一、论文的背景、目的和意义

随着计算机技术和人工智能的发展，机器人的研究得到越来越多的关注和投入，智能自主移动机器人成为机器人领域的一个重要研究方向和研究热点。同步定位与地图创建(simultaneou1ocalizationandmapping，SLAM)问题是指移动机器人在未知环境中，利用自身的传感器创建一个与环境相一致的地图，并同时确定自身在地图中的位置。SLAM问题最先是由Smith Self和Cheese man于1987年提出，被认为是实现移动机器人真正自主的关键。近年来随着计算机视觉技术的发展以及计算机运算能力的增强，出现了大量利用摄像机作为传感器的视觉SLAM方法。视觉传感器具有信息量大、灵活性高、成本低等优点，这是其他传感器所无法比拟的。单目视觉SLAM仅使用一个摄像头作为传感器完成同步定位与地图创建操作，具有系统结构简单、成本低且易实现等优点。因此，基于单目视觉SLAM技术逐渐成为近年来的研究热点，并且在许多领域中体现出巨大的应用价值。

二、国内外研究现状

SLAM最早由 smith self和 Cheese man提出.由于其重要的理论与应用价值,被很多学者认为是实现真正的全自主移动机器人的关键。SLAM问題归纳起来是一个”感知一估计一校正”的过程。主要包括如下迭代步骤： (1)根据当前的机器人位姿估计和地图信息对下一步的机器人位姿和路标位置进行预测；(2)在下一步中通过外部传感器观测环境中的路标；（3）利用观测结果校正第一步预测的定位和建图结果.上述步骤迭代进行,在此过程中机器人对自身位姿和路标位置的估计逐渐准确.由于移动机器人的运动模型的不确定性以及传感器的观测结果的不确定性,使得 SLAM归结为一个估计问題,而解决估计问题一般使用概率方法。Smith等人于1990年提出基于扩展卡尔曼滤波器(即EKF)的随机建图方法(stochastic mapping).揭开了SLAM研究的序幕。扩展卡尔曼滤波器是卡尔曼滤波器在非线性系统中的推广。它对非线性方程进行线性化.用泰勒展开式的一阶项来近似非线性系统方程,从而运用卡尔曼滤波器估计增广的系统状态,十几年来, EKF方法成为 SLAM问题的主要研究方法.并针对不同的环境提出了基于 EKF的 SLAM算法, EKF方法的瓶颈在于其计算复杂性,难以满足大规模环境的地图的构建和实时性的要求. EKF算法在滤波的每一步中, 都要对增广的系统协方差矩阵进行完全更新.随着观测到的环境路标的增加.系统状态空问的维数也随着增加.计算量也随之增大,另外, EKF 算法是基于已知观测值和路标之间対应关系这个假设的, EKF算法本身并不能解决数据关联问题,这样. 一部分观测值与路标之间的错误关联将导致 EKF算法发散。

基于粒子滤波器的 SLAM算法的出现.提高了同时定位和地图构建的速度,已成为 SLAM研究领域最重要,最有效的方法,粒子滤波器的基本思想是用一组滤波器(每个滤波器称为一个粒子)来估计机器人的可能位姿(即处于该位姿的概率) , 每个滤波器对应一个机器人位姿.利用观测值对每个滤波器进行加权传播,从而使最可能的位姿的概率越来越高.它很容易实现,而且不像EKF那样必须假定噪声服从高斯分布.粒子滤波器可以处理位姿跟踪.全局定位和机器人绑架问题(kidnapping problem) (即在机器人的里程计没有记录的情况下将机器人从一个地方搬到另一个地方)。