[[alternative]]Laser scan matching for multi-robot simultaneous localization and mapping in indoor environment

博士[[abstract]]本論文提出一套基於雷射掃描匹配的改良式同時定位與地圖建置（SLAM）演算法，並將此演算法系統應用於多機器人地圖建置。在里程估測上，本文利用雷射掃描測距儀（LiDAR）來實現掃描匹配之里程計算，藉此修正傳統里程計資訊，提升定位預測之精確性。在同時定位與地圖建置演算法上，本文提出一套基於Rao-Blackwellized粒子濾波器（RBPF）的改良式SLAM演算法，先利用LiDAR來萃取環境的幾何角點特徵，再透過高信賴度的區域地圖來減少地標點估測時的計算量，使系統具備更佳的效能與強健性。在多機器人SLAM上，本論文提出一套多機器人地圖建置演算流程及系統架構，區域地圖面積做為合併依據，雲端主機會依據群組機器人之區域地圖及羅盤方位資訊，以ICP演算法來合併出全域地圖，提升地圖建置效率。最後，本文將演算法系統於機器人作業系統（ROS）下開發實現，經過移動型機器人於大尺度室內環境中的模擬與實際實驗驗證，本文方法在定位與地圖建置上具有不錯的性能結果，能夠滿足移動機器人探索未知環境的應用需求。[[abstract]]In this dissertation, an improved Simultaneous Localization and Mapping (SLAM) algorithm based on laser scan matching is proposed. This algorithm has also been implemented in mobile robots for multi-robot mapping task. In estimating of odometer, a scan matching algorithm for motion estimation is proposed. It is able to fix modern odometry information which will increase accuracy of localization prediction. In SLAM algorithm, the primary architecture of the algorithm in this dissertation is RBPF which has good performance at estimation. First, using LIDAR to get the features of corner. Then, according to high reliability local map it can decrease calculation when estimating the land marks. By this step, it can let whole system more efficiency and increase the robustness. In the part of mapping by multi-robot, this dissertation will merge local maps. So it will be able to confirm where the robot group is by this fusion map data. However, in the part of merging maps into global map, this dissertation used ICP algorithm to increase mapping efficiency. At last, this dissertation will build whole system under Robot Operating System (ROS). According to simulation and verification by experiment, the method proposed by this dissertation got pretty good performance at localization and mapping which satisfies the requirement of mobile robot exploring under unknown environment.[[tableofcontents]]目 錄 I 圖目錄 IV 表目錄 VII 數學符號對照表 VIII 第一章 緒論 1 1.1 研究背景 1 1.2 研究目的 7 1.3 論文架構 13 第二章 移動型機器人感知模型與定位 15 2.1 機率機器人學 15 2.2 感測器模型建立 22 2.3 機器人運動模型建立 29 2.4 蒙地卡羅定位 31 第三章 定位與地圖建置問題 35 3.1 結合地圖建置的機器人定位問題 35 3.2 FastSLAM 1.0 37 3.3 FastSLAM 2.0 43 第四章 基於雷射掃描匹配之里程計算 48 4.1 ICP演算法 48 4.2 PLICP演算法 53 4.3 基於雷射掃描匹配之里程計算 58 4.4 實驗分析 61 第五章 多機器人同時定位與地圖建置系統 66 5.1 機器人作業系統與模擬軟體 67 5.2 Gazebo模擬軟體 71 5.3 基於RBPF之改良式SLAM 74 5.4 基於PLICP之多機器人同時定位與地圖建置 88 第六章 實驗結果與分析 92 6.1 同時定位與地圖建置之結果與分析 92 6.2 多機器人同時定位與地圖建置之結果與分析 102 第七章 結論與未來展望 108 7.1 結論 108 7.2 未來展望 109 參考文獻 111 研究著作 118 期刊論文 118 會議論文 118 學位論文 120 獲獎經歷 121 圖目錄 圖1.1、機器人導航三大重點研究方向領域之示意圖 2 圖1.2、以測距儀建置佔有晶格地圖之示意圖 4 圖1.3、機器人定位與地圖建置功能之運作概念示意圖 8 圖1.4、機器人定位與地圖建置之運作原理 10 圖2.1、遞迴式貝氏濾波器於機器人定位之運作示意圖 22 圖2.2、非理想感測器現象之機率密度分布圖 24 圖2.3、非預期障礙物現象之機率密度分布圖 25 圖2.4、感測器隨機雜訊現象之機率密度分布圖 27 圖2.5、感測器失效現象之機率密度分布圖 28 圖2.6、典型距離感測器偵測環境資訊之機率密度分布圖 29 圖2.7、典型機器人的位移與里程計模型之示意圖 30 圖2.8、粒子濾波器之狀態估測示意圖 34 圖3.1、遞迴式貝氏濾波器之運作示意圖 37 圖4.1、ICP演算法之基本流程圖 49 圖4.2、PLICP演算法之基本流程圖 54 圖4.3、搭配雷射掃描匹配之里程計算系統架構圖 59 圖4.4、實驗環境1之平面圖 62 圖5.1、機器人作業系統架構 67 圖5.2、Gazebo模擬器之軟體架構 72 圖5.3、Gazebo模擬器之圖形化介面示意圖 73 圖5.4、改良式SLAM之系統架構圖 74 圖5.5、Gazebo模擬器之圖形化介面示意圖 76 圖5.6、Gazebo模擬器之圖形化介面示意圖 76 圖5.7、K值曲率特徵：(a)觀測幾何資訊、(b)曲率比較圖 78 圖5.8、改良式K值曲率特徵：(a)觀測幾何資訊、(b)特徵值差異 80 圖5.9、雷射掃描之環境曲率特徵萃取結果 81 圖5.10、改良式SLAM之基本流程圖 82 圖5.11、佔有晶格地圖之雙線性濾波示意圖 87 圖5.12、本論文演算法系統之ROS模組架構圖 88 圖5.13、多機器人SLAM系統之ROS模組架構圖 89 圖5.14、多機器人SLAM演算法之基本流程圖 90 圖6.1、本論文SLAM系統之虛實整合架構圖 93 圖6.2、HUSKY A200無人地面載具 94 圖6.3、實驗環境2之平面圖（SLAM用） 95 圖6.4、Gazebo模擬器之實驗環境2立體等視圖 96 圖6.5、RViz介面之SLAM模擬結果 97 圖6.6、改良式SLAM之模擬結果 98 圖6.7、淡江大學工學大樓5樓之理想平面圖 100 圖6.8、實驗平台之硬體外觀與架構實體圖 100 圖6.9、改良式SLAM之實驗結果 102 圖6.10、實驗環境2之平面圖（多機器人SLAM用） 104 圖6.11、機器人A之SLAM模擬結果 105 圖6.12、機器人B之SLAM模擬結果 106 圖6.13、機器人C之SLAM模擬結果 106 圖6.14、多機器人SLAM之模擬結果 107 表目錄 表1.1、圖1.3使用符號之說明表 9 表4.1、雷射掃描匹配模擬平台規格表 61 表4.2、雷射掃描匹配模擬實驗之參數表 63 表4.3、掃描匹配實驗：運算效能比較表 64 表4.4、掃描匹配實驗：里程誤差比較表 65 表5.1、特徵萃取之感測器規格參數表 80 表6.1、SLAM模擬平台規格表 94 表6.2、SLAM模擬實驗之參數表 96 表6.3、SLAM模擬實驗結果比較表 99 表6.4、SLAM實驗之感測器規格參數表 101 表6.5、多機器人SLAM模擬平台規格表 103 表6.6、多機器人SLAM模擬實驗之參數表 105 表6.7、多機器人SLAM之模擬誤差統計結果 106[[note]]學號: 898440028, 學年度: 10