陪护机器人粒子滤波定位法中重采样算法研究

针对室内陪护机器人粒子滤波定位方法,研究了四种粒子滤波重采样算法:多项式重采样算法、残差重采样算法、分层重采样算法和系统重采样算法,并分别对其进行仿真比较.实验证明残差重采样算法粒子收敛速度和粒子匮乏程度取折衷,性能优于其它三种重采样算法,在此基础上利用仿真实验结果在HHR-0303服务机器人上进行了实验.实验证明采用残差重采样算法的粒子滤波算法,利用声纳配合里程计定位的方案能达到定位目的.     

一种改进重采样的粒子滤波算法

针对粒子滤波重采样过程中存在的粒子多样性丧失问题,提出一种改进重采样的粒子滤波算法。按照局部重采样算法对粒子进行分类,中等权值的粒子保持不变,大、小两种权值的粒子采用Thompson-Taylor算法进行随机线性组合产生新粒子。实验结果表明,该算法能在降低计算复杂度的同时不丧失粒子多样性,提高了滤波性能。     

粒子滤波趋优重采样算法及仿真研究

研究机器人移动过程引入粒子滤波进行状态估计问题,粒子滤波中的重采样是为了解决粒子群退化现象而引入的方法.根据承采样方法(SIR)解决粒子退化的同时却带来了粒子的贫化问题,因而降低了滤波器的收敛性能.传统的各种重采样改进方法都是用优等粒子替代劣等粒子,因而会导致粒子多样性的丧失.针对上述问题,提出了一种趋优重采样方法,使...     

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。     

改进重采样的高斯粒子滤波定位技术

针对粒子滤波算法中仍然存在的样本匮乏现象,在高斯滤波的基础上,提出了一种改进重采样的高斯粒子滤波(IR-GHPF)算法.经过新的重采样后的粒子包含了更多相邻粒子的状态信息,提高了粒子的多样性.将此算法应用于无线定位系统中,仿真结果表明,该算法在NLOS环境下仍然具有较高的估计精度,其定位性能优于粒子滤波算法和高斯粒子滤波算法.     

基于硬件实现的粒子滤波重采样算法研究

粒子滤波算法用于硬件实现是目前一个新的研究方向,传统的粒子滤波算法计算量大,所需存储空间大,实时性差,所以在硬件实现方面面临着极大的挑战。为使算法更加适合于硬件实现,以粒子滤波中的重采样步骤为研究重点,以典型的序贯重要性重采样滤波算法为例,对典型的几种重采样算法的复杂度、所需存储空间及执行时间上进行分析研究,并在TI DSPTMS320C5402上对采样算法进行仿真,结果表明部分重采样算法(PDR)更适合于硬件实现。     

基于粒子滤波的室内机器人定位研究

针对传统粒子滤波定位算法在粒子的更新中仅考虑当前里程信息,论文基于KLD-粒子滤波算法实时跟踪每次迭代所需粒子数,提出了一个KLD粒子滤波定位改进算法.结合里程信息及雷达激光测量信息,将前时的测量信息融合进粒子定位算法中.该算法在粒子更新的同时优化了计算,可以使机器人定位修复快速收敛至正确位置,并通过仿真实验验证其有效...     

基于目标跟踪的粒子滤波重采样算法研究

传统粒子滤波（PF）中,重采样步骤里存在着粒子的＂平均化＂现象,导致粒子本身概率大小的因素被忽略,没有充分利用粒子集所包含的信息。通过改进抛弃小权值粒子的原则,以及充分利用粒子权值大小所代表的意义来进行粒子复制的两点进行算法改进,采用一维非线性目标跟踪模型和新的二维动态跟踪模型分别研究改进PF算法对于平均RMSE的影响。通过仿真,证明了改进后的算法可以显著降低变量的平均RMSE,特别是在二位动态跟踪模型中,使位置坐标和速度两种变量的平均均方根误差（RMSE）都有所改善,从而提高了滤波性能。     

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。     

基于粒子滤波重采样与变异操作的改进粒子群算法

针对标准粒子群优化(PSO)算法在求解过程中存在求解精度低、搜索后期收敛速度慢等问题,提出一种基于粒子滤波重采样步骤与变异操作相结合的改进PSO算法——RSPSO。该算法充分利用重采样中具有较大权值的粒子被保留和复制、较小权值的粒子被舍弃的特点,并利用已有的变异操作方法克服粒子匮乏的缺点,大大增强了PSO算法中后期搜索阶段的局部搜索能力。在不同基准函数下对RSPSO算法和标准PSO算法以及文献中其他改进算法进行对比。实验结果表明, RSPSO算法的收敛速度较快,同时其搜索精度和解的稳定性均有所提高,且能够全局地解决多峰问题。     

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．     

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.     

基于多样性向导的自适应重采样粒子滤波研究

由于在非线性非高斯系统和多模处理能力上的优越性,粒子滤波算法已经被广泛应用。针对粒子滤波算法现有缺陷分析,提出一种基于多样性向导的自适应重采样粒子滤波。首先,基于多样性向导自适应调整重采样阈值。在基于有效样本大小的自适应重采样技术之上,借助了另一多样性测度即种群多样性因子来自适应地调整有效样本大小的阈值;而且,在重采样之后引入样本变异操作来确保样本的多样性。然后,提出了一种改进的部分分层重采样算法。该算法借鉴部分分层重采样执行快、时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算。最后,通过仿真实验验证了所提粒子滤波算法的性能和有效性。     

遗传重采样粒子滤波器

粒子退化现象是影响粒子滤波器性能的一个重要因素. 本文针对粒子退化, 将遗传机制应用于粒子重采样, 以进化设计解决退化问题. 分析并给出了平衡粒子集的有效性与多样性的手段以取得最佳性能的遗传粒子滤波结构的方法.     

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．     

基于动态Radio Map的粒子滤波室内无线定位算法

针对目前大多数基于射频信号强度匹配定位算法在定位精度及鲁棒性方面不足,提出了一种基于动态Radio Map的粒子滤波室内无线定位算法.该算法利用参考节点构建基于空间关联性的动态Radio Map模型,以反映信号环境的实时变化,并将移动目标定位由分类问题转化为回归问题,打破了传统网格式Radio Map模型的限制,降低了算法的时空复杂度.实验结果表明,相对于静态Radio Map模型,动态Radio Map模型将定位精度平均提高了约20%,表现出良好的环境动态自适应能力.     

基于高斯—施密特粒子滤波器的多机器人协同定位

多机器人协同定位需对各个机器人的运动模型和观测模型精确建模,需要运用非线性、非高斯系统。已经应用于本领域的各种非线性算法主要有两种：一种是扩展卡尔曼滤波算法（EKF）,它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,即粒子滤波器（PF）。本文介绍了一种改进的粒子滤波
器,即高斯-施密特粒子滤波器（GHPF）,重点比较这三种算法在多机器人协同定位领域的应用效果。     

自适应不完全重采样粒子滤波器

针对传统重采样算法易引起粒子贫化的问题,提出了自适应不完全重采样粒子滤波 (A particle filter based on adaptive part resampling, APRPF)算法. APRPF以分步的方式仅对部分粒子进行重采样,以递推的方式计算表征 粒子退化程度的度量函数(Measurement of particle degeneracy, MPD),直到满足给定条件.重采样后的粒子由新生粒子 和未参与重采样的粒子组成,前者的存在有助于缓解退化问题,后者可使粒子集保 持一定多样性.实验结果表明,与标准粒子滤波(Sampling importance resampling, SIR)、辅助变量粒子滤波(Auxiliary particle filter, APF)、正则化粒子滤波(Regularized particle filter, RPF) 三种滤波器相比, APRPF的估计精度高;由于平均重采样次数少,计算量也小.