利用FastSLAM框架的多自治水下航行器同时定位与跟踪算法

协同定位是共融机器人研究领域的重要问题.协同定位方案的制定受限于机器人间信息交互的能力.针对长时间通讯中断时多自治水下航行器(AUV)协同定位精度明显下降的问题,借鉴同时定位与制图(SLAM)方法,提出了基于FastSLAM框架的同时定位与跟踪(SLAT)算法.将主AUV视为非合作目标,在从AUV上建立起一个关于主AUV的运动估计器,利用从AUV上声呐传感器实时获取的相对量测信息,在对主AUV运动状态估计的同时,完成对从AUV自定位精度的提升.仿真实验结果表明,在长时间通讯中断发生的条件约束下,相比于传统的航位推算方法,所提出的SLATF1.0和2.0算法能够有效减小定位误差,2.0算法对于探测精度变化等因素的影响具有更好适应性.     

基于粒子滤波的未知环境下机器人同时定位、地图构建与目标跟踪

为了解决机器人在未知环境下的目标跟踪问题,提出了一种基于粒子滤波的机器人同时定位、地图构建与目标跟踪方法．该方法采用Rao-Blackwellized粒子滤波器对机器人位姿状态、标志柱分布和目标位置同时进行估计．该方法中,粒子群的总体分布情况表征机器人位姿状态,而每个粒子均包含2类EKF滤波器,其中一类用来完成对标志柱分布的估计,另一类用来完成对目标状态的估计,粒子的权值则由粒子状态相对于标志柱和目标状态2类相似度共同产生．通过仿真和实体机器人实验验证了该方法的有效性．     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题，提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型，用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性，结合被动跟踪模型，利用非线性粒子滤波方法，对IMM算法进行了改进，提高了对IMM混和密度的近似程度，通过被动跟踪仿真实例，同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真，分析了轨迹跟踪性能，利用均方根误差比较了误差性能。仿真结果表明，与IMM-EKF相比，IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

基于强跟踪UKF 的自适应SLAM 算法

针对无迹卡尔曼滤波（UKF）缺乏在线自适应调整能力,导致系统状态估计精度较低的问题,提出了 一种将强跟踪滤波器（STF）与UKF 相结合的SLAM 算法．该算法对于UKF 中每个采样点采用STF 进行更新,获 得优化滤波增益,抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近．仿真实验对比了当前 几种SLAM 算法在不同噪声环境下的性能,实验表明,基于强跟踪UKF 的自适应SLAM 算法具有更好的鲁棒性和 自适应性．     

同时机器人定位与人体跟踪的多源感知协作粒子滤波方法

提出了分布式多传感器协作的条件粒子滤波算法以解决人与机器人位置的联合概率分布估计问题．全局视觉系统中,各视角独立运行图像平面上基于粒子滤波的目标跟踪,并利用地平面单应关系实现多视角目标主轴同步融合．视觉观测进一步与机器人激光数据以顺序滤波方式异步融合,提出包含人体位置假设的激光似然场模型以提高对机器人位姿误差的鲁棒性,并引入基于Kullback-Leibler距离的自适应采样以降低描述联合分布所需的粒子数目．实验验证了该方法能够在具有观测噪声且人—机位置均不确定的情况下利用多传感器协作实现基于地图的同时机器人定位与人体跟踪．     

基于AUPF的TDOA几何定位跟踪算法研究

使用无源时差（TDOA）定位技术确定无人机等小型辐射源目标的位置是当前研究的热点,针对时差定位算法较为复杂的实际情况,推导了时差双曲线的几何解,并提出了一种基于自适应无迹粒子滤波（AUPF）技术的移动目标定位跟踪方法。通过仿真对该方法在不同场景的应用效果进行了验证,进一步比较分析了算法的定位精度。结果表明,基于自适应无迹粒子滤波的时差几何定位跟踪算法可以在多种情况下较好地拟合出目标真实运动轨迹,实现对运动目标的定位跟踪,同时拥有更低的定位误差和更高的轨迹包容度,使用该方法可以显著提高对非合作移动辐射源目标的位置估计性能。     

一种基于AMPF和FastSLAM的复合SLAM算法

为了改进快速同时定位和地图创建(FastSLAM)算法的粒子集性能、提高估计精度,提出基于AMPF和FastSLAM的复合SLAM算法.将辅助边缘粒子滤波器(AMPF)与FastSLAM架构相结合,用AMPF估计机器人位姿,单个粒子的位姿提议分布用无轨迹卡尔曼滤波估计.设计与AMPF和FastSLAM架构均兼容的采样方法和粒子数据结构,在FastSLAM框架下用扩展卡尔曼滤波递归估计地图.实验表明,该算法的粒子集性能比FastSLAM 2.0算法好,并且它的位姿估计精度高于FastSLAM 2.0算法.此外,粒子数较少时,该算法的估计精度较高,从而可适当减少粒子数目来提高算法的计算效率.     

基于多假设跟踪的移动机器人自适应蒙特卡罗定位研究

针对移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)算法在含有对称和自相似结构的环境中容易失败的问题, 提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法. 该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类, 每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪, 总体上形成了一组非等权的粒子滤波器, 很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题. 同时运用该核密度树实现了自适应采样, 提高了算法的性能. 针对机器人``绑架'问题对该算法作了进一步的改进. 实验结果证明了该算法的有效性.     

基于无线传感器网络的同时定位与跟踪

研究无线传感器网络在位置信息不确定时,同时定位无线传感器网络节点并跟踪移动目标。利用RSSI测量节点对之间的距离,多维定标技术根据距离矩阵完成传感器网络的初始定位。估计与更新阶段提出了压缩EKF滤波确定传感器节点位置和目标位置。仿真结果显示:算法在较低的网络覆盖率下有较高的定位和跟踪准确度,在初始定位误差为5m时,节点和跟踪误差均小于3m,特别是在长距离的跟踪任务中有很好的精度和实时性。     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

Incorporation of Feature Tracking into Simultaneous Localization and Map Building via Sonar Data

Simultaneous Localization and Map building (SLAM) is referred to as the ability of an Autonomous Mobile Robot (AMR) to incrementally extract the surrounding features for estimating its pose in an unknown location and unknown environment. In this paper, we propose a new technique for extraction of significant map features from standard Polaroid sonar sensors to address the SLAM problem. The proposed algorithm explicitly initializes and tracks the line (or wall) features from a comparison between two overlapping sensor measurements buffers. The experimental studies on a Pioneer 2DX mobile robot equipped with sonar sensors suggest that SLAM problem can be solved by the proposed algorithm. The estimated trajectory of AMR from the standard model based on Extended Kalman Filter (EKF) localization for the same experiment is also provided for comparison.     

基于Unscented卡尔曼滤波的室内定位

基于RSSI值的测距技术中,通过对天线全向性问题的分析,提出基于Unscented卡尔曼滤波（UKF）的定位算法。利用基于RSSI值的测距模型进行距离测量,并使用Unscented卡尔曼滤波算法估计节点坐标。由于RSSI值的测量和测距模型参数受到环境的影响,采用高斯滤波对RSSI值进行优化,对环境参数使用线性回归算法进行优化并采用自适应机制更新。通过与最大似然估计法（ML）的比较实验表明,该算法能有效地减小定位误差,提高定位精度。     

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建（SLAM）算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。     

基于平方根UKF的SLAM算法

同步定位与地图构建（SLAM）是移动机器人实现真正自主的关键,无迹卡尔曼滤波（UKF）由于直接利用系统非线性模型而在SLAM问题中得到广泛的应用。基于平方根滤波可以确保协方差矩阵的非负定的思想,将平方根UKF应用到SLAM问题中,确保了SLAM算法的稳定性,并得到了较高的估计精度。仿真结果表明,该算法是有效的。     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

基于组合EKF的自主水下航行器SLAM

针对标准扩展卡尔曼滤波(EKF)在噪声统计特性不准确、系统模型与实际模型无法完全匹配情况下滤波精度严重下降的问题,提出了一种基于Sage-Husa自适应EKF和强跟踪EKF组合的SLAM(同步定位与地图构建)算法.首先建立了AUV(自主水下航行器)的动力学模型、特征模型以及传感器的测量模型,然后通过Hough变换进行特征提取,最终采用组合EKF实现了自主水下航行器的同步定位与地图构建.海试数据仿真试验表明本文所提方法降低了噪声统计特性时变以及模型不精确对系统的影响,提高了SLAM系统的精确性和鲁棒性.     

基于目标检测的室内动态场景定位与建图

针对室内场景中动态对象严重影响相机位姿估计准确性的问题,提出一种基于目标检测的室内动态场景同步定位与地图构建（SLAM）系统。当相机捕获图像后,首先,利用YOLOv4目标检测网络检测环境中的动态对象,并生成对应边界框的掩膜区域;然后,提取图像中的ORB特征点,并将掩膜区域内部的特征点剔除掉;同时结合GMS算法进一步剔除误匹配,并仅利用剩余静态特征点来估计相机位姿;最后,完成滤除动态对象的静态稠密点云地图和八叉树地图的构建。在TUM RGB-D公开数据集上进行的多次对比测试的结果表明,相对于ORB-SLAM2系统、GCNv2_SLAM系统和YOLOv4+ORB-SLAM2系统,所提系统在绝对轨迹误差（ATE）和相对位姿误差（RPE）上有明显的降低,说明该系统能够显著提高室内动态环境中相机位姿估计的准确性。