基于深度强化学习和多模型自适应估计的多传感器融合同时定位映射

科学领域:

• 机器人和人工智能 机器人和人工智能
• 传感器融合和定位

背景情况:

• 准确的移动机器人定位对于自主导航和同时定位和映射 (SLAM) 来说至关重要.
• 基于LiDAR的点对线代最接近点 (PLICP) 和基于RGB-D相机的ORBSLAM2等传统方法在复杂的环境中存在局限性.

研究的目的:

• 开发一种新的多传感器融合技术,用于强大而准确的移动机器人定位.
• 通过使用先进的人工智能,在具有挑战性的室内环境中增强本地化稳定性和精度.

主要方法:

• 设计了一种多传感器融合技术,集成深度强化学习 (DRL) 和多模型自适应估计 (MMAE).
• 使用LiDAR-PLICP和RGB-DORBSLAM2进行初始定位估计.
• 使用基于近距离政策优化 (PPO) 的DRL与残值异常检测,以实现最佳的传感器重量调整.

主要成果:

• 拟议的方法有效地融合了来自多个传感器 (LiDAR和RGB-D摄像头) 的定位信息.
• 与独立的PLICP和ORBSLAM2方法相比,实现了更高的定位精度.
• 在复杂的室内模拟环境中运行的移动机器人的本地化稳定性得到了提高.

结论:

• DRL-MMAE融合技术显著提高了移动机器人的本地化性能.
• 开发的方法为动态环境中的准确和稳定的导航提供了强大的解决方案.
• 这项工作有助于推进需要精确实时定位的自主系统.