基于视觉的机器人环境建模方法的研究(5)
1.4.4 卡尔曼滤波估计法
卡尔曼滤波器是基于特征的地图导航中最常用的定位算法[30]。卡尔曼滤波器是一种简单有效的线性最优递推估计算法，只需要知道噪声的均值和方差就可进行迭代求解。但是应用卡尔曼滤波器必须假定输入噪声和观测噪声均为高斯分布的白噪声。Curran[31]集成了航位推算、超声和红外传感器数据信息，提出基于扩展卡尔曼滤波器的定位和运动控制算法。Jensfelt和Christensen[32]为了简化定位算法，应用加权霍夫变换算法提取环境特征，采用最小化环境特征模型及激光雷达数据，建立了基于EKF的位姿跟踪算法，取得了较好的定位效果。Harris的3D视觉系统DROID[33]。使用图像中的角点特征来进行三文重建，该方法利用卡尔曼滤波器(Kalman Filters)来跟踪特征，根据跟踪成功的特征点的位置DROID能确定摄像机的运动及特征的三文信息。这种方法对于短中程时间来说比较精确，长时会带来较大的偏移。
1.4.5 蒙特卡洛法
蒙特卡洛法[34]是最近几年刚开始在机器人学研究中得到应用的新方法。Dellaert等最早提出了基于蒙特卡洛采样法的定位算法。该方法不需要直接求解概率分布函数，而是用随即采样得到的样本集合来表示位置的不确定性。这种方法能够宝石多峰分布，降低了存贮空间，易于实现，是一种很有效的定位方法，核心思想是使用离散的加权样本集来表示机器人的位置后验概率分布，并通过大量粒子的更新来代替马尔科夫定位中的积分部分。从而提高了效率且不失其准确性。
1.5 本文主要工作与内容安排
针对基于视觉的机器人环境建模方法的研究，本文在获得机器人位置信息及图像、图像匹配两方面作了较深入的探讨，论文的主要内容安排如下：
第一章对基于视觉的机器人的环境描述与建模研究方法、导航定位研究方法作了较深入的介绍。
第二章对设计基于视觉的机器人的环境建模软件RDS（Robotics Developer Studio）的基本资料和使用方法作了详细介绍。
第三章运用ProMRDS软件建立环境模型并获得机器人所在坐标点信息和图像，并且将位置信息和图片名写入文本文件中。
第四章运用MATLAB软件，用SIFT算法实现图像匹配度的比较（num值），并且通过num值获得最匹配的图片，通过查询文本文件获得位置信息，通过每个图片对应的位置信息，就可以获得机器人在环境中的运动轨迹。
第五章对本文所做的主要工作和取得的成果进行总结，提出了若干需解决和研究的问题。