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.     

加权逼近粒子滤波算法及其应用

针对常规粒子滤波存在的粒子退化、粒子枯竭和运算量大等问题,提出了一种新颖的加权逼近粒子滤波算法(weight approaching particle filter,WAPF).在重采样前按粒子–权值大小将粒子集分组,用两组粒子的加权值覆盖权值较小的粒子,这样便可以使部分粒子从低似然区向高似然域逼近.借用Kullback信息描述加权逼近产生的粒子分布与似然分布的差别,通过迭代发现Kullback信息是递减的,这说明加权逼近粒子滤波算法是合理的.混沌摄动重采样算法,用类似载波的方法将具有全局遍历性的混沌变量引入,更增加了支持粒子集的多样性,且具有较少的运算量.仿真结果显示了所提算法的有效性.     

改进的部分分层式粒子滤波重采样算法

粒子滤波算法由于其处理非线性非高斯的能力优势,目前应用领域非常广泛。然而粒子滤波中存在的粒子退化、样贫等问题同样不容忽视,针对这些问题提出了一种改进的重采样粒子滤波算法。该方法借鉴了部分分层重采样和残差重采样的思路,通过对粒子权值大中小分类,在兼顾粒子多样性的情况下用不同策略分层次复制三个集合样本,从而优化了重采样算法。最后通过与经典粒子滤波重采样算法和其他部分重采样(PR)算法相比,以一维非线性跟踪模(UNG)和二维纯角度跟踪模型(BOT)两个模型的仿真结果验证了所提算法的滤波性能和有效性。     

基于方差缩减技术的一种自适应粒子滤波器设计

退化现象是粒子滤波(PF)在非线性状态估计应用中存在的主要问题, 重采样过程一定程度上解决了粒子退化现象, 但同时带来了退化现象所导致的样本贫化问题. 本文将方差缩减技术用于PF之中, 通过给所有粒子权重赋予一个指数衰减因子来解决粒子退化现象, 该衰减因子可以根据有效粒子数进行自适应、迭代的选取, 随后通过一个定理来证明了该方法的有效性, 并基于此提出了一种自适应粒子滤波(APF)算法, 给出了算法的具体步骤, 同时对参数选取的原则和算法的局限性进行了详细的讨论. 最后, 通过一个数值例子说明了本文所提出的APF算法在计算负荷不大的条件下较采样-重要性-重采样粒子滤波(PF-SIR)、遗传粒子滤波(GPF)、粒子群优化粒子滤波(PSOPF)具有更高的估计精度.     

随机加权粒子滤波

研究粒子滤波方法优化问题,粒子退化是传统粒子滤波存在的致命缺陷.由于粒子退化,导致滤波精度的明显下降.针对粒子退化问题,在研究随机加权估计和粒子滤波算法的基础上,提出了一种新的随机加权粒子滤波算法.算法通过对样本进行随机加权,克服了传统粒子滤波算法中的粒子退化问题,保证了粒子的多样性.仿真结果表明,在小子样条件下,随机加权粒子滤波比经典粒子滤波的精度高.在大样本下二者的性能相同.但随机加权粒子滤波不需要重采样,因而算法简单,计算量小,更适合非线性非高斯系统模型的滤波计算,可为实际应用提供参考.     

改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差.     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

基于进化采样的粒子滤波算法

在粒子滤波算法中, 重采样的引入有效地改善粒子退化现象, 但同时也导致了粒子多样性减弱问题的产生. 本文给出了一种基于进化采样的改进粒子滤波算法. 该算法在重采样过程后, 首先根据马尔可夫链蒙特卡罗(Markov-Chain-Monte-Carlo, MCMC) 技术和遗传算法中的模拟二进制交叉原理生成候选粒子, 并利用适应度函数完成对于其权重的度量. 然后结合当前时刻的重采样粒子构建候选粒子集, 进而提升了重采样后粒子的多样性, 最终依据粒子自身的权重实现粒子的优选. 仿真结果表明: 该算法可有效地提高     

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC).在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度.然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度.仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403％.     

基于改进粒子滤波的移动机器人行人跟踪

移动机器人对行人进行跟踪,是体现机器人智能的一个重要方面,具有广阔的发展前景和应用价值。然而环境的复杂性和行人运动的不确定性给行人的跟踪带来了极大的挑战。为此,在分析粒子滤波框架的基础上,对基本粒子滤波算法进行了两方面改进,提出了适用于移动机器人的行人跟踪方法。一方面在相似性估计阶段结合颜色信息、深度信息和社交力概念,提高了跟踪的精度;另一方面提出了二级粒子的概念,解决了粒子多样性缺失问题,提高了跟踪的准确度。在移动机器人turtlebot和公开数据集IAS-Lab上对改进的粒子滤波、序贯重要性重采样(sequential importance resampling,SIR)粒子滤波和扩展卡尔曼滤波(extended Kalman filter,EKF)算法进行对比,实验结果表明,改进的粒子滤波算法明显优于其他两种算法。     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

粒子滤波自适应部分系统重采样算法研究*

样本退化是基于序列重要性采样的粒子滤波中的一个主要问题,为了解决这个问题重采样被引入。常规的重采样算法可以解决样本退化问题,但容易导致样本衰竭,增加计算的复杂度。本文在部分重采样的基础上,提出了自适应部分系统分重采样算法,该算法自适应调整重采样的时间,重采样前按照粒子的权值对其分类,只对少数粒子进行重采样,不仅减少了重采样的时间而且增加了粒子的多样性,仿真结果表明该算法与部分重采样相比有效的提高了粒子滤波的性能,减少了运行的时间。     

一种多样性引导的进化粒子滤波

粒子滤波(PF)算法存在的主要问题是粒子退化现象,利用重抽样过程可以有效减轻退化现象,但带来了采样枯竭问题,导致滤波精度下降.本文提出一种多样性引导的进化粒子滤波(DEPF),把粒子群优化(PSO)算法引入到传统PF中,通过PSO搜索寻优重新分配粒子,使粒子的表示更加接近真实后验.并在PSO的搜索寻优过程中使用多样性引导机制来保证所得粒子集的多样性,以提高PF的精度.仿真实验结果表明了该算法的有效性.     

强跟踪粒子滤波算法及其在故障预报中的应用

粒子退化和对突变状态的跟踪能力差是粒子滤波在故障预报应用中存在的主要问题. 再采样粒子滤波虽可缓解粒子退化, 但易导致样本贫化; 扩展粒子滤波也可在一定程度上解决退化问题, 但难以跟踪突变状态. 本文提出了强跟踪粒子滤波算法, 将强跟踪滤波引入粒子滤波更新粒子, 产生重要性密度, 缓解粒子退化和样本贫化问题, 提高跟踪突变状态的能力. 仿真结果显示该算法可行并能及时准确地预报系统故障.     

基于自适应人工鱼群的粒子滤波算法

针对粒子滤波算法中存在粒子退化及粒子枯竭的问题,本文提出一种自适应的人工鱼群粒子滤波算法,该算法通过把觅食行为和聚群行为引入粒子滤波算法中,并自适应调整人工鱼的移动步长和视野范围,从而增加了粒子的多样性,克服了粒子退化及粒子枯竭问题;驱动粒子向最优位置靠近,克服粒子易陷入局部最优问题,增强了粒子的全局搜索能力。仿真实验表明,本文提出的算法与人工鱼群粒子滤波及标准粒子滤波算法相比,滤波精度有显著的提高。     

一种快速准蒙特卡罗粒子滤波算法

针对准蒙特卡罗(Quasi-Monte Carlo, QMC)方法应用于粒子滤波采样时计算复杂度高, 以及粒子滤波中重采样步骤引起样本枯竭的问题, 提出一种结合准蒙特卡罗方法的粒子滤波算法, 在重要性采样后, 将生成的随机化QMC序列分别映射到以大权重粒子为核心的独立子空间上, 避免了直接对采样空间进行预测, 同时又保持了样本多样性. 实验结果表明该方法可以有效抑制样本枯竭现象, 获得了高于蒙特卡罗(Monte Carlo, MC)方法的估计精度, 而计算效率与粒子滤波相近.     

An Improved FastSLAM Algorithm Based on Revised Genetic Resampling and SR-UPF

FastSLAM is a popular framework which uses a Rao-Blackwellized particle filter to solve the simultaneous localization and mapping problem (SLAM). However, in this framework there are two important potential limitations, the particle depletion problem and the linear approximations of the nonlinear functions. To overcome these two drawbacks, this paper proposes a new FastSLAM algorithm based on revised genetic resampling and square root unscented particle filter (SR-UPF). Double roulette wheels as the selection operator, and fast Metropolis-Hastings (MH) as the mutation operator and traditional crossover are combined to form a new resampling method. Amending the particle degeneracy and keeping the particle diversity are both taken into considerations in this method. As SR-UPF propagates the sigma points through the true nonlinearity, it decreases the linearization errors. By directly transferring the square root of the state covariance matrix, SR-UPF has better numerical stability. Both simulation and experimental results demonstrate that the proposed algorithm can improve the diversity of particles, and perform well on estimation accuracy and consistency.     

基于粒子聚合重采样的移动机器人蒙特卡洛定位

提出了一种基于粒子聚合重采样的移动机器人聚合蒙特卡洛定位（Merge Monte Carlo localization,Merge-MCL）方法．首先将移动机器人作业空间划分为离散栅格,建立栅格集,然后提出一种基于粒子空间相近性的粒子聚合技术, 在保证粒子空间分布合理性的同时自适应调整粒子集规模．提出的粒子聚合重采样方法能够缓解粒子权值退化问题, 并避免了传统重采样方法导致的多样性匮乏问题．仿真结果表明,粒子聚合重采样方法能够有效控制粒子集规模, 聚合蒙特卡洛定位方法是鲁棒、有效的．