基于蒙特卡罗算法煤矿井下人员定位研究

对比分析几种常用的无线传感器网络节点定位方法.针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法.该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测与定位.经仿真验证在低密度锚节点环境下,蒙特卡罗方法位置估计误差明显低于其它方法,提高了移动节点定位算法的准确性.     

一种基于运动预测的蒙特卡罗定位算法

以蒙特卡罗算法为基础的无线传感器网络移动节点定位算法普遍存在定位误差较大的问题.针对实际应用中一般的运动模型,提出一种基于运动预测的蒙特卡罗定位(MCLMP)算法,通过构建节点运动模型,进行位置预测和滤波,并对过滤后的值进行加权计算.仿真结果表明,MCLMP算法相比以往算法定位精度提高了30％以上.     

不完整地图中移动机器人蒙特卡罗定位研究*

针对移动机器人在不完整地图中定位的问题,提出了一种改进的粒子聚类蒙特卡罗定位(Monte Carlo localization, MCL)算法。在定位过程中,将机器人的位姿分为六种状态,每一种状态对应一个粒子簇。在机器人运动的过程中,这六种状态之间可以相互转移,在计算状态转移概率的基础上,实现了不完整地图中移动机器人蒙特卡罗定位算法。实验验证了该算法在解决移动机器人在不完整地图中定位问题的有效性。     

基于测距的蒙特卡罗盒传感网定位算法研究

针对以蒙特卡罗算法为基础的无线传感器网定位算法普遍存在定位精度和采样效率低的问题,提出了一种基于测距的蒙特卡罗盒（R-MCB）定位算法。通过测距信息构造修正的包含有约束条件的方形边界框,使用从强约束条件中除去弱约束条件的启发法来提高采样效率,然后进行样本过滤和加权处理,并通过校准减少距离误差实现精确的定位。该R-MCB定位算法允许节点是静止或移动的,并且能够与可进行测距的节点和没有测距能力的节点协同工作。通过在传感器硬件上进行真实模拟定位算法证明,在多数情况下该R-MCB算法的定位误差,均要比WMCL算法（加权蒙特卡罗定位算法）的定位误差低10%左右。     

基于全景视觉匹配的移动机器人蒙特卡罗定位算法

本文提出了一种基于梯度直方图的全景图像匹配算法, 并将该算法与蒙特卡罗定位方法相结合, 构建了一种基于全景视觉的移动机器人定位方法. 在分析所提出的匹配算法特点的基础上建立了系统的观测模型, 推导出粒子滤波中重要权重系数的计算方法. 该方法能够抵抗环境中相似场景对于定位结果的干扰, 同时能够使机器人从“绑架”中快速恢复. 实验结果证明该方法正确、有效.     

基于动态网格划分的移动无线传感器网络定位算法

定位技术是无线传感器网络中关键的基础支撑技术,目前提出了许多静态网络的节点定位算法,移动无线传感器网络的定位研究相对较少.针对定位节点和参考节点随机运动的网络模型,提出了一个基于动态网格划分的蒙特卡罗定位算法.算法中当接收的参考节点数超过一定阈值时使用最远距离节点选择模型,选出部分参考节点参与定位和信息转发,节约能耗.接着基于选择的或所有接收的参考节点构建采样区域,进行网格划分,使用网格单元数计算最大采样次数,在采样区域内采样并使用误差补偿的运动模型进行过滤,提高了采样效率,减少了计算开销,并保证了较好的定位精度.仿真实验表明算法在定位精度,计算开销、能耗等方面都具有较好的性能.     

动态无线传感器网络的改进蒙特卡罗定位算法

针对于无线传感器网络中移动节点的定位问题,在传统蒙特卡罗定位算法的基础上,提出了一种改进算法。该算法通过构建接收信号强度指示测距模型来限制样本区域以求提高采样效率。仿真结果表明,与MCL、MCB等其他蒙特卡罗定位算法相比,改进算法在不同的时间、不同的锚节点密度、不同的节点移动速度等情况下,都具有更好的定位精度。     

RSSI辅助的蒙特卡罗盒定位算法

针对以蒙特卡罗为基础的几种无线传感器网络定位算法普遍存在定位精度和采样效率低的问题,文中提出了一种RSSI辅助的蒙特卡罗盒定位算法（RAMCB）。通过实验构造出符合实际环境的RSSI和距离区间的映射关系数据库;在定位阶段,未知节点利用来自一跳和两跳锚节点的RSSI值查询数据库,得到与一跳和两跳锚节点的距离区间,利用距离区间建立更为精确的采样箱,以提高采样效率;未知节点根据样本到一跳、两跳锚节点的估计距离和实际距离的差值来动态赋予样本的权值。仿真结果表明：RAMCB算法能有效提高定位精度和采样效率。     

RSSI辅助的蒙特卡罗盒定位算法

针对以蒙特卡罗为基础的几种无线传感器网络定位算法普遍存在定位精度和采样效率低的问题,文中提出了一种RSSI辅助的蒙特卡罗盒定位算法（RAMCB)。通过实验构造出符合实际环境的RSSI和距离区间的映射关系数据库;在定位阶段,未知节点利用来自一跳和两跳锚节点的RSSI值查询数据库,得到与一跳和两跳锚节点的距离区间,利用距离区间建立更为精确的采样箱,以提高采样效率;未知节点根据样本到一跳、两跳锚节点的估计距离和实际距离的差值来动态赋予样本的权值。仿真结果表明:RAMCB算法能有效提高定位精度和采样效率。     

移动无线传感网中的迭代蒙特卡罗定位算法研究

研究移动无线传感网中的节点定位问题,分析影响蒙特卡罗定位精度的两个因素:观测值和前一时刻的位置样本集,提出一种迭代蒙特卡罗定位算法。该算法中,信标节点的位置信息在每个时间段只被它的邻居节点转发一次,但是接收到该信息的其他节点会保存它们,并在下一时间段将它们与待发送/转发的信息融合成一个数据包进一步转发,增加待定位节点用于估算前几个时间段位置样本集的观测值。待定位节点再利用蒙特卡罗算法迭代计算前面时间段的位置样本集,并充分利用观测值滤除较差样本,从而提高当前时刻的定位精度。仿真实验表明改进算法提高了定位准确度。当信标节点密度较低时,更能体现改进算法的优越性。     

分布式感知协作的扩展Monte Carlo定位算法

针对移动机器人难以单纯依赖自身传感器定位的问题,提出了一种分布式感知协作的扩展Monte Carlo定位方法.在定位过程中,机器人根据感知更新前后采样分布信息熵、有效采样数目及采样分布均匀性的变化,适时地从环境传感器的检测模型进行重采样,从而有效减少其位姿估计的不确定性.在算法的具体实现过程中,采用彩色摄像头作为环境传感器,摄像头的参数由机器人进行在线标定;然后依据标定的参数获得摄像头的检测模型.实验验证了该算法在解决全局定位和机器人绑架问题时的有效性.     

使用NDT激光扫描匹配的移动机器人定位方法

提出一种将基于扫描匹配的蒙特卡洛定位方法,作为移动机器人完成自主任务的鲁棒性定位方法． 采用一种新的正态分布转换(NDT)激光扫描匹配算法,将从单个激光扫描重构的2D离散数据点集转换成2维平面内分段连续可微的概率分布,并使用Hessian矩阵法与另外的扫描相匹配,可以避免点与点之间对应的复杂问题．实验结果表明,该定位算法可以利用自然环境特征有效地完成室内环境下的自主定位．     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

基于粒子滤波器的移动机器人定位和地图创建研究进展

首先，对粒子滤波器的原理和研究进展进行了综述．然后，介绍了基于粒子滤波器的移动机器人定位研究进展．其次，给出了粒子滤波器在移动机器人地图创建领域的最新成果．最后，对粒子滤波器在移动机器人研究领域的未来发展方向进行了展望．     

一种基于图像检索的机器人自定位方法

针对单目视觉机器人的定位问题,提出了一种基于EM(expectation maximization algorithm)的混合高斯粒子滤波定位算法。采用高斯混合模型矢量量化的方法生成图像直方图,利用图像特征相似性度量方法对提取的图像直方图进行匹配,并将匹配的结果应用到粒子滤波定位中,实现了室内结构化环境下机器人的全局定位。仿真实验结果表明颜色特征提取方法和机器人定位方法的有效性。     

可移动机器人的马尔可夫自定位算法研究

马尔可夫定位算法是利用机器人运动环境中的概率密度分布进行定位的方法.使用该 方法机器人可在完全不知道自己位置的情况下通过传感器数据和运动模型来估计自己的位置. 但是,在研究中发现它还存在一些问题,如概率减小到零后就无法恢复.对只有距离传感器的机 器人在对称的环境中仅仅采用该算法就无法确定位置.为了解决这些问题,文中给出了修正算 法,并建议在机器人上装上方向仪(如指南针或陀螺仪等),然后利用定义的一个角度高斯分布 函数来构造新的机器人感知模型.在此基础上详细地阐述了一种新的自定位技术.最后,采用仿 真程序验证了机器人在对称环境中运动时这一新算法的可行性.     

基于粒子滤波的移动机器人定位关键技术研究综述*

针对粒子滤波固有的问题,结合在移动机器人蒙特卡罗定位中的最新应用成果,分别从建议分布的选择、重采样策略的改进、有效推理的执行、自适应机制的引入、与其他方法的集成等几个方面对其当前研究的关键技术进行了归纳总结,并对该研究领域需要解决的研究难点进行了分析,展望了进一步研究的方向.     

Mobile robot localization based on PSO estimator

Localization is fundamental to autonomous operation of the mobile robot. A particle filter (PF) is widely used in mobile robot localization. However, the robot localization based PF has several limitations, such as sample impoverishment and a degeneracy problem, which reduce significantly its performance. Evolutionary algorithms, and more specifically their optimization capabilities, can be used in order to overcome PF based on localization weaknesses. In this paper, mobile robot localization based on a particle swarm optimization (PSO) estimator is proposed. In the proposed method, the robot localization converts dynamic optimization to find the best robot pose estimate, recursively. Unlike the localization based on PF, the resampling step is not required in the proposed method. Moreover, it does not require noise distribution. It searches stochastically along the state space for the best robot pose estimate. The results show that the proposed method is effective in terms of accuracy, consistency, and computational cost compared with localization based on PF and EKF.