摘要
随着机器人技术快速更新，越来越多的智能机器人进入到不同领域帮助人们完成各种任务。智能化机器人在复杂不确定环境中如何确定自身位置，提供优质地图，同时在复杂的环境中规划最优路径具有重要意义。本文基于机器人操作系统(RobotOperationSystem，ROS)设计了一种激光同时定位与地图构建(SimultaneousLocalizationandMapping，SLAM)以及路径规划(PathPlanning)方案。针对传统地图构建算法中存在的定位精度低、建图不准确问题，提出一种移动机器人改进激光SLAM算法，同时对A*算法规划路径优化不足、搜索效率低和拐点频繁的问题进行改进，并将改进A*算法与局部路径规划算法相融合。具体的研究内容如下: 1、针对传统RBPF(Rao-Blackwillisedparticlefilter)算法存在定位精度低、粒子缺乏多样性的问题，提出了一种移动机器人改进激光SLAM算法。基于主成分分析法对相邻帧的点云进行粗配准，采用改进点到线迭代最近点配准算法校正粗配准结果从而完成精确配准。改进重采样算法中，在多次复制高权重粒子集合的情况下引入低权重粒子集合，改善粒子多样性缺乏。通过对原始算法、本文所提算法以及文献【75】所提最小方差重采样(MinimumSamplingVariancc，MSV)算法进行仿真对比，验证了本文改进算法在提高激光雷达配准精度以及状态估计精度方面性能更好。 2、针对传统A*算法存在路径优化不足、搜索效率低以及拐点多的问题，提出一种改进的路径规划算法。将节点距离信息集成到以指数衰减函数为系数的启发式的数中，以加快全局寻优的搜索速度，同时考虑了上一代父节点的影响，降低了节点往返搜索概率。获取初始路径后，采用梯度下降法平滑路径。最后陆合改进A*算法与局部路径规划算法，将评价函数改为考虑全局最优。仿真实验验证了改进后的A*算法规划路径搜索时间、遍历节点数量、拐点数量相较于原始A*算法明显减少，在不同特征的环境中，融合算法都能在全局品优的基础上成功规划出无碰撞路径，验证了融合算法的全局最优性能和实时避障能力。 3、在不同的实际场景下分别采用Turtlebot移动机器人进行SLAM与路径规划试验。采用原始Gmapping-SLAM算法、MSV-SLAM算法和本文改进Gmapping-SLAM算法进行地图构建对比试验，改进SLAM算法可获得较高精度的地图。在已构建地图上验证了改进A*算法规划路径的高效性和平滑性，同时在已知先验信息和未知先验信息的环境中，对本文所提全局与局部路径规划融合算法进行试验，融合算法不仅可以实现保持路径的全局最优性，还可以实时躲避未知障碍物。试验结果验证了本文改进地图构建与路径规划算法的有效性与可靠性。
NETL