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。     

基于稀疏化的快速扩展信息滤波SLAM算法

随着SLAM技术的不断发展,计算效率已经成为制约SLAM发展的主要因素.所提出的算法从稀疏化的角度对扩展信息滤波SLAM算法进行改进.根据信息矩阵几乎稀疏的特点,该算法在合理稀疏化信息矩阵的同时利用环闭合检测技术,不仅大大提高了算法的计算效率,而且所得到的估计结果也很精确.通过仿真对信息矩阵稀疏化、算法效率、重定位以及误差和协方差四个关键问题进行了分析.分别就室内具有摄像头的两轮机器人和室外具有激光雷达的四轮机器人的情况进行了实验讨论.仿真与实验结果表明了所提算法的有效性.     

一种改进的稀疏扩展信息滤波SLAM算法

如何得到精确一致的稀疏信息矩阵是稀疏扩展信息滤波同时定位与地图创建(SLAM)算法的关键.在对相关性进行详细深入分析的基础上,提出一种改进的信息矩阵稀疏规则.该规则利用稀疏时刻的观测信息,从全局上保留了与机器人相关性最强的特征.在不增加计算负担的情况下,提高算法的精度及一致性.最后,通过大量的Monte-Carlo仿真实验,验证该方法的有效性.     

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.     

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。     

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.     

基于粒子群优化的Rao-Blackwellized粒子滤波SLAM算法

为了实现在高相似度环境中移动机器人精确高效的自定位与建图,提出了一种基于粒子群优化（ PSO）的Rao-Blackwellized粒子滤波同步定位与地图构建（ SLAM）算法。利用激光扫描数据校正里程计信息,得到多模态的似然函数,克服相似环境对机器人定位的影响;利用粒子群优化算法提高常规粒子滤波器的估计性能,使得高似然采样集向各个后验概率密度分布取值极大的区域运动,同时保持低似然粒子多样性,从而在一定程度上克服粒子贫乏问题,并且显著地降低精确定位所需的粒子数。对所提算法与Gmapping算法在MIT数据集上进行仿真对比实验,结果表明了该算法的可行性和有效性。     

动态环境下基于深度学习的语义SLAM算法

针对应用场景中存在的运动物体会降低视觉同步定位与地图构建（SLAM）系统的定位精度和鲁棒性的问题,提出一种基于语义信息的动态环境下的视觉SLAM算法。首先,将传统视觉SLAM前端与YOLOv4目标检测算法相结合,在对输入图像进行ORB特征提取的同时,对该图像进行语义分割;然后,判断目标类型以获得动态目标在图像中的区域,剔除分布在动态物体上的特征点;最后,使用处理后的特征点与相邻帧进行帧间匹配来求解相机位姿。实验采用TUM数据集进行测试,测试结果表明,所提算法相较于ORB-SLAM2在高动态环境下在位姿估计精度上提升了96.78%,同时该算法的跟踪线程处理一帧的平均耗时为0.065 5 s,相较于其他应用在动态环境下的SLAM算法耗时最短。实验结果表明,所提算法能够实现在动态环境中的实时精确定位与建图。     

基于改进SIFT算法的双目视觉SLAM研究

SIFT算法通常用于移动机器人视觉S LAM中。但其算法复杂、计算时间长,影响视觉SLAM的性能。在两方面对SIFT改进：一是用街区距离与棋盘距离的线性组合作为相似性度量;二是采用部分特征方法完成快速匹配。应用扩展卡尔曼滤波器融合SIFT特征信息与机器人位姿信息完成SLAM。仿真实验表明,在未知室内环境下,该算法运行时间短,定位精度高。     

基于自适应多提议分布粒子滤波的蒙特卡洛定位算法

针对基于Cubature粒子滤波的蒙特卡罗定位（CMCL）算法存在的计算量大、实时处理能力较差的问题,提出一种基于自适应多提议分布粒子滤波的蒙特卡罗定位（AMPD-MCL）算法。该算法利用Cubature卡尔曼滤波和扩展卡尔曼滤波改进提议分布,融入当前观测信息,减弱粒子退化现象;重采样部分采用Kullback-Leibler距离（KLD）采样,根据粒子在状态空间的分布状况,在线调整下一次滤波迭代所需粒子数,从而减小计算量。仿真实验验证了自适应多提议分布粒子滤波（AMPD-PF）的有效性;同时在机器人操作系统（ROS）上进行实验,结果表明改进算法的平均定位精度达到19.891cm,定位所需粒子数稳定在60,定位时间为45.543s,较CMCL算法在定位精度上提高了71.03%,时间缩短了63.10%。实验结果表明,AMPD-MCL算法减小了定位误差,能实时在线调整粒子数,有效减少了算法计算量,提高了实时处理能力。     

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。     

基于平方根UKF的SLAM算法

同步定位与地图构建（SLAM）是移动机器人实现真正自主的关键,无迹卡尔曼滤波（UKF）由于直接利用系统非线性模型而在SLAM问题中得到广泛的应用。基于平方根滤波可以确保协方差矩阵的非负定的思想,将平方根UKF应用到SLAM问题中,确保了SLAM算法的稳定性,并得到了较高的估计精度。仿真结果表明,该算法是有效的。     

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。