1. 研究目的与意义（文献综述）

随着机器人领域的快速发展，移动机器人在生产生活中的应用越来越广泛。移动机器人的建图和定位问题是移动机器人研究的核心问题之一。即当机器人处于已知或未知环境中时移动机器人根据自身传感器反馈的信息，对环境感知，建立地图并定位。因此，如何根据传感器采集的信息精准地定位成为了亟待解决的问题。在机器人位姿跟踪过程中, 由于测量噪声和系统噪声的存在, 测量系统通过传感器获取的信息只是针对客观环境的片面描述 , 而单一传感器的可靠性以及输入信息的精确性和充足性难以获得保证.针对这个问题, 进而采用激光雷达与IMU双传感器进行信息采集，采用扩展卡尔曼滤波进行多传感信息融合 , 在提高位姿跟踪精度的基础上, 通过扩展观测矩阵, 使得该算法能够灵活适应于激光雷达和IMU的测量系统, 解决机器人位姿跟踪多传感器测量系统的可扩展性问题。

机器人定位技术一直是自主移动机器人智能化的关键研究点，国内外大量的科研机构与企业等都对机器人定位技术进行了深入研究。对定位技术中传感器数据的处理，提出了单一传感器的滤波以及多传感的数据融合（包括KF，EKF，加权平均等方法）。利用传感器融合数据对环境特征进行检测，并配合里程计的使用，确定机器人本体的位置，进行有效的数据分析处理，明确是否提高定位精度。

2. 研究的基本内容与方案

激光雷达是测量环境二维特征的传感器，imu是是测量物体三轴姿态角以及加速度的装置，然而由于各自的特点，单独使用并不能很好的测量环境的特征，所以对它们进行数据融合，使得其性能互补，提高整个传感器系统的性能。

使用的激光雷达和imu将环境的特征转化成二维的距离和方位信息，通过对各自传感器的信息进行高斯建模，之后再通过卡尔曼滤波将误差达到最小化，导出运动轨迹。

首先，对测量的误差进行随机取样，得出激光雷达和imu的误差分布状况，然后进行高斯模型的建立，得到高斯模型的信息；之后进行卡尔曼滤波，对其数据进行融合，得到其姿态信息，一方面，能够有利于地图的建立，另一方面，能够准确判断出运行轨迹，找出最优路径。

3. 研究计划与安排

时间 阶段研究计划
2019-01~2019-02 查阅文献，进行外文翻译并撰写开题报告
2019-03 完成高斯函数以及卡尔曼滤波模型的建立
2019-04 完善项目，并进行测试
2019-05~2019-06 撰写论文，答辩

4. 参考文献（12篇以上）

[1][西班牙]阿尼尔.马哈塔尼，路易斯.桑切斯等著，张瑞雷，刘锦涛译，ROS机器人高效编程，机械工业出版社，2018-01
[2]高翔，张涛著；视觉SLAM十四讲—从理论到实践，电子工业出版社，2017-03
[3]李辉. 基于激光雷达的2D-SLAM的研究[D].浙江工业大学,2017.
[4]杨明, 王宏, 何克忠等.基于激光雷达的移动机器人环境建模与避障[J].清华大学学报 (自然科学版) , 2000, 40 (7) :112-116.
[5]李嘉.基于无人车的实时地图建立于定位[J].兵工自动化.2009, 28 (6) :50-53.
[6]唐琎, 张闻捷.不同精度冗余数据的融合[J].自动化学报.2005, 31 (6) :934-942.
[7]陈少斌.自主移动机器人路径规划及轨迹跟踪的研究[D].浙江大学博士论文, 008.
[8]廖方波.基于传感器融合的移动机器人定位及地图构建技术的研究[D].北京:北京交通大学, 2014.
[9]虞波, 周瞿和, 赵庆涛, 等.一种带遗忘因子的自适应卡尔曼滤波器及其在移动机器人中的应用[J].电气与自动化, 2016, 45 (4) :149-152.
[10]李建峰, 张慧星, 闫美辰.迭代扩展卡尔曼滤波在相对姿态估计中的应用[J].导弹与航天运载技术, 2012, 323 (6) :48-52.
[11]穆静, 蔡远利.迭代容积卡尔曼滤波算法及其应用[J].系统工程与电子技术, 2011, 33 (7) :1455-1590.
[12]吴本卿, 钱良, 林成浴. 一种可变遗忘因子的卡尔曼滤波信道跟踪[J].信息技术, 2012 (6) :87-91.
[13]何志昆,刘光斌,赵曦晶,等.高斯过程回归方法综述[J].控制与决策,2013(8):1121-1129.
[14]李鹏,宋申民,陈兴林,等.联合高斯回归的平方根UKF方法[J].系统工程与电子技术,2010, 32(6):1281-1285.
[15]曹正万, 平雪良, 陈盛龙, 等.基于ROS的机器人模型构建方法研究[J].组合机床与自动化加工技术, 2015 (8) :51-54.