基于倒角距离的占用栅格地图定位算法

可在www.sciencedirect.com在线获取ScienceDirectCAAITransactions on Intelligence Technology 1（2016）272e284http://www.journals.elsevier.com/caai-transactions-on-intelligence-technology/原创文章基于倒角距离的占用栅格地图定位算法Lakshitha Dantanarayana*，Gamini Dissanayake，Ravindra Ranasinge澳大利亚新南威尔士州悉尼科技大学自主系统中心2016年10月19日在线发布摘要本文提出了一种在已知的二维环境中定位机器人的新算法。首先将表示环境的占用网格转换为距离函数，该距离函数对从任何给定位置到最近障碍物的距离进行编码。提出了一种基于倒角距离的传感器模型，用于将来自激光测距仪的观测与环境的地图相关联，而不需要射线跟踪、数据关联或特征提取。它示出的机器人可以通过解决一个非线性优化问题，制定最小化相对于机器人位置的倒角距离所提出的算法是能够很好地执行，即使机器人里程计是不可用的，只需要一个单一的调整参数，即使在高度动态的环境中运行因此，它优于最先进的粒子滤波器为基础的解决方案，机器人定位在占用网格，提供了一个近似的初始位置的机器人是可用的。基于模拟数据集和公共领域数据集以及作者收集的数据的实验结果被用来证明所提出的算法的有效性Copyright© 2016，重庆理工大学.由Elsevier B.V.制作和托管。这是CC下的开放获取文章BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。MSC：00-01; 49-01关键词：机器人定位;距离函数;倒角距离;优化;传感器模型;环境表示1. 介绍定位或确定机器人在给定地图上的姿态（位置和方向）是机器人在环境中自主操作的主要要求。在全球定位系统（GPS）等绝对跟踪系统不可用的情况下，从安装在机器人上的传感器获得的测量值用于定位。用于定位的Al-出租m取决于用于表示环境地图的方法。当地图可以用点或线段等几何图元表示时，基于扩展卡尔曼滤波（EKF）的算法能够通过融合从机器人采集的信息来有效地估计地图中的机器人位姿* 通讯作者。电子邮件地址：lakshitha. uts.edu.au（L. Dantanarayana）。同行评议由重庆理工大学负责对这些基元的测距和观察[2]。基于EKF的方法通常在计算上是有效的，但是需要机器人的先前位置的初始猜测。因此，这种方法不能解决诸如绑架机器人问题之类的问题，其中机器人的初始位置是未知的此外，由于在算法的特征提取步骤处执行的维数降低，这些方法仅利用可从传感器（诸如激光测距扫描仪或RGB-D相机）获得的信息的一小部分。基于EKF的方法通常需要导出运动和观测模型及其雅可比矩阵。这些特定于给定的机器人/传感器组合。此外，从环境中提取，定义和明确关联几何特征和地标的观察也是传感器特定的，提出了额外的挑战。将环境分类为被占用或空闲的单元的占用网格是用于表示度量图的最早且常用的方法之一。http://dx.doi.org/10.1016/j.trit.2016.10.0032468-2322/Copyright© 2016，重庆理工大学由爱思唯尔公司制作和主持这是一篇基于CC BY-NC- ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284273当环境描述以占用网格地图的形式可用时，基于粒子滤波的方法是机器人定位的首选[3]，因为它们能够利用范围扫描中可用的所有测量。基于粒子滤波的方法使用传感器模型和一组代表假设机器人位置的粒子来估计机器人的真实姿态。一个足够大的数目的par-bands，足以描述的概率密度函数的机器人姿势，需要以产生位置估计，mates具有可接受的精度。粒子滤波器相对容易实现，并且能够全局定位：当机器人姿势的合适的初始估计不可用时，能够处理这种情况广泛使用的自适应蒙特卡罗定位（AMCL）[4e 9]，也可作为流行的机器人操作系统（ROS）[10]的一部分，是一种基于粒子滤波的定位方法。在粒子滤波框架内，识别异常值或动态对象并不简单。为了解决这个问题，AMCL使用了一个“混合模型”，通过统计分析这些离群值的可能原因并在粒子更新步骤中惩罚这些观察结果来对范围读数进行分类。然而，Thrun等人[7]警告说，这种方法只在某些有限的情况下有效，并且应该根据环境来分析类别。用于定位的粒子滤波器可以很容易地适应各种传感器和机器人运动学模型。然而，为了有效，粒子滤波器的实现需要使用一系列用户定义的参数进行调整。由于粒子滤波器的计算负担与所使用的粒子数量成比例，因此需要进一步调整以动态地将粒子数量保持在最佳水平。粒子滤波器的最新ROS实现由24个可调参数组成[11]。在文献中也提出了基于优化的方法用于机器人定位这些方法主要集中在基于特征的地图，而不是占用网格地图。在[12]中，遗传优化算法用于在由几何信标组成的地图上定位移动机器人遗传算法也用于[13]中，用于使用激光测距仪在室外环境的卫星图像地理地图上进行定位Kwok等人。[14]提出使用进化计算技术，包括遗传算法，粒子群优化和基于特征的定位的蚂蚁系统，并证明了它们对噪声和动态环境的有效性和鲁棒性无线传感器网络中的节点定位是一个突出的应用，它严重依赖于基于优化的方法。Mao等人[15]解释了如何将不同的技术应用于这个独特的问题，以及如何基于优化的方法可以解决无线传感器网络定位问题。扫描匹配是用于机器人本地化的另一种流行方法，其中使用优化策略来估计机器人位置，所述优化策略使来自传感器的观测（通常是来自激光测距仪的扫描）与地图之间的未对准最小化中提出的扫描匹配算法概率似然方法[7，19]。在ICP中，查询扫描中的每个激光端点使用距离度量（如欧几里得距离）与参考扫描（或定位情况下的标测图）中的点、线或表面相关联，之后使用刚体变换[20]然后，使用计算的刚体变换的一组新的数据关联来重复该过程，直到收敛。在概率扫描匹配方法中，传感器误差是实际传感器测量和预测传感器读数之间的差异，用于更新给定的假设机器人姿态的可能性预测读数通过诸如光线投射的算法来估计，这在计算上是昂贵的，或者可能性场[7]，对于可能性场[7]，环境相关的调谐是必不可少的，因为它是光线投射的近似。基于距离函数的地图越来越多地被用于捕获环境的几何形状[21e25]。距离函数不仅对环境的被占用区域进行编码，而且还提供了距离的连续测量，使其与占用网格地图相比具有更丰富的表示。在KinectFusion中，Newcombe等人[22]扩展了Curless Levoy[21]提出的表示方法，该方法使用带符号距离函数（SDF）来封装三维（3D）表面，这些表面是使用深度传感器的范围读数增量构建的与3D占用网格地图相反，3D占用网格地图不清楚环境的表面在哪里或如何提取表面，Carrillo等人的工作[24]表明，在由SDF表示的环境中提取曲面有一个明确的数学策略。Mullen等人的工作[26]Chazal et al.[27]使用无符号距离函数进行3D表面重建，他们指出无符号距离函数对噪声和离群值的鲁棒性比SDF强得多在本文中，我们提出了距离函数作为表示二维环境的手段。我们提出了一个基于倒角距离的传感器模型[28]，可以将来自传感器（如激光测距仪）的测量与基于距离函数的地图相关联。1所提出的传感器模型不依赖于特征提取、数据关联或光线跟踪操作。我们使用这种传感器模型在一个基于优化的策略，最大限度地减少倒角距离，以提供有效的手段来定位移动机器人时，机器人的初始姿态是近似已知的。本文的组织如下：第2节介绍了基于距离函数的环境表示和基于倒角距离的传感器模型。第3节制定的优化问题，用于本地化的机器人在地图上的倒角距离最小化之一，探讨了优化问题的属性，并提出了一个解决它找到机器人姿势的策略。基于仿真，公共领域数据集以及在动态环境中收集的数据对所提出的算法进行了实验评估，证明了所提出的算法文献包括迭代最近点（ICP）[16，17]，迭代最近线（ICL）[18]或迭代最近表面（ICS）和1这项工作的初步结果最初发表在参考文献。[1]的文件。274L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284.. 联系我们算法在第4节中给出。第五部分是结论和未来的工作。2. 环境表示和传感器模型在本节中，我们开发了一种基于距离函数的方法来表示环境，并推导出相应的激光测距仪的传感器模型2.1. 用于环境表示的对于填充有对象的给定环境，距离变换或距离场是环境的映射，其中距离场的任何点保持到最近对象边界的最短距离。欧几里德距离通常用作距离度量，而其他简单度量（如城市街区距离、棋盘距离、准欧几里德距离）或复杂度量（如用于3D图像重建的Wasserstein度量[27]）则根据应用和计算效率需求用作替代度量。当V是一个环境中被占用空间的集合时，欧氏距离函数可以表示为（1）在空间中任何给定点x处dDFDFxminxv j1vj2V在等式（1）中，距离函数是无符号的。然而，当用封闭形状的物体表示环境时，距离函数的符号可以设置为正或负取决于查询点x是在闭合轮廓的外部还是内部。如果环境由几何图元组成，则可以按需计算距离函数。或者，可以通过将环境量化为像素（2D环境）或体素（3D环境）来预先计算空间中离散间隔处的距离函数值。用于从占用网格地图生成离散距离函数的算子通常被称为距离变换。在简单实现时，距离转换过程是一个依赖于许多因素的穷举搜索包括量化的分辨率然而，Rosenfeld Pfaltz[29]提出的算法在任何给定的二维环境上仅通过两次就有效地计算距离变换。此外，有许多算法，其中一些依赖于图形处理单元，可以实时计算距离变换[30e33]。图1表示作为二进制图像的占用网格图及其距离函数，其中图像的灰度级用于表示距离值。2.2. 传感器模型传感器是机器人“看到”世界的设备它测量一个物理量，并将测量值转换为机器人使用的易处理信号。传感器使机器人能够感知其环境并可靠准确地执行任务。由传感器收集的信息（物理量的测量）被称为传感器测量或观测。机器人中常用的传感器包括：（i）接触传感器，诸如碰撞传感器和车轮编码器，（ii）惯性传感器，诸如加速度计、陀螺仪和磁力计（罗盘），（iii）接近传感器，诸如红外传感器、声纳传感器、雷达和激光测距仪，（iv）视觉传感器，诸如相机和深度相机，以及（v）绝对传感器，诸如GPS和视觉跟踪系统。在实践中，在机器人上使用多个传感器是很常见的，因为它们可以以相互补充的方式使用，以提高整体精度并促进故障检测。传感器的选择主要取决于任务所需的精度、传感器对机器人操作环境的适用性以及可负担性。例如，即使基于GPS的传感器适合于户外导航，其也不能用于卫星接收差且易受干扰的室内环境中激光测距仪等传感器具有高精度，可部署在广泛的环境中。在过去，这些传感器的高成本限制了它们的使用，但随着最近社会上机器人应用的增长，具有可接受精度的激光测距仪现在可以以合理的价格提供。图1.一、（a）作为二进制图像的占用网格图和（b）其距离函数。L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284275¼ ðÞDF;xo1DF;xoDF;x我..o我与我我是你的儿子vr2nu2U vj2V。.DF;xoivr.vr.vr46ðÞ75dCD¼CD U; V¼我最小ui-vj：1070由传感器捕获的观测与传感器模型相关联，传感器模型是物理传感器的抽象表示，以及传感器捕获的观测如何被处理、解释并与机器人维护的环境的内部表示相关联。考虑安装在机器人上的激光测距仪，该机器人放置在使用如图2所示的距离函数表示的环境中。对应于由给定方位q i处的n个距离读数r组成的单个激光扫描的观测可以从给定机器人姿势xx;y;fu，使用公式（2）如图 所 示。 2 a获得观察结果笛卡尔空间中的向量x¼。x oi。xricosqif2现在，可以从距离函数中提取点x0i处的距离读数的向量。2个DF100x1个DF100：我们在这里注意到，Thrun等人[7]提出的然而，这是一个经验的近似，使用经验的混合模型，以应付与光线投射过程相关联的高计算费用。等式（3）中的向量dDF是地图与传感器测量之间的视差的量度。视差的标量度量计算测量可能性。在图像处理和计算机视觉的背景下，文献中有大量距离函数和二值图像之间的视差的标量度量。倒角距离是许多此类距离度量不需要定义明确的对应点配对。Hausdorff距离[34，35]是另一种在许多应用中使用的流行方法，它从一组点中捕获具有最差失配的一个点，第六章第七DFð3Þ所有给定点的不匹配。 由BurrowDFxoi：DF-1000对于给定的机器人姿势，该向量的协方差SDF是对角矩阵，其可以被写为，et al. [28日] 在 1977, 倒角 距离 基模板多年来，匹配已经经历了许多实现、改进和增值，包括使其在旋转（即微小的方向变化）[36]、尺度变化[37]、分辨率变化，甚至是鲁棒性方面变得鲁棒。在高杂波[38]。SDF¼诊断S2;…;…;我2DF;xonΣð4Þ在计算机视觉文献中，定义了倒角距离并将其用于与二值图像的模板匹配，其中，其中S2o我 可以使用等式（5）导出。二进制查询形状的语义位于较大的参考图像内设U^{ui}和V^{vj}是查询集合2DF;xoi 1/4JDF;xoiuDF;xoið5Þ和参考图像。倒角距离为-U和V之间的距离由以下距离的平均值给出：其中，JDF，x0是查询点x0，i处的距离函数的雅可比矩阵，并且传感器噪声由R表示。此外，委员会认为，vdDF传感器噪声R是激光距离噪声sr。每个点ui2U，n（U）1/4n及其在V中的最近边，X..JDF;x1，假设唯一的贡献因子为1。.vdDFvdDF简体 中文vxovdDF·þ·vyoð6Þ这里n是U中的点数。通过使用距离函数，可以减少值vdDF和vdDF可以通过使用成本函数（7）和（8），以便可以在vxovyo线性时间，On[38].图二、激光扫描从估计的机器人姿势的投影，（a）在二进制占用网格地图上和（b）在距离函数上。s.SR Jo我VxOXo我vyOXo我地图的距离功能，以提高效率。276L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284CDXn我图三.在英特尔研究实验室数据集的两个不同位置上，在真实机器人姿势附近，倒角距离相对于机器人位置（x，y）的变化。相应的激光扫描（未按比例）在轮廓图上方给出f被设置为它的真实值。d¼CDU;V1XDFu：8ui2U用无符号距离函数表示，DF可以是如公式（9）所示。倒角距离是正距离的总和，并且是为无符号距离函数定义的。在二维模板匹配的情况下，使用1NdCD¼n1/1DFxoi：9倒角距离、参考图像和模板都是二值边缘图像，可以使用边缘滤波器对原始图像进行处理。在这种情况下，最高的计算复杂度在于距离变换过程，以从参考边缘图像创建距离函数，这应该针对每个图像帧进行。然而，如前所述，最近的距离变换的高速实现使执行速度更快，甚至可以使用倒角距离进行人员识别和实时跟踪监控录像[33]。重要的是要注意，当距离函数用于表示静态环境地图时，其计算是一次性过程，因此不会影响本文中描述的定位过程的计算成本。使用等式（8），激光扫描从在环境中操作的机器人获得，图3a和b显示了倒角距离相对于在真实姿态附近变化的假设机器人位置（x，y），真实姿态的近似坐标分别为（1.1，1.1）m和（0.45，0.45）m。如果没有测量噪声，则当机器人在地图中处于其真实姿态并且激光扫描完全对准时，获得最小倒角距离，其将等于零。图4示出了当x和y保持在其真实值并且对于图3b中使用的机器人的真实位置，定向f在± 0. 4弧度之间变化时，倒角距离的偏导数可以使用DF的偏导数来推导，如等式（11）所示。. 拉乌VdCDvdCDVxvdCDvfð10Þ图四、在真实机器人姿态x和y的真实值附近的倒角距离变化和取向f变化。L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284277..BC..vxovyoBCBvx CBX.美 元 /美元表1与DF一样，偏导数vDFvDF可以数据集1的传感器属性和噪声参数也可以预先计算和存储。Xo我Xo激光测距仪模拟Hokuyo UTM-30 LX最大射程30米最小范围0.1 m视野270度角度分辨率1/4毫米每次扫描的读数数量1080激光测距仪测量噪声N 0;0： 022 m2线速度噪声N0;0： 042 m2 s-2m角速度噪声N0;0： 012 rad2 s-2rad我们在这里注意到，如果使用距离变换从占用网格地图获得距离函数，则需要连续近似（诸如三次样条）来内插距离函数值以估计连续空间中的距离和导数。距离变换的导数在占用空间和未占用空间以及切割轨迹之间的边界处是不连续的[39]。使用适当的样条近似，可以计算这些不连续性对基于梯度的优化算法的影响。0vdCD10vdCDBvy¼1vDFvxonvx o.xoiVx1X诉D F。$vyoin避免了除了样条，高斯过程也被建议作为距离函数的平滑函数[25]，但在本文中提出的应用中，这些过程会产生大量的计算成本。CBVY O。xoivy$C3。定位算法B@vdB@1。XvDF.vxoXvD F.vyo！CAvfnvxo .xoivf. 罗伊VYOI.xoivf. 罗伊 ð11Þ本节描述了一种用于将机器人定位在机器人上的方法使用激光安装在机器人上的测距仪它使用距离函数图五.数据集1的估计机器人位置和地面实况。(a)优化算法和（b）AMCL粒子滤波算法与波束测距仪模型。$我1þC278L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284图第六章（a）提出的C-RBF算法和（b）具有波束测距仪模型的AMCL粒子滤波算法的位置估计中的误差L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284279¼ ðÞarg mindCD120;DF120其中DF是占用栅格地图的距离函数的环境m和xo是使用粒子滤波器（AMCL束）1.46±2.08 8.16 ± 23.40的表示和我们在第2.2节中提出的基于倒角距离的传感器模型。机器人定位问题可以通过找到使成本函数C最小化的机器人姿势来解决，成本函数C被定义为设定的传感器读数z和映射m之间的失配的度量。如在第2.2节中描述的传感器模型本质上定义了真实姿态附近的这种成本函数因此，机器人定位问题可以表示为，来自等式（2）的具有潜在机器人姿态的激光扫描zxx;y;f u.假设等式（12）中的目标函数是当使用三次样条近似时，该无约束非线性优化问题是可微的，可以使用各种基于梯度的技术来解决该无约束非线性优化问题。在第4节给出的实验中，使用了信赖域算法的Matlab实现。需要目标函数关于机器人姿态x为了解决由方程描述的优化问题，在等式（10）和（11）中给出等式（12）。见图7。英特尔数据集中机器人的轨迹，使用C-SVM算法。(a)从基于优化的定位策略获得的GMapping姿势和结果。（b）机器人的完整轨迹（c）激光扫描从所估计的姿态的投影x yf表2设置数据集1的错误。算法RMS误差C-C（拟议）位置（m2× 10- 3）0.30± 2.17方向（2度）0.98 ±5.43280L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284一个门只允许小于最大误差的值，如公式（13）所示，可以用来消除激光测距仪测量中明显的异常值dDFxoi≤Df： riDxD y13其中Dx、Dy和Df是初始猜测中的最大预期误差。在实验中，Dx和Dy使用0.15 m，而Df设定为0.05 rad。这是该算法所需的唯一调谐参数，并且显然它相对容易建立。4. 实验结果我们使用三个数据集上进行的实验，以illustrate所提出的定位算法的能力数据集1基于在ROS阶段环境上进行的模拟，使得地面实况可用于评估。这个模拟中的机器人配备了提供激光扫描的Hokuyo激光器。表1列出了模拟中使用的传感器特性和参数。数据集2是来自美国西雅图英特尔研究实验室的公开可用数据集。在这个数据集中，机器人在办公楼里走了三圈。环境地图和地面实况不可用。因此，在第三个循环期间收集的激光范围扫描与GMapping[40]算法一起使用，以生成用于评估的占用网格图。数据集3是在澳大利亚悉尼的百老汇购物中心收集的。数据收集在正常图八、数据集2中机器人的轨迹（a）使用基于波束的似然模型，对从AMCL获得的姿态和结果进行GMap（b）机器人的完整轨迹（c）激光扫描从所估计的姿态的投影L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284281见图9。在29.54分钟内收集数据集3期间人群移动的稀疏图示。由于航运中心的运作时间有限，因此环境混乱及挤迫。机器人配备了Hokuyo UTM-30 LX激光测距仪。未使用里程计。4.1. 机器人姿态估计由于地面实况在数据集1中可用，因此我们可以将所提出的定位算法的输出与地面实况进行定量比较。作为比较，我们使用粒子滤波器实现AMCL可用于ROS及其光束测距仪模型。 图 5说明位置图6示出了利用所提出的优化算法和AMCL获得的估计，而图6示出了沿着整个机器人轨迹的估计相对于地面实况的误差。所提出的算法和AMCL的平均姿态误差如表2所示。图图7和图8使用数据集2定性地比较了所提出的算法和AMCL的结果。如在图7c中可以看到的，通过从由所提出的算法估计的姿态投射激光扫描而恢复的地图具有与原始地图对齐的明确定义的壁，这与图8c中所示的从AMCL恢复的地图相反。这表明，所提出的算法产生的姿态是更准确的。4.2. 动态环境如前所述，数据集3是在自然条件下在拥挤的环境中收集的。因此，在这个数据集中，激光观测大多被人为破坏。图9是在通过从估计的机器人姿势投影来自激光测距仪的所有读数而获得的数据收集期间的人群移动的稀疏图示。图10示出了从所提出的C-RNN算法获得的估计的机器人姿态。由于地面实况不可用，因此示出了使用用于构造环境地图的SLAM算法获得的姿态以用于比较。很明显，即使在有重大人员流动的情况下，C-Cash也表现良好。为了进一步评估所提出的算法在动态场景下的性能，我们使用Dataset 1进行了模拟实验。在这个实验中，我们人为地破坏了一个均匀图10. 在数据集上使用C-轨迹的机器人轨迹3.282L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284ðÞU0的随机分布;ri. 图11示出了在不同损坏程度下的均方根（RMS）误差。即使高达60%的输入传感器测量值被动态对象损坏，C-CSCL算法仍能继续定位而不会丢失跟踪，而AMCL在40%损坏时失败优化算法无法收敛的情况通过用机器人姿态的当前最佳估计处理下一次4.3. 计算成本图12比较了所提出的算法与ROS中可用的AMCL的计算成本。数据集1用于获得处理一次激光扫描的平均时间。数据集1中的激光测距仪每次扫描产生1081个激光读数。对于AMCL，颗粒数量固定为5000个颗粒。执行时间为标准基于波束和似然场传感器模型的AMCL。可以看出，由于光线投射过程的复杂性，具有基于波束的似然函数的AMCL花费最长的时间。应该注意的是，与ROS一起分发的代码可能不是AMCL最有效的实现。5. 讨论和结论在本文中，我们提出了一种新的定位算法的机器人配备了激光测距仪在二维环境中工作。所提出的算法使用基于距离函数的方法来表示环境和传感器模型，该传感器模型使用倒角距离将传感器的距离测量与环境的地图相关联。传感器模型不需要明确的数据关联或从传感器读数中提取特征。见图11。当输入传感器测量被人为破坏以模拟环境中的动态对象时，所提出的算法和AMCL（波束模型）的RMS误差。图12个。定位算法的每次扫描执行时间L. Dantanarayana等人/CAAI Transactions on Intelligence Technology 1（2016）272e 284283一个优化算法，最大限度地减少倒角距离相对于机器人的姿势被证明是有效的，在获得估计的机器人在地图上的位置，提供了一个近似的初始位置的机器人是已知的。所提出的算法不需要里程测量。我们使用了多个实验的基础上的模拟，一个公共领域的数据集，并在拥挤的环境中收集的数据，以证明该算法的有效性。实验结果表明，该算法比目前广泛使用的粒子滤波算法AMCL具有更高的精度和计算效率。实验结果表明，本文提出的基于优化的技术提供了一个有竞争力的解决方案，在占用网格内的机器人定位的问题。观察到的主要优点之一是，该算法不需要调谐参数，除了用于从激光测距数据中过滤离群值的相对较大的门。这是由于在优化算法中没有使用过程和观测不确定性的模型。未来的工作包括使用这些模型来计算机器人姿势的不确定性和融合里程观测，如果可用的话。地图分辨率对定位精度的影响以及使用距离函数的连续表示的可能性，而不是离散距离变换的三次样条近似正在调查中。引用[1] L.丹塔纳拉亚纳河Ranasinghe，G. Dissanayake，C-Bounge：a基于倒 角 距 离 的 方 法 ， 用 于 在 占 用 网 格 地 图 中 定 位 ， 在 ： 2013IEEE/RSJ智能机器人和系统国际会议，IEEE，2013，pp. 376e381，http://dx.doi.org/10.1109/IROS.2013.6696379。[2] J. Leonard ， H. Durrant-Whyte ， IEEE Trans. Rob. 自 动 7 （ 3 ）（1991）376e 382，http://dx.doi.org/10.1109/70.88147。[3] C. Stachniss，W. Burgard，Found. Trends Rob. 3（4）（2014）211e282，http://dx.doi.org/10.1561/2300000013。[4] F. Dellaert，D.福克斯，W。Burgard，S.陈文龙，移动机器人的蒙特 卡 罗 定 位 ， 机 器 人 与 自 动 化 国 际 会 议 ， 第 2 卷 。 doi ：10.1109/ROBOT.1999.772544。[5] S. Thrun，D.福克斯，W。Burgard，F.德拉特，阿蒂夫。内特尔128（1e 2）（2001）99e 141，http：//dx.doi.org/10.1016/S0004-3702（01）00069-8.[6]S. Thrun ， Int. J. Rob. Res. 20 （ 5 ） （ 2001 ） 335e 363 ，http://dx.doi.org/10.1177/02783640122067435。[7]S. Thrun，W. Burgard，D. Fox，Probably Robotics，MIT Press，2005.[8]D. Fox ， Int. J. Rob. Res. 22 （ 12 ） （ 2003 ） 985e 1003 ，http://dx.doi.org/10.1177/0278364903022012001。[9] S.S. Srinivasa，D. Ferguson，C.J. Helfrich，D. Berenson，A. 科莱，R. Diankov，G. Gallagher，G. Hollinger，J. Kuffner，M.V. Weghe，Auton.Robots28（1）（2010）5e20，http://dx.doi.org/10.1007/s10514-009-9160-9.[10] 开源机器人基金会，机器人操作系统（ROS），2016年。[11] B.P. Gerkey，ROS的自适应蒙特卡罗定位，2008年。[12] L. Moreno，J.M. Armingol，S. Garrido，A. D. L. Escalera，文学硕士 Salichs ， J. Intell. 罗 伯 34 （ 2 ） （ 2002 ） 135e 154 ，http://dx.doi.org/10.1023/A：1015664517164。[13] C.U. Dogruer，A.B. Koku，M. Dolen，全球城市定位的户外移动机器人与遗传算法。2008 年欧洲机器人研讨会，Springer BerlinHeidelberg ， 柏 林 ， 海 德 堡 ， 2008 年 ， pp. 103e 112 ，http://dx.doi.org/10.1007/978-3-540-78317-6_11。[14] N. Kwok，D. Liu，G. Dissanayake，工程应用，人工制品内特尔19（8）（2006）857e868，http://dx.doi.org/10.1016/j.engappai.2006.01.020。[15] G.毛湾Fidan，B.D.安德森，计算机。网络51（10）（2007）2529e2553，http://dx.doi.org/10.1016/j.comnet.2006.11.018。[16] P.J. 北达科他州贝斯尔McKay，IEEE Trans.模式肛门。马赫内特尔14（1992）239e 256，http://dx.doi.org/10.1109/34.121791。[17] S. Thrun，M.Diel，D. H€ahnel，扫描对准和3-D表面建模与直升机平台，在：第四届国际会议现场和服务机器人，2003年。[18] A. Censi，An ICP variant using a point-to-line metric，in：In：2008IEEE International Conference on Robotics and Automation，IEEE，2008，pp. 19e25，http://dx.doi.org/10.1109/ROBOT.2008.4543181。[19] E.B. Olson，实时相关扫描匹配，在：2009 IEEE机器人与自动化国际会议，IEEE，2009，pp.4387e4393，http://dx.doi.org/10.1109/ROBOT.2009.5152375。[20] B.K.P. Horn，J.选购配件Soc. Am. 4（4）（1987）629e 642.[21] B. Curless，M.Levoy，从距离图像构建复杂模型的体积方法Proceedings of the 23rd Annual Conference on Computer GraphicsandInteractiveTechniqueseSIGGRAPH303e312，http://dx.doi.org/10.1145/237170.237269。[22] R.A. Newcombe，A.J.戴维森，S。Izadi，P.Kohli，O.Hilliges，J.肖顿D. Molyneaux，S. Hodges，D. Kim，A. Fitzgienic，KinectFusion：实时密集表面映射和跟踪，在：2011年第10届IEEE混合和增强现实国际研讨会，IEEE，2011，pp.127e136，http://dx.doi.org/10.1109/ISMAR.2011.6092378。[23] T. Whelan，M. Kaess，M. Fallon，Kintinuous：spatially extendedKine-ctFusion，in：RSS Workshop on RGB-D：Advanced ReasoningwithDepth Cameras，2012.[24] H. Carrillo，Y. Neira，J. Castellanos，Towards measuring uncertaintyin volumetric signed distance function representations for activeSLAM，机器人中多视图几何研讨会（MVIGRO）与RSS 2014结合。[25] S. Kim，J. Kim，GPmap：基于稀疏高斯过程的机器人映射的统一框 架 ， 在 ： Field and Service Robotics ， Springer InternationalPublishing ， 2015 ， pp. 319e 332 ， http://dx.doi.org/10.1007/978-3-319-07488-7_22。[26] P. Mullen，F.De Goes，M.Desbrun，D.Cohen-Steiner，P.阿利兹，计 算 机 。 Graph. Forum 29 （ 5 ） （ 2010 ） 1733e 1741 ，http://dx.doi.org/10.1111/j.1467-8659.2010.01782.x.[27] F. Chazal，D. Cohen-Ste i ne r，Q. 我来了，福乌。Comput. 数学11（6）（2011）733e 751，http://dx.doi.org/10.1007/s10208-011-9098-0。[28] H. Barrow，J.特南鲍姆河Bolles，H.Wolf，参数对应和倒角匹配：图像匹配的两种新技术。第五届国际人工智能联合会议第二卷，摩根考夫曼出版社，San Francisco，CA，USA，1977，pp. 659和663。[29] A. Rosenfeld，J. Pfaltz，Pattern Recognit. 1（1）（1968）33e 61，http：//dx.doi.org/10.1016/0031-3203（68）90013-7.[30] T. Schouten，E.范登布鲁克，快速精确欧几里德距离（FEED）变换，在：第17届国际模式识别会议论文集，2004年。ICPR 2004 vol.3，IEEE，2004，pp.594e597，http://dx.doi.org/10.1109/ICPR.2004.1334599。[31] J. Schneider ， M. 克 劳 斯 河 Westermann ， {GPU}-Based real-timediscreteEuclidean distance transforms with precise error bounds，in：InternationalConference on Computer Vision Theory and Applications（VISAPP），2009，pp. 435和442。[32] J.施耐德，M.克劳斯河基于GPU的欧几里德距离变换及