已查阅的参考文献:
[1] 田野, 陈宏巍, 王法, 等. 室内移动机器人的SLAM算法综述[J]. 计算机科学, 2021, 48(3): 223-234.
[2] 张为心. 基于激光雷达的室内移动机器人SLAM及路径规划研究[D]. 桂林: 桂林理工大学, 2021.
[3] 卢彩霞. 无人驾驶应用环境下基于激光雷达的3D SLAM研究[D]. 北京: 北京交通大学, 2019.
[4] Giorgio Grisetti, Cyrill Stachniss, Wolfram Burgard. Improved Techniques for Grid Mapping With Rao-Blackwellized Particle Filters[J]. IEEE Transactions on Robotics: A publication of the IEEE Robotics and Automation Society, 2007, 23(1): 34-46.
[5] Lenac Kruno, Kitanov Andrej, Cupec Robert, et al. Fast planar surface 3D SLAM using LIDAR[J]. Robotics and Autonomous Systems, 2017, 9(2): 197-220.
[6] Pierzchal, Marek, Giguere, et al. Mapping forests using an unmanned ground vehicle with 3D Li DAR and graph-SLAM[J]. Computers and Electronics in Agriculture, 2018, 14(5): 217-225.
[7] Smith, Randall, Self, et al. Estimating Uncertain Spatial Relationships in Robotics[J]. Robotics & Automation, 2013, 37(3): 16-33.
[8] 朱友帅. 基于ROS的服务机器人同步定位与地图构建研究[D]. 镇江: 江苏科技大学, 2019.
[9] Imone Ceriani, Daniele Marzorati, Matteo Matteucci, et al. Single and Multi Camera Simultaneous Localization and Mapping Using the Extended Kalman Filter On the Different Parameterizations for 3D Point Features[J]. Journal of mathematical modelling and algorithms in operations research, 2014, 13(1): 23-57.
[10] 沈斯杰, 田昕, 魏国亮, 等. 基于2D激光雷达的SLAM算法研究综述[J]. 计算机技术与发展, 2022, 32(1): 13-18.
[11] 阮毅, 杨影, 陈伯时. 电力拖动自动控制系统-运动控制系统[M]. 北京: 机械工业出版社, 2016.
[12] Tadeusz Michalowski. Applications of MATLAB in science and engineering[M]. Rijeka: InTechOpen contributors, 2011.
[13] Toshiba Corporation. TB6612FNG motor driver datasheet[M]. Tokyo: Toshiba Corporation, 2011.
[14] 刘火良, 杨森. STM32库开发实战指南[M]. 北京: 机械工业出版社, 2017.
[15] 陈孟元. 移动机器人SLAM目标跟踪及路径规划[M]. 北京: 北京航空航天大学出版社, 2018.
[16] 郭帅. 基于混合地图表示的SLAM算法研究[D]. 沈阳: 中国科学院沈阳自动化研究所, 2012.
[17] Jiachen Ma, Qi Zhang, Liyong Ma. A novel robust approach for SLAM of mobile robot[J]. Journal of Central South University, 2014, 21(6): 2208-2215.
[18] 陶辉, 吴怀宇, 程磊, 等. 基于特征地图的移动机器人EKF-SLAM和Fast-SLAM算法自主导航研究[J]. 北京联合大学学报(自然科学版), 2010, 24(2): 18-24.
[19] 陈世明, 郑丽楠, 吴龙龙, 等. 面向3维空间的移动机器人快速自适应SLAM算法[J]. 信息与控制, 2012, 41(4): 419-424.
[20] 张文玲, 朱明清, 陈宗海. 基于强跟踪UKF的自适应SLAM算法[J]. 机器人, 2010, 32(2): 190-195.
[21] 周旭. 基于改进粒子滤波的SLAM算法研究[D]. 南京: 南京理工大学, 2014.
[22] 陶辉, 吴怀宇, 程磊, 等. 轮式移动机器人FastSLAM算法研究[J]. 哈尔滨理工大学学报, 2011, 16(1): 42-47.
[23] 郭利进, 王化祥, 孟庆浩, 等. 移动机器人在大尺度未知环境下的自主导航方法-改进的FastSLAM算法[J]. 高技术通讯, 2008, 18(4): 375-381.
调研情况:
机器人在现实生活的应用过程中,无论是室内室外的导航服务、汽车的无人驾驶以及虚拟现实的模拟都需要通过自身搭载的各类传感器采集环境中的距离、图像等多种信息,然后估计自身主体的位姿同时构建环境地图,这就是同时定位与地图构建技术(SLAM)。现今的SLAM技术较为繁多,但使用过程中都有一定的局限性[1]。
例如通过无线信号进行定位的SLAM技术只能在事先搭建的环境中使用;使用GPS定位的SLAM技术显然无法在室内环境中正常工作,并且成本较高。而在SLAM技术发展的30多年以来,基于激光雷达的SLAM技术研究热度却从未降低。作为主流的SLAM技术,其有着其他技术无法比拟的优点,例如:其通过激光反射的原理,能够完成对障碍物信息的准确判断,不受光线的影响,在黑暗的环境下正常进行工作;可以搭载其他传感器共同感知处理信息,构建更为精确的环境地图[2]。
激光SLAM技术主要依靠搭载的2D或3D激光雷达、IMU、里程计等传感器完成建图任务。最早的基于激光雷达的SLAM算法是由Smith于1988年提出的EKF-SLAM算法,使用了最大似然算法进行数据关联,但计算复杂、鲁棒性差,构建的地图无法用于机器人导航任务[2]。2002年Montemerlo等人提出了FastSLAM算法,灵活地将SLAM问题分割为定位和地图构建两个问题,并且能够使用栅格地图[3]。在此基础上,Grisetti等人提出Gmapping算法,改善了采样粒子数过大的问题,对位姿进行了扫描匹配,实现了较好的建图效果,是目前使用最为广泛的2D激光SLAM算法。之后激光SLAM算法研究进入了飞速发展的鲁棒性时代。Lenac等[4]提出一种基于3D姿态的快速SLAM,使用了360°激光雷达能够更好的估计车辆轨迹。Pierzchala等[5]针对森林技术,提出了基于graph-SLAM的同时定位和映射算法的局部图。