基于移动机器人的地图构建技术

对Rao-Blackwellized粒子滤波器算法出现的地图构建不一致性和粒子退化问题进行了研究。在Rao-Blackwellized粒子滤波器的基础上,将采样集中在观测信息的可能性区域,使得采样的粒子更加符合真实环境状态;并且引入分层重采样优化策略,通过控制阈值,维持尽可能多的粒子多样性,有效地解决粒子退化问题。最后在配有16线激光雷达传感器的Bulldog移动机器人平台上进行了实验验证。结果表明:优化的算法减少了粒子数目,增加了粒子多样性,且能创建一致性的环境地图。     

基于区域粒子群优化和部分高斯重采样的SLAM方法

为解决Rao-Blackwellized粒子滤波同时定位与地图构建方法中存在的粒子退化和粒子耗尽现象,提出一种同时定位与地图构建优化方法。为缓解粒子退化,通过区域粒子群优化方法调整粒子的建议分布,把粒子集聚类成多个区域,计算每个区域的加权中心位置,对区域内粒子进行粒子群优化操作使得粒子向区域中心位置移动。在重采样过程中,给出一种部分高斯重采样算法,只对权值过高或过低的粒子进行重采样。实验结果表明,与MT-GMapping方法相比,改进方法可以通过更少的粒子得到精度更高的地图,满足实际使用的需求。     

基于粒子群优化的移动机器人SLAM 方法

针对移动机器人的粒子滤波SLAM（同时定位与建图）方法中需要大量粒子来提高精度的问题,将粒 子群优化思想引入到FastSLAM 中,提出了一种基于粒子群优化的同时定位与建图方法．通过粒子群优化方法对 FastSLAM 中预估粒子进行更新,调整粒子的提议分布,使得预测采样粒子集中于机器人的真实位姿附近．该方法 能有效提高SALM 精度,并减少所使用的粒子数以及计算的时间复杂度．仿真实验结果表明该方法有效、可行．     

粒子滤波器SLAM算法研究

为解决传统的基于Rao-Blackwellized粒子滤波器的同时定位与地图创建（SLAM）算法需要大量的采样粒子,而且频繁重采样操作可能导致粒子耗尽的问题,提出一种改进算法。在计算采样的提议分布时考虑了里程计信息和距离传感器信息,并且通过计算有效粒子数目适时进行重采样操作,通过加入随机粒子来维持多样性。该方法能减少粒子数目,同时保证算法的一致性。仿真结果表明,算法提高了计算效率,创建的栅格地图具有更高的精度。     

融合遗传优化的粒子滤波器算法

为了解决基于Rao-Blackwellized粒子滤波器的同时定位与地图创建算法需要大量的采样粒子,而且频繁重采样可能导致粒子耗尽的问题,提出了融合遗传优化的粒子滤波器算法。设计了一种变异的遗传算法来兼顾粒子的权值和粒子集的多样性,取代原有的重采样步骤。在计算采样的提议分布时考虑了里程计信息和距离传感器信息,并且通过遗传算法来维持粒子集的多样性。实验结果表明,融合遗传优化的粒子滤波器算法在估计精度和一致性方面都具有较好的性能,所创建的地图具有更高的精度。     

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。     

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.     

基于RBPF-SLAM算法的研究与实现

同时定位与地图创建（the simultaneous localization and mapping,SLAM）是机器人领域的难点问题,目前广泛采用Rao-Blackwellized Particle Filters （RBPF）算法解决该问题.在传统的RBPF算法实现中构建的高误差建议分布会采样计算大量粒子来拟合目标分布,频繁的重采样步骤导致粒子逐渐耗散,浪费大量计算资源.在本文中通过把运动模型信息与观测信息相结合优化建议分布,减少采样粒子数量,引入自适应重采样方法减少重采样步骤.在算法的实现时使用树形数据结构存储环境地图,实验结果表明,该改进算法可以显著计算效率,减小存储消耗,构建地图更为精确.     

基于自适应渐消无迹粒子滤波的UnscentedFastSLAM算法

针对机器人导航无迹快速同步定位与地图构建（Unscented FastSLAM）算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使系统具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented FastSLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。     

基于类电磁机制优化的FastSLAM2.0算法

针对FastSLAM2.0算法粒子退化和粒子耗尽的问题,提出一种基于类电磁机制优化的FastSLAM2.0算法.该算法用无迹卡尔曼滤波(unscented Kalman filter,UKF)替代拓展卡尔曼滤波(extended Kalman filter,EKF)估计后验位姿提议分布减少模型线性化误差,提高采样粒子的质量;在重采样中模拟电磁场中带电粒子之间吸引排斥机制,把采样粒子看成带一定电荷量的电子,通过类电磁吸引力驱动粒子集朝高似然区域移动,使之较快分布在机器人真实位姿附近.缓解粒子退化问题,同时,通过类电磁排斥力驱使粒子在移动过程中保持一定距离,保证了粒子多样性.仿真结果表明了该算法的有效性.     

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...     

FastSLAM算法的仿生优化改进研究

针对机器人导航标准的快速同步定位与地图构建算法(FastSLAM)在重采样过程中存在采样粒子集的贫化以及粒子多样性的缺失导致机器人的定位与建图的精度下降的问题,提出一种基于改进的蝴蝶算法来优化FastSLAM中的粒子滤波部分。改进的算法将机器人的最新时刻的观测和状态信息融入到蝴蝶算法的香味公式中,并在蝴蝶位置更新的过程加入自适应香味半径和自适应蝴蝶飞行调整步长因子,来减少算法的运算时间以及提高预测精度,同时引入偏差修正指数加权算法对粒子的权值进行优化组合,对组合后部分不稳定的粒子进行分布重采样,保证粒子的多样性。通过仿真验证了该算法在估计精度与稳定性方面优于FastSLAM,因此在移动机器人运动模型的定位与建图中具有较高的定位精度与稳定性。     

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.     

Improved Techniques for Grid Mapping With Rao-Blackwellized Particle Filters

Recently, Rao-Blackwellized particle filters (RBPF) have been introduced as an effective means to solve the simultaneous localization and mapping problem. This approach uses a particle filter in which each particle carries an individual map of the environment. Accordingly, a key question is how to reduce the number of particles. In this paper, we present adaptive techniques for reducing this number in a RBPF for learning grid maps. We propose an approach to compute an accurate proposal distribution, taking into account not only the movement of the robot, but also the most recent observation. This drastically decreases the uncertainty about the robot's pose in the prediction step of the filter. Furthermore, we present an approach to selectively carry out resampling operations, which seriously reduces the problem of particle depletion. Experimental results carried out with real mobile robots in large-scale indoor, as well as outdoor, environments illustrate the advantages of our methods over previous approaches     

Improved Rao-Blackwellized particle filter for simultaneous robot localization and person-tracking with single mobile sensor

A probabilistic algorithm is proposed for the problem of simultaneous robot localization and people-tracking (SLAP) using single onboard sensor in situations with sensor noise and global uncertainties over the observer’s pose. By the decomposition of the joint distribution according to the Rao-Blackwell theorem, posteriors of the robot pose are sequentially estimated over time by a smoothed laser perception model and an improved resampling scheme with evolution strategies; the conditional distribution of the person’s position is estimated using unscented Kalman filter (UKF) to deal with the nonlinear dynamic of human motion. Experiments conducted in a real indoor service robot scenario validate the favorable performance of the positional accuracy as well as the improved computational efficiency.     

基于头脑风暴算法的FastSLAM2.0算法

针对FastSLAM2.0算法粒子权值退化与粒子多样性丧失导致机器人定位建图精度下降的问题,提出了基于头脑风暴算法改进FastSLAM2.0算法.通过头脑风暴算法替换FastSLAM2.0算法重采样过程,首先将重要性采样后的粒子权值作为头脑风暴算法中个体评判的适度值,根据适度值大小差异完成K-means聚类操作;其次对聚类后的集合进行变异操作,并取消头脑风暴算法中个体选择操作,从而实现改进头脑风暴算法替代FastSLAM2.0算法重采样过程,缓解粒子的贫化现象,增加粒子多样性,最终实现对机器人定位建图精度的提升.在机器人定位建图实验中,对比经典FastSLAM2.0算法和基于遗传算法改进FastSLAM2.0算法,提出的算法定位精度最高,相较于经典FastSLAM2.0算法,提出算法定位精度提升了63％,稳定性提升了55％.     

基于图优化的移动机器人视觉SLAM

针对目前移动机器人视觉SLAM（simultaneous localization and mapping）研究中存在的实时性差、精确度不高、无法稠密化建图等问题,提出了一种基于RGB-D数据的实时 SLAM算法。在本算法前端处理中,采用了鲁棒性与实时性更好的ORB特征检测。利用 RANSAC 算法对可能存在的误匹配点进行剔除完成初始匹配,对所得内点进行PNP求解,用于机器人相邻位姿的增量估计。在后端优化中,设计了一种遵循图优化思想的非线性优化方法对移动机器人位姿进行优化。同时结合闭环检测机制,提出了一种点云优化算法,用于抑制系统的累积误差,进一步提升位姿与点云的精确性。实验验证了本文所提方法能够迅速、准确地重构出稠密化的三维环境模型。     

A Study of the Rao-Blackwellised Particle Filter for Efficient and Accurate Vision-Based SLAM

With recent advances in real-time implementations of filters for solving the simultaneous localization and mapping (SLAM) problem in the range-sensing domain, attention has shifted to implementing SLAM solutions using vision-based sensing. This paper presents and analyses different models of the Rao-Blackwellised particle filter (RBPF) for vision-based SLAM within a comprehensive application architecture. The main contributions of our work are the introduction of a new robot motion model utilizing structure from motion (SFM) methods and a novel mixture proposal distribution that combines local and global pose estimation. In addition, we compare these under a wide variety of operating modalities, including monocular sensing and the standard odometry-based methods. We also present a detailed study of the RBPF for SLAM, addressing issues in achieving real-time, robust and numerically reliable filter behavior. Finally, we present experimental results illustrating the improved accuracy of our proposed models and the efficiency and scalability of our implementation.