摘要: 随着人工智能技术的飞速发展，移动机器人作为人工智能的重要发展方向之一，正以前所未有的速度发展革新。在移动机器人关键技术研究中，由于各种工作任务下对机器人定位精度要求的不断提高，需要机器人达到高精度的定位，以满足任务的要求。本文研究... 展开 随着人工智能技术的飞速发展，移动机器人作为人工智能的重要发展方向之一，正以前所未有的速度发展革新。在移动机器人关键技术研究中，由于各种工作任务下对机器人定位精度要求的不断提高，需要机器人达到高精度的定位，以满足任务的要求。本文研究分析了多传感器融合结合扫描匹配的移动机器人定位算法，以机器人操作系统(RobotOperateSystem,ROS)为平台，针对单传感器定位的局限性和复杂环境下定位精度较差的问题对定位算法进行改进，通过设计仿真实验，优化定位算法的效果良好，在定位精度方面有很大改善。本文主要研究内容如下： （1）研究了基于轮式里程计、惯性测量单元(InertialMeasurementUint,IMU)和激光雷达的多传感器融合技术。首先提出了基于扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)的轮式里程计和IMU的融合算法，建立里程计的运动模型，用来预测移动机器人的位姿，利用IMU精确的角度信息建立观测方程对预测位姿进行修正。将EKF融合后的位姿作为自适应蒙特卡洛定位(AdaptiveMonteCarloLocalization,AMCL)算法运动模型的采样源得到预测的粒子集，以激光似然域测距模型为观测信息更新粒子集，得到AMCL融合里程计、IMU、激光的位姿数据。 （2）由于激光模型受复杂环境的限制，AMCL定位算法提供的位姿精度有限，本文增加了扫描匹配和离散傅里叶变换(DiscreteFourierTransform,DFT)进程对定位算法进行优化。以AMCL的加权均值输出作为扫描匹配的初始值，通过构建激光雷达观测点与先验地图的匹配函数模型，利用高斯牛顿的方法优化求解，最终通过DFT滤波滤除位置处的小抖动，提高了系统的鲁棒性。 （3）在ROS平台下设计仿真实验验证定位算法的性能。模拟真实的室内环境，构建机器人模型，根据多次重复定位误差均值判断算法的精度。实验结果表示AMCL算法位置误差均值和角度误差均值分别为0.043m，0.023rad；优化算法误差均值降为0.022m，0.010rad。实验表明本文的优化定位算法提高了定位的精度。 收起