基于特征定位的室内环境移动机器人基于ODOMETRY,激光,及全景视觉数据_第1页
基于特征定位的室内环境移动机器人基于ODOMETRY,激光,及全景视觉数据_第2页
基于特征定位的室内环境移动机器人基于ODOMETRY,激光,及全景视觉数据_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、基于特征定位的室内环境移动机器人基于ODOMETRY，激光，及全景视觉数据个odometry编码，两个180°激光测距仪，以及全景相机组装的机器人（Biba）。实验表明，与只用odometry或激光传感器数据形成对照，而多传感器装置有助于降低机器人定位和方向的实质误差。考虑到机器人方向估测和环境特点，我们还觉察到使用视觉数据可以提高定位精度。关键词：移动机器人，激光测距仪测量数据，全景相机，特征提取，多传感器融合。1.导言为了能在任一环境中执行任何任务，移动机器人能够回答以下三个问题："我在哪里？我要去哪？我怎么去那？"是至关重要的（Leonard and Dur

2、rant-Whyte,1992）.这三个典型的问题刺激移动机器人研究界持续了20年。在此期间研究人员集中关注的是定位的发展，地图建设以及可实时运行和已装机移动器人的导航程序。自20世纪90年代中期起嵌入式传感器，硬件，以及计算和记忆能力的巨大发展允许移动机器人大力改进其自主性和应用领域范围（从医疗，办公，以及工业到星球表面探测）。如今在文献中针对10多年以前那些难以应付的问题有许多方法。一个很好的例子就是二维同步定位与地图创建问题（SLAM），通常被描述为"鸡-蛋"问题。SLAM问题在于需要有一个准确估计机器人姿态（位置和方向）以及传感器数据融合的精确地图。形成一个可靠的环

3、境地图和减少odometry误差这两者都是相关必要的（Vazquez-Martin et al.,200n台以及使用真实数据所取得的成果。最后，在最后一节中作出了结论和提出了展望。2特征提取与匹配 特征是基本物理环境中静态的，可感知的，当地独特可辨认的物体。在此研究中，考虑到环境动态特性和匹配模型，我们强调从激光测距仪测量中提取强有力的几何特征。特征提取过程更详细的说明如下。 2.1特征提取 简而言之特征提取就是从观测空间到特征空间的转变。它是传感器和情景类型依赖问题。没有什么普通算法既不适用所有传感器类型（如：视觉、激光、声波探测器等等）也不适用复杂情景（机构化和非结构化的环境）。在此背景下

4、，分割过程在特征提取过程中充当一个本质性的规则，因为它同时决定哪些数据点是模型选择的一部分以及这些数据如何构建特征模型。 在室内环境中，线段模型由于它发生的频繁性以及提取过程的简明性被认为是最完美的特征。更具体的说，如果模型是线，即便当几何学n （2） 针对线段拟合，为了将极坐标从点到线的加权垂直误差减到最少非线性回归方程已经明确的给出。相对卡尔曼滤波，可能相关测量的更多误差事态可以被考虑到这种方法（Arras et al，2000）。图2表明了对显示在图1-a和图1-b中的同一扫描图像采用线性回归拟合方法的结果。 图2.对图1-a中同一扫描图像 采用线性回归拟合方法的结果。另一特征模型提取的用于该项工作的范围数据是线段的中点。

人人文库> 全部分类> 教育资料 > 辅导培训

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论