改进粒子滤波在WSN辅助机器人定位中的应用

针对无线传感器网络(WSN)辅助机器人定位问题,提出了一种改进的粒子滤波算法。为提供精确定位,在粒子滤波算法中引入节点置信度概念,给出了节点置信度的数学表达式,用于实现节点间的信息融合。新算法通过计算节点置信度,选择置信度高的节点参与辅助机器人定位;根据节点置信度,还可以确定每个节点对粒子更新的影响程度。开发了一种新的基于USARSim的无线传感器网络-机器人系统仿真平台,利用平台对新算法进行了验证。仿真实验结果表明,提出的算法机器人定位精度高,粒子滤波收敛速度快,仿真平台符合无线传感器网络辅助机器人定位研究的需要。     

一种改进的粒子滤波SLAM算法*

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

无线传感器网络环境下基于粒子滤波的移动机器人SLAM算法

定位问题是移动机器人研究领域中最基本的问题,在Bayes的框架下研究了机器人与无线传感器网络(WSN)组成系统中的同时建图与定位问题(SLAM).针对该系统中只存在距离测量信息可用的情况提出了一种基于粒子滤波的SLAM算法.该方法将机器人状态和节点位置估计设置为一组全局估计粒子,通过对粒子及其权重的更新来计算整个系统的状态.算法将WSN节点的位置估计在机器人的路径上分解为相互独立的估计,从而将全局粒子的计算转化为使用一个机器人状态滤波器和对应于每个机器人粒子的节点位置滤波器进行计算.针对观测信息低维的特点,设计了处理低维观测信息的方法,使得观测信息可以在滤波阶段得到合理利用.并且详细介绍了提出的SLAM算法原理和计算过程,并通过仿真实验证明了算法的有效性和实用性.     

无线传感器环境下粒子群优化的多机器人协同定位研究

协同定位是多机器人自主行为的一项重要技术,重点描述了无线传感器网络环境下结合粒子群优化提出多机器人协同定位算法。该算法引入重采样,解决了粒子耗尽问题,扩大了解空间的范围,保证了种群的多样性,并且引入了惯性权重解决了粒子退化的问题。仿真结果表明,利用无线传感器网络进行辅助导航,采用粒子群优化算法,综合无线传感器网络进行辅助导航,融合各个机器人观测信息,可以降低求解问题的空间维数,在高斯噪声下能有效提高移动机器人定位精度。     

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。     

基于激光扫描测距的机器人粒子滤波定位技术研究

传统的粒子滤波即时定位与地图构建(SLAM)算法在构建地图和目标进行自主定位时,粒子数量大,占用的内存高,重采样之后容易出现粒子匮乏现象,为了提高机器人自主定位的效率,提出了一种改进的重采样策略和粒子更新策略,融入系统模型.在装有机器人操作系统(ROS)的旅行家移动机器人上进行测试,实验结果表明:方法能够有效提升粒子滤波定位的效率.     

基于超声波的移动机器人的同时定位和地图构建

为了在移动机器人SLAM过程中得到更精确的定位和二维地图构建,对一种利用超声波传感器信息进行栅格地图创建的方法提出了改进;该方法利用Bayes法则对信息进行融合,利用粒子滤波和航位推算相结合的方法对机器人进行精确定位和创建地图,然后利用移动的栅格法进行地图的全局更新,提出了一种地图的校验方法;通过实验,在粒子数为200的情况下分别得到了算法改进前和改进后的地图构建结果,通过比较,证明了使用该算法进行移动机器人定位和地图构建更加精确。     

基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速 SLAM算法

针对常规FastSLAM算法需要大量粒子创建地图以及粒子退化而导致计算复杂度高、难以提高估计精度等问题,提出了一种基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速SLAM(同步定位与地图构建)算法.首先,改进了箱粒子滤波中以箱粒子为支撑集的均匀概率密度函数,采用高斯概率密度函数进行贝叶斯滤波,提高了估计的精度.在此基础上将Dirichlet过程非参贝叶斯学习应用于高斯箱粒子的重采样,既保证了有效箱粒子数,又能让箱粒子集中在高似然区域,降低了采样枯竭的影响.然后,利用基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波进行机器人位姿估计,可有效降低地图创建所需的粒子数,并提高定位精度和实时性.进而采用无迹卡尔曼滤波更新地图特征,以提高地图创建的一致性.仿真结果和轮腿复合机器人实地实验结果验证了本文方法的可行性和有效性.     

多机器人地质勘探地图构建系统

主要研究多机器人协同工作在地质勘探领域的作用。通过实现及时定位与地图构建算法,对运动目标跟踪算法进行优化,分析基本粒子滤波算法的原理和特征,以及当前存在的主要问题,对其关键技术进行归纳分析与改进。对SLAM的采样方法进行优化,在扩展卡尔曼粒子滤波算法中使用多样式重采样,与传统的重要性重采样相比,保证了跟踪的稳定性以及粒子的多样性。同时,通过在树莓派嵌入式系统上移植ROS机器人操作系统,并加载激光雷达等多种传感器设备,制作了一套通过自组网技术实现环境地图实时构建与定位等功能的系统。改进后的算法提高了运算效率,节约了运算时间。     

基于粒子滤波的移动机器人SLAM改进算法

针对未知环境中移动机器人同时定位和地图创建（Simultaneous Localization and Map Building,SLAM）由于机器人位姿和环境地图都不确定导致定位和地图创建变得更加复杂,提出一种局部最优（全局次优）参数法,即通过局部最优的位姿创建局部最优的环境地图,再通过局部最优的环境地图寻求局部最优的位姿,如此交替进行,直到得到全局确定性的位姿和确定性的环境地图。实验结果表明,同标准的基于粒子滤波的SLAM 算法（Particle Filtering-SLAM,PF-SLAM）比较,改进的算法提高了机器人SLAM过程中定位的准确度和地图创建的精确度,为机器人在未知的室外大环境同时定位和地图创建提供新的方法。     

一种新的粒子滤波SLAM算法

粒子滤波SLAM算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是这些算法不能长时间满足一致性要求.将边缘粒子滤波技术(marginal particle filtering,MPF)运用到SLAM技术中,并利用Unscented Kalman滤波(UKF)来计算提议分布,得到了一种新的粒子滤波SLAM算法.新算法避免了从不断增长的高维状态空间采样,非常有效地提高了算法中的有效粒子数,大大降低了粒子的权值方差,保证了粒子的多样性,同时也满足一致性要求.该算法克服了一般粒子滤波SLAM算法的缺点,性能优势十分明显.     

基于激光雷达传感器的RBPF-SLAM系统优化设计

针对传统Rao-Blackwellized粒子滤波(RBPF)方法的同步定位和建图(SLAM)问题,提出了一种基于激光雷达的RBPF-SLAM系统优化方法,利用高精度激光雷达数据,修正了基于里程计读数的建议分布函数,减少了滤波过程所需的粒子数目;引入了自适应重采样机制,缓解由于重采样带来的粒子消耗问题.为验证改进算法性能,在搭建的差速型移动机器人平台上,进行了验证试验,结果表明:改进后的RBPF-SLAM方法,能够实时构建栅格地图,在建图效率和精度上均有明显的提升.     

粒子群优化的同时定位与建图方法

提出一种粒子群优化的同时定位与建图方法,该方法将粒子群优化思想引入到机器人同时定位与建图算法中。通过粒子群优化方法对预估粒子进行更新,调整粒子的提议分布,从而使得采样粒子集中于机器人的真实位置附近。通过对粒子集的优化,有效地克服粒子贫乏问题,并且减少所使用的粒子数以及计算的时间复杂度。经过仿真实验,验证该方法的正确性和可行性。     

基于概率的移动机器人SLAM算法框架

在移动机器人同时定位与地图创建(SLAM)过程中,机器人本身位置不确定,其所处环境也不可预知,针对这些不确定性因素,应用贝叶斯规则作为理论基础,建立移动机器人SLAM算法的概率表示模型,通过扩展卡尔曼滤波器实现SLAM算法,并介绍一种激光雷达数据与特征地图的数据关联方法。实验结果表明,该方法为实现SLAM算法提供了一种有效可靠的途径。     

平方根容积Rao-Blackwillised粒子滤波SLAM算法

面向大尺度环境中的移动机器人同时定位与地图构建（Simultaneous localization and mapping,SLAM）问题,提出平方根容积Rao-Blackwillised粒子滤波SLAM算法. 算法主要特点在于:1）采用容积律计算SLAM中的非线性函数高斯权重积分,达到减小SLAM非线性模型线性化误差、提高SLAM精度的目的;2）在SLAM中直接传播误差协方差矩阵的平方根因子,避免了耗费时间的协方差矩阵分解与重构过程,提高了SLAM计算效率. 通过仿真、实验将提出的SLAM算法与FastSLAM2.0、UFastSLAM两种算法进行对比,结果表明本文算法在SLAM性能上优于另两者.     

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.     

移动机器人改进激光SLAM算法研究

针对传统RBPF（Rao-Blackwellised particle filter）算法存在定位精度低、粒子退化、粒子多样性丧失的问题,提出了一种基于激光雷达的改进SLAM（simultaneous localization and mapping）算法。首先基于主成分分析法对相邻帧的点云进行粗配准,再采用改进点到线迭代最近点配准算法校正粗配准结果完成精确配准。改进重采样算法中,在多次复制大权重粒子集合的情况下引入小权重粒子集合,改善粒子多样性缺乏问题,提高了移动机器人定位精度。最后将改进算法应用于Turtlebot机器人,实验结果表明,改进的基于激光雷达的SLAM算法在定位精度和建图准确度方面相比于传统算法效果更好。     

一种基于聚类分组的快速联合兼容SLAM数据关联算法

针对在移动机器人同时定位与建图（SLAM）过程中如何快速准确获取数据关联结果的问题,提出了一种基于DBSCAN（density-based spatial clustering of application with noise）聚类分组的快速联合兼容SLAM数据关联算法（DFJCBB）．首先,采用局部关联策略将参与关联的特征点限定在局部地图中;其次,针对多数环境中量测都有较明显的分布,采用一种基于密度聚类的方法DBSCAN对当前时刻的量测进行分组,从而得到若干关联度小的观测小组;最后,在每个小组中采用联合兼容分支定界（JCBB）算法进行数据关联,以获得每个小组量测与局部地图特征之间的最优关联解,并将这些关联解组合获得最终的关联结果．基于模拟器和标准数据集的仿真实验验证了该关联算法的性能,结果表明该关联算法在保证获得较高关联准确度的同时,大大降低了算法复杂度、缩短了运行时间,适用于解决不同复杂环境中的SLAM数据关联问题．