基于生物激励神经网络的室内实时激光SLAM控制方法

传统 RBPF(Rao-Blackwellised particle filter)-SLAM(simultaneous localization and mapping)在机器人室内导航过程中因里程计读数产生的累计误差使得机器人定位和建图的精度大大降低,且传统的路径规划方法在突发环境中的动态避障效果差、实时性低.针对这一问题,提出了 一种基于生物激励神经网络(biological inspired neural network,BINN)的室内实时激光SLAM控制方法,结合了 RBPF-SLAM的高计算效率、高精准性与BINN的实时动态避障特性.首先在RBPF-SLAM抽取新粒子的过程中用机器人当前时刻与前一时刻的位姿差代替里程计读数作为建议分布函数的输入.然后使用BINN在动态突发环境中进行实时路径规划及避障.最后,在动态实时路径规划中利用BINN再次定位机器人,校准机器人的位姿.仿真和实际实验结果表明,基于BINN的室内实时激光SLAM控制方法的定位误差小于10％,建图误差小于9％,且规划的路径质量与传统的A* 和Dijkstra算法相比,BINN算法规划的路径长度、转折次数及规划时间分别减少了 7.09％、14.29％、6.97％,有效地提高了室内导航控制的定位和建图精度及动态规划的实时性.该方法同样适用于无人驾驶和物流运输等领域.