現今機器人於各大產業的應用非常多，而對於移動機器人而言，如何從起點移動到終點就成為了一個相當重要的一個課題，而現在，最廣泛應用於移動機器人上的便是同步定位與建置(Simultaneous Localization and Mapping SLAM)技術，透過光達取得點雲便可即時取得周遭地圖且得知機器人於地圖的相對位置，但技術仍存在著一些缺點，在特定環境不確定性下演算法會造成明顯誤差，使得建圖發散，例如在太過寬敞的地方時，因光達能夠掃到距離不夠，而就算掃得到牆壁也會因為點雲較疏散而導致建立出來的地圖與現實不符。又或者是遇到長廊地形時，因為行經路上的特徵點都不明顯，所以就算前進很多時，SLAM演算法也會覺得沒什麼前進，甚至是沒有前進，而大大地低估了前進量。亦或者是遇到轉角時，因為轉角之幾何外型的關係，能夠光達能夠掃到的牆壁面積相較於一般時刻會大幅減少，因此轉角也是SLAM演算法會發生問題的幾種情況之一。基於上述種種原因，本研究希望能透過其它額外的感測器，給予SLAM演算法額外的資訊，令SLAM演算法在上述幾種情形下也不會失效，甚至可以降低SLAM的更新頻率需求，好讓硬體的規格降低，以達到節省成本的終極目標。而本研究所使用的感測器有旋轉編碼器和慣性量測單位中的加速規和陀螺儀，然而，不同的感測器常常可以量測或計算出相同狀態，例如陀螺儀可以量測出移動載具之航向角速度，隨著車輪旋轉的旋轉編碼器透過機器人運動學也可以計算出移動載具的航向角速度，至於兩種感測器所計算出來的角速度，要相信哪一個比較多，這個比例如何決定，即為本文之研究重點，因此本研究將透過卡爾曼濾波器來決定一個最佳比例，以估測出一個最準的狀態，並且透過自適應卡爾曼濾波器即時調整該比例，再結合本論文所提出的打滑偵測演算法，在打滑時特別調整該比例，以至於最後積分出來的路徑不至於被打滑影響太多，最後再透過模擬和實驗來驗證，該演算法確實能帶來更高的準確性。
Kalman Filters Based Robot Kinematics Estimation for 2D-SLAM Pose Pre-compensation
哲瑋, 褚. (Author). 2020
學生論文: Doctoral Thesis