【SLAM】一个扩展卡尔曼滤波EKF同时定位与地图构建SLAM系统，用于机器人在未知环境中同时估计自身位姿和构建环境地图附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

自主导航是移动机器人领域备受关注的研究课题。一款无需依赖人工改造环境、能在普通家具摆放场景中运行的机器人系统，具有多种应用前景 —— 例如服务、清洁、监控任务，或单纯的娱乐功能。

如今，采用人工地标或预存环境地图的机器人系统已投入使用，但这类系统的灵活性欠佳：用户必须提供一套系统可解析的环境地图。

本报告聚焦同时定位与地图构建（SLAM） 问题，研究移动机器人在未知环境中自主构建地图，同时利用该地图实现自身定位的技术方案。报告采用基于特征的方法，通过扩展卡尔曼滤波（EKF） 估计机器人位姿及环境特征的位置，该方案被称为随机映射（stochastic mapping）。

环境点云数据通过三角测量技术从激光雷达数据中稳健提取。报告详细阐述了 EKF-SLAM 的实现流程，以及系统涉及的各类硬件、传感器组件的作用。基于 Matlab 开发了图形用户界面（GUI），可生成含多种障碍物与地标的随机环境，并仿真机器人的运动路径。仿真结束时可查看导航误差、内存复杂度及所构建地图的精度。

⛳️ 运行结果

📣 部分代码

% range:

n_segments = size(obs.vertices, 2)-1;

n_visible_segments = 0;

visible_segments = zeros(1, n_segments);

for i = 1:n_segments

closest_point = pointToLine([rob.R(1:2); 0], ...

[obs.vertices(:, i); 0], [obs.vertices(:, i+1); 0]);

bearing1 = abs(bearingToPoint(rob.R, obs.vertices(:, i)));

bearing2 = abs(bearingToPoint(rob.R, obs.vertices(:, i+1)));

if closest_point < sen.range && ...

(bearing1 < sen.fov/2 || bearing2 < sen.fov/2)

visible_segments(i:i+1) = 1;

n_visible_segments = n_visible_segments + 1;

end

end

visible_vertices = find(visible_segments);

if isempty(visible_vertices)

measurements = [];

else

threshold = 3 * norm(getInvMeasurement(sen.noise));

% Generate vector of sensor laser lines in global frame

sensor_lines = sen.generateEmptyScan;

sensor_lines = invScanPoint(rob.R, sensor_lines);

% Number of measurements per sensor sweep;

n_measurements = size(sensor_lines, 2);

% Initialise vector of zeros to store measurements

meas_global = zeros(3, n_measurements * n_visible_segments);

index = 0;

for i = 1:n_visible_segments

if visible_vertices(i) == visible_vertices(i+1) - 1

obstacle_line = obs.vertices(:, visible_vertices(i):visible_vertices(i+1));

for j = 1:n_measurements

index = index + 1;

sensor_line = [rob.R(1:2) sensor_lines(:, j)];

meas_global_tmp = getIntersection(sensor_line, obstacle_line, threshold);

if ~isempty(meas_global_tmp)

meas_global(:, index) = [j; meas_global_tmp];

end

end

end

end

meas_global = meas_global(:, meas_global(1, :) ~= 0);

measurements = zeros(size(meas_global));

if ~isempty(meas_global)

% Transform to range-bearing measurement in local frame

measurements(2:3, :) = scanPoint(rob.R, meas_global(2:3, :));

measurements(1, :) = meas_global(1, :);

else

measurements = [];

end

end

end

function plot(obs, axisHandle)

if isempty(obs.graphics)

obs.graphics = line(...

'LineWidth', 2, ...

'parent',axisHandle, ...

'marker','x', ...

'xdata',[], ...

'ydata',[]);

end

if isempty(obs.vertices)

set(obs.graphics, 'xdata', [], 'ydata', []);

else

set(obs.graphics, ...

'xdata', obs.vertices(1, :), 'ydata', obs.vertices(2, :));

end

end

% Obstacles is an array of Obstacle objects

function move(obs, world_size)

vertices_old = obs.vertices;

obs.vertices = [obs.vertices(1,:) + obs.velocity(1); ...

obs.vertices(2,:) + obs.velocity(2)];

obs.edges = obs.getEdges;

if obs.edges(1, 1) < -world_size || obs.edges(1, 2) > world_size

obs.velocity(1) = -obs.velocity(1); % Bounce off wall

end

if obs.edges(2, 1) < -world_size || obs.edges(2, 2) > world_size

obs.velocity(2) = -obs.velocity(2);

end

obs.vertices = [vertices_old(1,:) + obs.velocity(1); ...

vertices_old(2,:) + obs.velocity(2)];

obs.edges = obs.getEdges;

end

function edges = getEdges(obs)

edges = [min(obs.vertices(1,:)) max(obs.vertices(1,:)); ...

min(obs.vertices(2,:)) max(obs.vertices(2,:))];

end

end

end

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码