Алгоритм навигации беспилотного летательного аппарата на основе улучшенного алгоритма одновременной локализации и картографирования с адаптивным локальным диапазоном наблюдения

Алгоритм навигации беспилотного летательного аппарата на основе улучшенного алгоритма…

ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2017. № 3

популярен алгоритм одновременной локализации и создания карты (картогра-

фирования) с расширенным фильтром Калмана (Extended Kalman Filter for

Simultaneous Localization and Mapping, EKF–SLAM), дающий возможность про-

гнозирования координат и скорости БПЛА в неизвестной среде с одновремен-

ной оценкой положения ориентиров и созданием полной карты.

Принципиальное решение задачи одновременной локализации и создания

карты SLAM предложено достаточно давно [1], и к настоящему времени эта

концепция достигла определенного уровня, достаточного для практической ре-

ализации в области робототехники при решении задач автономного движения

[2–4]. Разработаны различные улучшения алгоритма SLAM [5–9], в том числе с

использованием калмановской фильтрации [7–9]. В настоящее время алгорит-

мы SLAM с использованием расширенного фильтра Калмана (Extended Kalman

Filter, EKF) имеют установившуюся аббревиатуру EKF–SLAM, которая исполь-

зована и в данной статье. Существенный недостаток алгоритмов EKF–SLAM —

значительный рост объема необходимых вычислений с увеличением числа

наблюдаемых ориентиров. Стремление сократить объем вычислений приводит

к снижению точности позиционирования и возможности получения противо-

речивой информации при составлении карты [10].

В настоящей статье предложено усовершенствовать алгоритм EKF–SLAM

путем адаптивных ограничений зоны наблюдения (Adaptive Observation Range,

AR, аббревиатура с учетом этих усовершенствований — AR-SLAM–EKF) и уда-

ления из алгоритма расчета ориентиров, оказавшихся избыточными. Предло-

жены алгоритмы динамического изменения размеров зоны наблюдения и опре-

деления избыточности обнаруживаемых ориентиров. Эти алгоритмы являются

развитием алгоритмов, предложенных в работе [11], и позволяют решать задачу

в пространстве (трехмерной среде). Приведены описание математической моде-

ли движения, используемой в алгоритме, процедура расширенной калманов-

ской фильтрации для рассматриваемой задачи и предлагаемые улучшения.

Усовершенствования также вносятся и в процедуру ассоциации данных в алго-

ритме SLAM. Задачу ассоциации данных SLAM можно представить как задачу

оптимизации. Одним из широко используемых алгоритмов оптимизации явля-

ется муравьиный алгоритм, обладающий свойствами положительной обратной

связи и возможностью параллельного поиска, вследствие чего этот алгоритм

может быть применен для решения задачи ассоциации данных SLAM. Однако

традиционный муравьиный алгоритм может в процессе поиска легко попасть

в локальный оптимум. Избежать локального оптимума можно добавлением

в процесс обновления глобального феромона случайного возмущения. Установ-

ка ограничения феромона на маршруте позволяет расширить пространство

поиска и упростить обнаружение оптимального маршрута. Результаты модели-

рования показывают, что эти усовершенствования могут эффективно улучшить

точность позиционирования и эффективность планирования маршрута в це-

лом. Структура усовершенствованного алгоритма приведена на рис. 1.