在移動機器人自主運動控制的研究課題上，定位是相當重要的，尤其在未知的環境下，必須要先建立環境地圖才能對機器人做定位。當機器人在未知的環境下從任一的位置出發，在建立地圖的同時，必需利用已建立的地圖來更新本身的位置，因此建圖與定位這兩者是相輔相成的，究竟是先有完善的地圖來進行定位，還是先有精確位置估測再來進行建圖，這也就是所謂的〝雞生蛋〞與〝蛋生雞〞的問題。本論文使用基於拓展卡爾曼濾波器的SLAM演算法(Simultaneous Localization and Mapping)來解決這問題，根據馬可夫假設把定位與建圖分開來討論，讓這兩者有時間關係性，使輪型機器人Segway能夠使用雷射測距儀(Laser Range Finder)在未知環境下建立特徵地圖並且設定移動座標讓機器人在朝目標點自主移動的過程中同步定位。

The localization is the very important problem for a mobile robot in the unknown environment. It is necessary to modify the exact position of the robot by the new map if the robot moves from any start position. So, localization and mapping of a mobile robot are complement each other in the practical application. Sometimes, it is also called chicken/egg problem.
The objective of this thesis is to make a SLAM by the EKF theory. The localization and mapping are discussed separately under the assumption of Markov. The data of a laser range finder are used to develop the feature map. The feature map and the corresponding pre-set way point are applied to calculate the SLAM by the moving robot in the unknown environmen

目錄
中文摘要I
英文摘要II
目錄III
圖目錄VI
表目錄VIII
第一章 緒論1
1-1 前言1
1-2 研究動機與目的2
第二章 相關文獻探討4
2-1 機器人在未知環境的狀態估測4
2-1-1 空間關係5
2-1-2 線性與非線性關係6
2-2 地圖表示法8
2-3 卡爾曼濾波器11
2-3-1 拓展卡爾曼濾波器12
第三章 實驗設備13
3-1 輪型機器人移動平台	13
3-1-1 輪型機器人通訊介面	15
3-1-2 自主運動控制所遭遇的問題	17
3-2 雷射測距儀	20
3-2-1 雷射測距儀通訊設定	21
3-2-2 電力設備	22
3-2-3 環境特徵資訊	23
3-2-4 雷射測距儀所遭遇的問題	24
第四章 理論基礎與研究方法	26
4-1 同步定位與建圖(SLAM)	26
4-1-1 系統狀態向量(System State Vector)	28
4-1-2 車輛運動模型(Vehicle Motion Model)	30
4-1-3 觀測模型(Observation Model)	31
4-1-4 系統狀態向量共變異數矩陣	34
4-1-5 預測	35
4-1-6 觀測	37
4-1-7 特徵資訊初始化	39
4-1-8 資料關聯度	40
4-1-9 基於卡爾曼濾波器的SLAM估算流程	43
第五章 實驗結果與驗證	46
5-1 雷射測距儀人機介面	46
5-2 實驗案例一(室內環境)	49
5-3 實驗案例二(建築物內環境)	59
第六章 結論與討論	62
6-1 結論	62
6-2 討論	63
參考文獻	64

圖目錄
圖1-1 研究流程示意圖	3
圖2-1 原始資料地圖	8
圖2-2 特徵地圖	9
圖2-3 格點佔據地圖	10
圖2-4 卡爾曼濾波器循環更新圖	11
圖2-5 拓展卡爾曼濾波器循環更新圖	12
圖3-1 承載平台結構圖	14
圖3-2 RMP 50車體	14
圖3-3 RMP 50單元圖	16
圖3-4 車輛穿越目標點示意圖	17
圖3-5 線性方程式求解示意圖	18
圖3-6 車輛目標點前後方示意圖	19
圖3-7 LMS-100雷射測距儀	20
圖3-8 12V鉛蓄電池	22
圖3-9 電源接法	22
圖3-10 特徵點角度檢測	23
圖3-11 雷射雜點示意圖	25
圖4-1 SLAM演算法架構圖	28
圖4-2 系統狀態向量示意圖	30
圖4-3 車體上視圖與車輪側視圖	31
圖4-4 系統狀態向量x(k)與測量儀器SP關係圖	33
圖4-5 基於拓展卡爾曼濾波器的SLAM估算流程圖	45
圖5-1 人機介面(a)	47
圖5-2 人機介面(b)	48
圖5-3 實驗案例一：實驗場景示意圖	51
圖5-4 案例一完成後的人機介面狀況(a)	52
圖5-5 案例一完成後的人機介面狀況(b)	53
圖5-6 機器人自走分解圖(1)~(8)	54
圖5-6 機器人自走分解圖(9)~(16)	55
圖5-6 機器人自走分解圖(17)~(24)	56
圖5-6 機器人自走分解圖(26)~(32)	57
圖5-6 機器人自走分解圖(33)~(40)	58
圖5-7 誤差收斂狀況與系統計算時間	60
圖5-8 環境特徵地圖	60
圖5-9 經過處理後與拓撲地圖合成後結果	61

表目錄
表3-1 RMP轉換表	16
表3-2 LMS-100資料表	21
表3-3 LMS-100傳輸速度	21
表4-1 兩筆環境特徵資訊範例	41
表4-2 數值的變量	42
表4-3 共變異數矩陣Ci與Cj	42
表4-4 更新共變異數矩陣與平均差矩陣	43

[1]G. Huang, A. Mourikis, and S. Roumeliotis, “Genearalized Analysis
and Improvement of The Consistency for EKF-based SLAM,” Technical Report, University of Minnesota, Minneapolis, MN, January 2008.

[2]J. A. Castellanos, J. Neira, and J. Tardos. “Limits to The Consistency of EKF-based SLAM,” In 5th IFAC Symposium on Intelligent Autonomous Vehicles, pp.1244-1249, Lisbon, Portugal, July 2004.

[3]R. Smith, M. Self, and P. Cheeseman, “A Stochastic Map for 
Uncertain Spatial Relationships,” Autonomous Mobile Robots : Perception, Mapping and Navigation, pp.323-330, 1987.

[4]R. Smith, M. Self, and P. Cheeseman. “Estimating Uncertain Spatial 
Relationships in Robotics,” Autonomous Robot Vehicles, pp.167-193, 1990.

[5]S. Thrun, “Learning Occupancy Grid Maps with Forward Sensor Models,” Autonomous Robots, vol.15, pp.111-127, 2003.

[6]A. Birk and S. Carpin, “Merging Occupancy Grids Maps from Multiple Robots,” Proceedings of the IEEE, vol.94, no.7, pp.1384-1397, 2006.

[7]Greg Welch, Gary Bishop, “An Introduction to the Kalman Filter,” UNC-Chapel Hill, TR 95-041, pp.1-16, July 24, 2006.

[8]J. A. Castellanos, R. Martinez-Cantin, J. Tardos, and J. Neira. “Robocentric Map Joining: Improving the Consistency of EKF-SLAM,” Robotics and Autonomous Systems, pp.21-29, 
January 2007.

[9]Elmar A. Rückert, “Simultaneous Localisation and Mapping for Mobile Robots with Recent Sensor Technologies,” Graz, Austria, December 2009

[10]G. P. Huang, A. I. Mourikis, and S. I. Roumeliotis, “Analysis and Improvement of The Consistency of Extended Kalman Filter-based SLAM,” In IEEE International Conference on Robotics and Automation(ICRA), pp.473-479, Pasadena, CA, May 2008.

[11]J. Neira and J. D. Tardós, “Data Association in Stochastic Mapping Using The Joint Compatibility Test,” IEEE Trans. Robot. Automat, vol.17, no.6, pp.890-897, 2001

[12]D. Fox, W. Burgard, and S. Thrun. Markov localization for mobile robots in dynamic environments. Journal of Artificial Intelligence Research, pp.391-427, 2000.

[13]石兆宇，高維空間使用多顆K-D Tree搜尋最近鄰居，淡江大學資訊工程學系碩士論文，民國 98 年 6 月

[14]C. C. Wang, C. Thorpe, S. Thrun, M. Hebert, and H. Durrant-Whyte, “Simultaneous Localization, Mapping and Moving Object Tracking,” The International Journal of Robotics Research, vol.26, no.09, 
pp.889-916, 2007.

[15]S. W. Yang, C. C Wang, “Dealing with Laser Scanner Failure：Mirrors and Windows,” In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA’ 08), Pasadena, California, 2008

[16]Y. T. Wang , “Development of a low-cost machine vision system and its application on inspection processes,” Tamkang Journal of Science and Engineering, vol.11, no.4, pp.425-431

[17]Y. T. Wang, D. Y. Hung, and S. H. Cheng, “Image Feature Tracker for SLAM with Monocular Vision,” Proceedings of The SICE Annual Conference, 2010.

[18]E. A. Cudney, K. Paryani, and K. M. Ragsdell , “Applying the Mahalanobis-Taguchi System to Vehicle Handling,” Concurrent Engineering, vol.14, no.4, pp.343-354, 2006

[19]蘇群翔，機器人定位建圖與自主運動控制，淡江大學機械與工程學系碩士論文，民國 99 年 8 月。