快速SLAM算法的一种新的滤波架构

FastSLAM算法是同时定位与地图创建领域的一类重要方法,UPF-IEKFFastSLAM2.0算法采用UPF估计机器人的路径,地图估计则采用IEKF算法。UPF算法使粒子向后验概率高的区域运动,提高了估计精度,并且UPF算法比普通粒子滤波算法需要更少的粒子数,因而可以降低计算复杂度;IEKF算法通过迭代观测更新过程来提高估计精度。仿真实验表明,当迭代次数小于等于2时,UPF-IEKFFastSLAM2.0算法的地图估计累计时间比UPF-UKFFastSLAM2.0算法短;当迭代次数为2时,其估计精度高于UPF-UKFFastSLAM2.0算法。综合考虑估计精度和计算复杂度,认为"UPF-IEKF"是一种更合理的FastSLAM算法滤波架构。     

移动机器人SLAM问题的研究

针对移动机器人同时定位与地图创建(SLAM)的问题,就扩展卡尔曼(EKF)算法所存在的缺陷即不适合大范围环境及密集环境等特征数量较大的场合,提出了一种改进的EKF-SLAM算法;它在扩展卡尔曼(EKF)算法上采用Rao-Blackwellise的分解思想-分解估计构架,将SLAM问题分解为路径估计和地图估计两个问题从而进行预测步骤,观测步骤,更新步骤和向量增广步骤4个步骤;仿真结果显示改进的EKF-SLAM算法比EKF-SLAM算法在特征数量较大的场合更具有优异性;它大大降低了计算复杂度,提高了准确性,为在比较复杂环境下实时解决移动机器人同时定位与地图创建(SLAM)的问题提供了一种有效方法。     

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.     

一种基于遗传算法的FastSLAM2.0算法

FastSLAM2.0算法的重采样过程会带来“粒子耗尽”问题,为了改进算法的性能、提高估计精度,将FastSLAM2.0算法与遗传算法相结合,提出了一种解决SLAM问题的方法——遗传快速SLAM算法．针对FastSLAM2.0算法的特点,设计了一种改进的遗传算法来兼顾粒子权值和粒子集的多样性．遗传快速SLAM算法采用unscented粒子滤波器估计机器人的路径,地图估计则采用扩展卡尔曼滤波器．采用SLAM领域的标准数据集“carparkdataset”对提出的算法进行了验证,实验结果表明遗传快速SLAM算法在估计精度和一致性方面都具有较好的性能,并且算法的计算复杂度能满足实时性要求．     

基于全局观测地图模型的SLAM 研究

在SLAM领域中,为了克服稀疏特征地图不能提供详尽环境信息的缺点,从观测信息的物理意义出发,提出了全局观测地图模型． 其基本思想是在稀疏特征地图中嵌入全局密集地图信息,采用位移准则、特征准则和传感器量程准则提取必要的观测信息, 然后对观测信息进行去噪、转换,接着根据观测信息的物理意义和机器人位姿估计的不确定性获取环境的全局密集地图, 可视化后得到环境的二值地图、灰度地图或颜色地图．将全局观测地图模型与EKF-SLAM算法相结合,提出了GOE-SLAM算法,采用Car Park Dataset对GOE-SLAM进行了实验验证,结果表明GOE-SLAM生成了可信的密集地图,并且GOE-SLAM的计算复杂度与EKF-SLAM相当．     

一种基于特征地图的移动机器人SLAM方案

设计了一种结构化环境中基于特征地图的地图创建方案;采用激光测距仪进行特征地图创建,利用"聚合-分害虫-聚合"的方法来提取线段表示环境信息实现局部地图创建;为了实现移动机器人的同时定位与地图创建,采用扩展卡尔曼滤波方法对机器人的位姿与地图信息进行预测及更新,结合状态估计和数据关联理论,实验显示x的校正量保持在±0.9cm之内;y的校正量保持在±2.5cm之内;θ的校正量在±1.2之内,实现了基于扩展卡尔曼滤波器的SLAM.     

基于低成本移动机器人设计的超声SLAM

介绍了基于TMS320F2812DSP的振动主动控制系统组成及其工作原理。为了实现系统的小型化和集成性,设计出了一种高效的振动主动控制系统。对LMS(最小均方)自适应滤波算法进行了初步研究,并将其应用于此振动主动控制系统中。结果证实了该测控系统软、硬件设计的正确性和有效性。     

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．     

一种改进的高斯混合概率假设密度SLAM算法

针对高斯混合概率假设密度SLAM(GMPHD-SLAM)算法存在的估计精度低和计算代价高的问题,提出一种无迹高斯混合概率假设密度SLAM算法(unscented-GMPHD-SLAM).其主要特点在于:将无迹卡尔曼滤波器应用于机器人位姿粒子权重计算及概率假设密度更新过程中,可提高算法整体估计性能;将更新的高斯项按照传感器视域分类,有效降低了算法计算量.通过仿真实验,将所提出算法与传统PHD-SLAM算法进行比较,结果表明该算法在提高估计精度和降低计算负担方面是十分有效的.     

低成本移动机器人2D SLAM算法地图评估研究

随着传感器技术的发展,移动机器人得到了广泛的应用.用于绘制环境地图的2D SLAM技术是移动机器人领域重要的技术之一,选出适合低成本机器人的算法对机器人的发展和普及至关重要.提出在仿真环境和实际场景下运行广泛使用的四种开源算法:Gmapping、Hector SLAM、Karto SLAM和Google Cartogr...     

一种基于RBUKF滤波器的SLAM算法一种基于RBUKF滤波器的SLAM算法

同时定位与建图(SLAM)是智能机器人实现真正自治的必要前提,是一个比单独研究定位或者建图更加困难的课题。该文将基于SUT变换的RBUKF滤波器应用于平面静态环境下的同时定位与建图算法,它能够在同样计算复杂度的情况下,避免基于扩展卡尔曼滤波器(EKF)SLAM算法由于线性化误差大导致滤波器发散,从而出现建图错误的缺点。基于公共数据集的实验表明该方法估计的最终地图比EKF的方法精度高。     

移动机器人SLAM关键问题和解决方法综述

从同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）的研究进程出发,通过回顾SLAM近三十年来的研究方法,对移动机器人SLAM的研究进行系统的总结,并指出其存在的三个关键问题.针对这三个问题,介绍了基于概率估计和基于视觉的SLAM方法,对基于概率估计的SLAM实现方法进行对比总结,并对视觉传感器的不同特性对基于视觉的SLAM方法研究进展进行阐述,随后对比分析不同方法的优缺点,讨论了视觉SLAM存在的问题.最后展望SLAM未来的发展方向.     

基于扩展卡尔曼滤波的实时视觉SLAM算法

单目视觉同步定位与地图创建(SLAM)算法的计算复杂度较高,难以满足实时处理的要求。为解决该问题,提出一种SLAM的优化算法。使用 FAST 特征点提取环境特征,对于每一个特征点构造 BRIEF 描述子,以提高算法执行效率,通过引入1-point随机抽样一致算法对算法的框架进行改进,降低算法的计算复杂度,实现视觉SLAM算法的实时处理。实验结果表明,在相机速度为30 f/s的情况下,该算法能满足实时性要求。     

一种改进的FastSLAM算法

同时定位与建图是移动机器人实现真正自治的必要前提,FastSLAM作为一种成功的SLAM方法受到研究者的广泛青睐,FastSLAM将SLAM问题分为一个定位问题和一个建图问题,其中用扩展卡尔曼滤波器（EKF）实现地图陆标的估计与更新,提出了一种改进的FastSLAM方法,用UKF滤波器代替EKF实现FastSLAM中的陆标估计,使得陆标的估计精度提高,该方法同时具有UKF滤波器无需求解观测模型的雅克比矩阵的优点。     

一种新的抗外部干扰EKF-SLAM算法

机器人在未知环境中探索时不仅存在传感器误差，而且经常受到外部干扰的影响。传统EKF-SLAM算法没有考虑外部干扰，会导致机器人定位的失败，为此，提出一种改进的EKF-SLAM算法。采用极坐标对比前后2次观测结果来检测是否存在外部干扰。当检测到存在外部干扰时，通过膨胀系统状态的方差扩大其不确定性，使系统状态迅速收敛到真值。仿真结果表明，该算法在移动机器人SLAM的估计精度和鲁棒性两方面均优于传统的EKF-SLAM算法。     

单机器人SLAM技术的发展及相关主流技术综述

从主要依据的输入传感器信号入手,将目前单机器人SLAM技术分为基于距离传感器和基于视觉传感器两大类,从起源、发展、最新技术及应用分别对这两类SLAM技术做了发展历程分析。总结了现有主流技术的研究框架,对基于距离传感器的主流技术EKF-SLAM、PF-SLAM、Fast SLAM的研究内容,基于视觉传感器的主流技术特征法、直接法、RGB-D SLAM、深度学习SLAM的研究内容进行综述,总结了每种技术的运行机制、优缺点和适宜场景,并预测SLAM技术的未来发展方向。     

基于改进粒子滤波器的移动机器人同时定位与建图方法

提出一种基于改进粒子滤波器的移动机器人同时定位与建图方法.该方法将常规粒子滤波器与粒子群优化算法有机结合,引入最新的机器人观测信息以调整粒子的提议分布,从而在保证算法精度的同时,减少定位与建图所需的粒子数,并有效缓解粒子退化现象.此外,考虑到常规的重采样过程容易引起样本贫化现象,引入概率算子以增加粒子的多样性.实验结果表明该方法的可行性和有效性.     

改进ORB特征的机器人RGB-D SLAM算法

基于特征的视觉同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）存在实时性和鲁棒性差等问题，提出一种改进的基于四叉树的ORB特征提取方法，设计包含前后端及地图构建的机器人RGB-D SLAM算法。在前端使用四叉树方法完成ORB特征的均匀提取，计算描述子间汉明距离实现特征匹配。根据随机采样一致性算法思想，结合EPNP（Efficient Perspective-N-Point）和迭代最近点法求解位姿，获取多次迭代后的准确位姿。采用关键帧进行回环检测，并且基于光速法平差优化位姿图，从而构建全局一致的3D地图，达到减少累积误差的目的。通过TUM数据集和多履带式全向移动机器人进行对比验证，实验结果满足实时性和稳定性要求，证明了算法的可行性和有效性。     

基于K-Means聚类与深度学习的RGB-D SLAM算法

传统的RGB-D视觉同时定位与制图（SLAM）算法在动态场景中识别动态特征时会产生数据错误关联,导致视觉SLAM估计姿态精度退化。提出一种适用于动态场景的RGB-D SLAM算法,利用全新的跨平台神经网络深度学习框架检测场景中的动态语义特征,并分割提取对应的动态语义特征区域。结合深度图像的K均值聚类算法和动态语义特征区域对点特征深度值进行聚类,根据聚类结果剔除动态特征点,同时通过剩余特征点计算RGB-D相机的位姿。实验结果表明,相比ORB-SLAM2、OFD-SLAM、MR-SLAM等算法,该算法能够减小动态场景下的跟踪误差,提高相机位姿估计的精度和鲁棒性,其在TUM动态数据集上相机绝对轨迹的均方根误差约为0.019 m。