移动机器人SLAM算法优化：精度提升与计算效率改进

本篇学位论文深入探讨了人工智能与机器学习在移动机器人领域的前沿课题——同时定位与地图创建方法（Simultaneous Localization and Mapping, SLAM）。SLAM技术对于自主移动机器人的自主导航至关重要，它允许机器人在未知环境中实时构建环境地图并确定自身位置，对于国防、经济和科研都具有重要意义。 论文首先强调了SLAM自上世纪九十年代以来的发展历程，指出其在国内外研究中的广泛兴趣和广泛应用，尤其是在室内、室外、水下甚至空中的复杂环境中实现了显著的进步。作者关注的是如何提升SLAM算法的性能，特别是在精度、一致性以及计算效率上。 在研究方法部分，论文重点介绍了以下内容： 1. 不确定性分析：通过对SLAM中相关性进行深度剖析，论文提出了基于特征稀疏度的标准，特别是引入了相关优先的特征稀疏策略。这一策略显著降低了计算负担，尽管减少了数据处理量，但保持了与传统方法相近的估计精度。 2. Scaled Unscented Transformation (SUT)在EKF-SLAM中的应用：论文探索了将SUT这一先进的数值积分方法融入卡尔曼滤波(SLAM的一种常见实现方式)的可能性，旨在解决线性化问题，提高算法的精确性。 3. RBPF-SLAM算法优化：针对RBPF-SLAM算法中常见的不一致性问题，作者通过分析归一化估计方差(NEES)来识别粒子耗尽作为导致不一致性的原因。为解决这一问题，论文提出了两种改进策略：一是辅助粒子滤波，二是正则粒子滤波，旨在优化重采样过程，增强算法的一致性。 这篇论文通过结合人工智能和机器学习的最新进展，对移动机器人同时定位与地图创建方法进行了创新性的研究，不仅提升了SLAM的性能，也为该领域的未来发展提供了有价值的理论基础和实践指导。