慣導
        3.3.2 編碼器
        3.3.3 樹莓派虛擬內(nèi)存
        3.3.4 ROS框架
    3.4 實驗和結果分析
    3.5 本章小結
第四章 基于APRILTAG的機器人自主SLAM
    4.1 APRILTAG
        4.1.1 算法流程
        4.1.2 相機模型
        4.1.3 相機標定
    4.2 2D激光SLAM
        4.2.1 RBPF
        4.2.2 Gmapping激光建圖
        4.2.3 激光模型
    4.3 實驗和結果分析
    4.4 本章小結
第五章 總結與展望
    5.1 總結
    5.2 工作展望
參考文獻
致謝
附錄 :攻讀碩士期間參加的項目及成果



本文編號：3151223