机器人地图创建与环境探索

第1章 绪论

第2章 基本技术

2.1 粒子滤波器概述

2.1.1 基于粒子滤波器的移动机器人定位

2.2 栅格地图

2.2.1 占用概率地图构建方法

2.2.2 激光测距传感器模型

2.2.3 声纳传感器模型

2.2.4 反射概率地图构建方法

第一部分 机器人位姿已知的探索

第3章 基于决策论的覆盖率地图探索

3.1 概述

3.2 覆盖率地图的定义

3.3 基于传感器输入的覆盖率地图更新

3.4 基于决策论的覆盖率地图探索

3.4.1 选择最近的目标位置

3.4.2 基于信息增益的探索

3.4.3 在局部窗口中使用IG

3.4.4 IG和CL的结合（IG-CL）

3.5 基于占用栅格地图的探索

3.6 实验结果

3.6.1 带噪声传感器的建图

3.6.2 观测点选择策略的比较

3.6.3 扫描计数方法的优点

3.7 相关工作

3.8 结论

第4章 多机器人协作探索

4.1 概述

4.2 机器人团队协作探索

4.2.1 到达目标位置的代价

4.2.2 边界单元的效用计算

4.2.3 目标点的选择

4.2.4 通信范围有限时的协作

4.3 移动机器人团队的协作建图

4.4 实验结果

4.4.1 移动机器人团队探索

4.4.2 非协作探索与协作探索的比较

4.4.3 仿真实验

4.4.4 有限通信范围下的探索

4.5 与其他协作技术的比较

4.5.1 基于匈牙利算法的目标分配

4.5.2 使用优先级策略的机器人团队协作

4.5.3 通过解决TsP来进行机器人团队协作

4.6 相关工作

4.7 小结

第5章 基于语义地标的多机器人探索

5.1 概述

5.2 语义地标

5.3 目标位置的地标估计

5.4 采用语义地标信息的高效多机器人探索

5.5 实验结果

5.5.1 使用语义地点信息改进性能

5.5.2 语义地点信息中的噪声影响

5.5.3 在新环境中应用训练好的分类器

5.5.4 改进的HMM滤波及分类器的误差分析

5.6 相关工作

5.7 小结

第二部分 机器人位姿未知的建图和探索

第6章 高效的Rao-Blackwellized建图技术

6.1 概述

6.2 Ra0-Blackwellized建图概念

6.3 改进提议分布和选择性重采样

6.3.1 使用激光扫描数据计算改进的提议分布

6.3.2 选择性采样

6.4 复杂性

6.5 实验结果

6.5.1 建图结果

6.5.2 量化结果

6.5.3 改进提议分布和自适应重采样的有效性

6.5.4 扫描匹配失败的情况

6.5.5 计算代价

6.6 相关工作

6.7 小结

第7章 主动闭环探索

7.1 概述

7.2 主动闭环

7.2.1 闭环检测的时机

7.2.2 位姿不确定下的行为表示

7.2.3 闭环过程的终止

7.2.4 探索时间的缩短

7.2.5 多重嵌套环的处理

7.3 实验结果

7.3.1 真实世界探索

7.3.2 主动闭环vs.基于边界的探索

7.3.3 定量分析

7.3.4 终止条件的重要性

7.3.5 Neff的演变

7.3.6 多重嵌套环

7.3.7 计算资源

7.4 相关工作

7.5 小结

第8章 粒子多样性修复

8.1 概述

8.2 闭环后粒子多样性修复

8.3 实验结果

8.4 相关工作

8.5 小结

第9章 基于信息增益的探索

9.1 概述

9.2 Rao-Blackwellized建图方法的不确定性

9.3 预期信息增益

9.4 行为集的计算

9.5 实验结果

9.5.1 真实世界的应用

9.5.2 决策过程

9.5.3 与之前方法的比较

9.5.4 走廊探索

9.6 相关工作

9.7 小结

第10章 非静态环境下的建图和定位

10.1 概述

10.2 低动态环境下的地图学习

10.2.1 地图分割

10.2.2 学习环境的形态／配置

10.2.3 地图聚类

10.3 基于地图块（patch-map）的蒙特卡罗定位

10.4 实验结果

10.4.1 在办公室环境中的应用

10.4.2 机器人定位和环境状态估计

10.4.3 全局定位

10.5 相关工作

10.6 小结

第11章 结论

附录

A.1 概率论

A.1.1 乘积法则

A.1.2 独立性

A.1.3 贝叶斯规则（Bayes’Rule）

A.1.4 边缘化

A.1.5 全概率法则

A.1.6 马尔可夫假设

符号表

参考文献

《机器人地图创建与环境探索》为自主地图学习问题中的多个方面给出了解决方法。整体上共分为两部分。在第一部分，假设机器人的位置是已知的。虽然这种假设在真实情况下无法成立，但是它可以简化问题并且能让我们更好地集中去研究机器人探索中的一些特定问题，如机器人团队的协作。我们描述了如何在用于探索的多机器人中实现有效的协作，以便高效地解决它们所需完成的任务。此外，我们还提出了一种多机器人环境探索方法，该方法能在探索过程中学习并利用典型空间结构相关的背景知识。