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。     

一种改进的粒子滤波SLAM算法

传统的粒子滤波SLAM算法中,由于历史信息未被利用而导致估计精度较低。文中结合精确稀疏滞后状态信息滤波具有自然稀疏的信息矩阵因而估计精度高以及精确稀疏扩展信息滤波计算效率高的优点,将二者混合应用于粒子滤波SLAM算法中。不但充分应用信息矩阵记录的机器人位姿与特征间关系的历史信息从而提高估计的精度,而且克服机器人转动状态及环境特征疏密带来的应用缺陷。仿真与真实机器人实验的实验结果均表明文中算法的有效性与可行性。     

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。     

基于中心差分粒子滤波的SLAM算法

针对移动机器人同时定位与地图创建(Simultaneous localization and mapping, SLAM)中的FastSLAM算法, 存在非线性系统线性化处理和计算雅可比矩阵的缺点, 本文提出了基于Sterling多项式插值处理非线性系统的SLAM方法. 该方法基于Rao-Blackwellized粒子滤波框架, 利用中心差分滤波方法产生改进的建议分布函数, 提高了机器人位姿估计的精度; 利用中心差分滤波初始化特征和更新地图中的特征, 提高了地图创建的精度; 针对实际应用中存在虚假特征的情况 提出了一种有效的地图管理方法. 在同等粒子数的情况下, 该方法改进了SLAM结果的精度. 基于仿真和实际数据的实验结果验证了该方法的有效性.     

基于混合信息滤波的粒子滤波SLAM算法

为解决粒子滤波SLAM中存在的计算效率高及粒子退化造成的估计精度低等问题, 结合精确稀疏滞后状态信息滤波估计精度高以及精确稀疏扩展信息滤波计算效率高的优点, 将两者混合应用于粒子滤波SLAM算法中, 不但在保证计算效率的条件下提高了状态估计精度, 并且还克服了机器人转动状态以及环境特征疏密带来的应用缺陷。实验结果表明了该方法的有效性与可行性。     

基于精确稀疏扩展信息滤波的粒子滤波SLAM算法研究

传统粒子滤波算法的单次迭代过程以及小权值粒子在重采样中被删除都使得机器人位姿的历史信息不能充分利用,因而会出现粒子的退化现象,从而导致滤波算法的估计精度较低。本文提出基于精确稀疏扩展信息滤波的粒子滤波SLAM算法,利用精确稀疏扩展信息滤波的信息矩阵反映机器人位姿相对变化的同时,也对应于状态后验概率的条件概率的性质,应用Gibbs采样直接从SLAM完全后验分布产生样本,充分利用了信息矩阵包含的不确定信息,粒子分布均匀,且保持了多样性,缓解了粒子退化现象。实验结果表明所提算法的粒子集能够更好地描述真实后验分布,显著提高了SLAM算法的估计精度。     

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.     

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.     

基于高斯分布重采样的Rao-Blackwellized粒子滤波SLAM算法

针对移动机器人同时定位与地图构建中RBPF-SLAM算法因粒子匮乏而导致栅格地图估计不精确问题, 提出一种基于高斯分布重采样的RBPF-SLAM算法.首先, 根据粒子权重大小对重采样粒子进行排序; 然后, 在重采样中利用高斯分布分散高权重粒子得到新粒子, 从而保证粒子多样性, 避免粒子匮乏, 保证栅格地图的精确构建. 实验结果表明了所提出算法的有效性, 同时也证明该算法能在粒子数减少的条件下保持可靠的估计, 有效地减少了计算量.     

移动机器人FastSLAM算法的对比研究

为有效缓解FastSLAM1.0算法中的粒子损耗问题,提高其精度,FastSLAM2.0算法提出了一种求取重要性函数的方法.该方法利用扩展卡尔曼滤波算法对移动机器人的位姿状态进行递归估计,得到各个时刻的位姿状态的估计均值和方差,并由此构建服从高斯分布的重要性函数.该重要性函数包含了机器人位姿的历史信息和最新的观测信息,因此可以延缓粒子损耗速度.给出了FastSLAM2.0算法的具体流程,并将其仿真结果与FastSLAM1.0算法进行比较,结果表明了FastSLAM2.0算法的精度优于FastSLAM1.0算法.     

动态贝叶斯网络一种自适应的局部抽样粒子滤波算法*

针对传统自适应粒子滤波（APF）对于动态贝叶斯网络推理中高维的问题,提出动态贝叶斯网络一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中,利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割,以降低抽样规模和抽样的状态空间;进而对局部模型用自适应粒子滤波算法进行近似推理,并以粒子的因式积形式近似系统的状态信度。实验结果表明,该算法能很好地兼顾推理精度和推理时间,其性能优于普通PF算法;与APF算法相比,在不增加推理误差的情况下推理时间也有较大的提高。     

一种基于人工萤火虫群优化的改进粒子滤波算法

针对传统粒子滤波算法中存在的粒子多样性丧失问题,提出一种基于人工萤火虫群优化的改进粒子滤波算法.该算法利用人工萤火虫群算法优化粒子滤波的重采样过程,按照权值的蜕化程度对样本集进行分层,通过转移概率将权值蜕化子集——映射到高似然区域.根据优化阈值条件,将低权值粒子集分为抛弃组和优化组,通过选取优化组粒子和高权值粒子适当地线性组合产生新粒子集.仿真结果表明,当感知系数为零时,优化算法将蜕化为基本粒子滤波算法;在适当选择感知系数的情况下,优化算法的滤波精度较高,跟踪突变状态的性能较优,在保证粒子群贴近真实后验分布的同时,增强了粒子的多样性.     

相似场景下基于局部地图的激光SLAM前端算法改进

在走廊、隧道等相似场景下,传统激光SLAM（同步定位与地图创建）算法由于观测数据的相似性,算法性能将严重劣化,甚至完全失效。为解决该问题,本文在hdl_graph_slam算法的基础上,首先基于匀速运动假设改进了运动预测模型,获得了更准确的初始位姿估计;然后通过引入局部地图概念实现点云的稠密化,改善了相似场景下前端里程计的性能。在室内实验中,场景的还原度达到了99.54%,较改进前提高了57.25%;在室外实验中,里程计漂移由原先的111.62m降至7.65m。实验结果表明,提出的算法在室内和室外的相似场景中均能带来显著的性能提升。     

基于BoW模型的增强RGB-D SLAM算法

即时定位与地图构建(simultaneous localization and mapping,SLAM)被认为是机器人自主运动的核心技术.针对目前的RGB-D SLAM算法实时性和鲁棒性差的问题,提出了一种增强的RGB-D SLAM算法.提取RGB图像的ORB特征描述子,然后利用BoW(bag of word)模型缩...     

移动机器人的概率定位方法研究进展

综述了近几年来流行的移动机器人基于概率定位的各种方法,对它们的性能进行了分析比较,所有这些方法都应用贝叶斯规则作为理论基础.首先,介绍了位置跟踪广泛应用的卡尔曼滤波方法和在全局定位方面取得一定成功的马尔可夫定位方法.然后,介绍了计算效率更高的粒子滤波定位方法,即蒙特卡洛法,以及最近自适应采样的粒子滤波方法,它比简单的粒子滤波效率更高.最后, 对概率定位方法的关键技术进行了分析,并探讨了未来的发展趋势.     

基于小生境遗传优化的Rao-Blackwellised SLAM算法

同步定位与地图构建（SLAM）是实现机器人自主定位的核心问题之一,Rao-Blackwellised粒子滤波器（RBPF）作为一种SLAM定位的有效方法,被广泛应用在实时定位领域中,但由其随着粒子数目的增加会频繁重采样从而导致“粒子退化”问题。为了解决该问题,改善SLAM性能,该文提出了一种基于改进小生境遗传优化的RBPF SLAM算法INGO-RBPF,采用改进的Rao-Blackwellised粒子滤波器解决SLAM路径估计问题,采用扩展卡尔曼滤波器解决SLAM地图估计问题。最后通过MATLAB仿真表明INGO-RBPF算法具有较高的估计精度和稳定性,抗干扰能力较强,定位较准确,比较适合应用在SLAM实时定位中。