基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法

复杂环境下的量测粗差和时变噪声严重影响了状态估计的精度和可靠性,对此提出了一种基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法。首先,基于先验和后验两阶段更新将变分贝叶斯推断引入因子图优化框架中,以估计时变量测噪声协方差;其次,利用相邻帧间的平均新息构造量测协方差预测值,作为粗差判据来实现稳健估计。基于INS/GNSS组合导航的仿真和现场实验评估表明,所提方法能在粗差干扰的情况下有效估计时变量测噪声,相比M估计和滑动窗口自适应因子图优化算法的水平定位误差分别减小了26.7%和39.8%,兼顾了估计精度和抗差性能,具有较好的复杂环境适应性。     

基于置信度传播的变分自适应协同导航方法

协同导航过程中先验信息的准确性是保证协同导航系统精度和可靠性的重要关键因素。针对协同导航系统在复杂环境下会因外界干扰产生未知且时变噪声问题,提出一种基于置信度传播的变分自适应协同导航方法(SWSP)。首先以置信度传播(SPBP)协同导航贝叶斯框架为基础,完成基于置信传播机制的前向滤波;随后通过IW处理过程噪声和量测噪声作为贝叶斯估计的先验信息;进而利用前向滤波值构造滑动窗口对噪声进行平滑估计,从而解决因噪声时变而造成的协同导航系统滤波精度下降问题。仿真结果表明:当噪声时变时,进行平滑操作的SWSP算法与未进行平滑操作的SPBP算法相比,位置误差降低了90%,精度更接近于最优opt SPBP算法。     

基于变分贝叶斯的DR/UTP组合导航滤波方法

针对水下无人航行器(UUV)的航位推算导航方法(DR)和水下应答器(UTP)组合导航系统中传统滤波器因观测噪声统计模型不准确或未知而出现的滤波器发散问题,提出了一种基于变分贝叶斯的平方根容积卡尔曼滤波算法,该算法利用变分贝叶斯方法对DR/UTP组合导航系统的状态和时变观测噪声进行估计,并引入自适应调节因子来提高对观测噪声的逼近精度,然后利用平方根容积卡尔曼滤波对系统状态进行更新。仿真结果表明,该滤波算法能够较好地跟踪UUV的DR/UTP组合导航系统外部观测噪声方差的不断变化,可有效提高对DR/UTP组合导航系统各参数的估计精度。     

激光SLAM自主导航的线段特征提取混合算法研究

移动机器人在未知环境中自主导航时定位需要精确的地图,同时为了构建精确的地图必须确定机器人的位姿,同时定位与地图构建(SLAM)问题便产生.基于激光雷达SLAM自主导航算法是研究的方向之一,激光雷达具有测距精度高、测距远等优点,但是由于激光雷达的数据量少、传感器本身噪声的影响,容易导致机器人构建地图精度低、定位误差大等问题.针对激光雷达的数据测得的距离信息进行线段特征提取算法,通过将常用PDBS、IEPF算法优缺点进行综合,提出了一种混合特征提取算法.最后通过对SICK的LMS111-10100激光雷达获取环境中的一组数据进行处理,分别对PDBS、IEPF算法及混合算法提取效果与实际环境对比,验证了特征提取混合算法的有效性.     

自适应渐消EKF在移动机器人SLAM中的应用

针对即时定位与地图构建(Simultaneous localization and mapping,SLAM)中经典方法的误差累积以及噪声干扰问题,提出基于自适应渐消EKF的SLAM算法。该算法通过引入自适应渐消因子,实时在线调整先验概率密度估计,减小陈旧观测信息对系统估计的影响,在保证协方差矩阵正定性的同时,达到提高SLAM算法估计精度及增强其鲁棒性的目的。通过仿真和基于开源数据集的实验,将提出的算法与EKF-SLAM和UKF-SLAM两种算法进行比较,结果表明AFEKF-SLAM算法在估计精度上优于另外两种算法。     

移动机器人过程神经网络RTK-GPS定位研究

在中国自主研发北斗三号系统已经全面运行,实现全球定位的背景下。为了进一步提高移动机器人地面终端卫星导航定位功能,针对移动机器人数据接收解析的高频振荡随机干扰信号和系统高阶动态非线性对定位导航精度的影响,提出一种利用过程神经网络的时变特性,构建动态自适应RTK-GPS(Real Time Kinematic-Global Position System)定位算法。通过现有的卫星定位终端的输入输出数据构造出神经网络模型,再利用动态误差数据为样本对这个神经网络模型进行训练校正,在卫星信号受到干扰或失锁时利用训练好的过程神经网络预测输出来抑制位置和速度误差发散,从而提高定位和导航精度。实验表明本方法在定位干扰噪声为非定常量的条件下,仍然对定位精度的提高适用有效,能显著降低定位结果误差,尤其在可观察卫星数量变化时表现出较强的鲁棒性。     

基于混沌优化MPSO的移动机器人FastSLAM算法研究

针对移动机器人快速同时定位和地图创建(FastSLAM)中粒子退化问题,提出一种基于混沌优化的中值导向粒子群优化(MPSO)算法。该算法在粒子估计过程中引入观测信息,调整粒子的提议分布,提高位置预测的准测性。混沌优化MPSO算法采用两步优化策略,首先通过中值导向加速度来改进粒子的进化速度,有效地克服粒子退化问题,改善算法的收敛性;然后针对粒子耗尽问题,在MPSO优化算法中引入混沌搜索算法来寻找全局最优位置,驱散聚集在局部最优的粒子群,使其向全局最优位置靠近,扩大解空间的范围,从而保持种群的多样性。仿真和实时数据证明了该方法正确、可行。     

基于地磁场的室内定位和地图构建

提出了一种利用室内地磁场的空间波动来实现即时定位和地图构建的方法。为了能增加定位精度和减少计算量,本文依据地磁场传感器能够测量地磁3个正交方向上的分量和不同的权重计算方式改进了粒子滤波算法,并结合克里金法对地磁地图进行更新。在定位阶段,利用改进的粒子滤波来估计机器人的位置,算法的收敛速度每次约加快0.5 s和定位误差约减少3.5 m;在构造地图阶段,利用克里金空间插值法来实现的空间波动地磁地图的更新较其他插值算法更灵活,且经过插值后的地图更有助于提高机器人的定位精度。通过MATLAB仿真实验,证明了该方法能够准确快速地对机器人定位,并且通过机器人观测值和里程计数据实时地构建连续一致的地图。     

构建移动机器人地图的多传感信息融合算法研究

多传感信息融合算法常用于构建移动机器人的地图。分析了移动机器人研究中常用传感器的工作原理,基于四轮移动机器人在转弯过程中存在的滑移现象,采用扩展卡尔曼滤波器算法将里程计信息与惯性测量单元信息融合,得到新的里程计信息,并采用Rao-Blackwellized粒子滤波器算法使激光传感器观测模型与新的里程计信息融合,构建得到精度较高的环境地图。试验结果表明,采用多传感信息融合算法进行移动机器人地图构建是行之有效的。     

基于稀疏直接法和图优化的移动机器人SLAM

针对目前移动机器人同时定位和三维稠密地图构建算法中存在的计算复杂、实时性差的问题,提出一种基于RGB-D数据的实时的同时定位与地图构建(SLAM)算法。首先提取RGB图像中的FAST特征点,并计算特征点的3D位置,接着采用直接法最小化光度误差来估计相机的位姿变换,然后根据位姿变换的大小提取关键帧。为了减小移动机器人运动过程中的累积误差,提出基于词袋模型的闭环检测方法,并采用通用图优化(g2o)框架进行位姿图优化。实验结果表明,所提算法能够大大提高SLAM系统的实时性,并构建稠密化的三维环境地图。     

Robust Iterated Sigma Point FastSLAM Algorithm for Mobile Robot Simultaneous Localization and Mapping

Simultaneous localization and mapping (SLAM) is a key technology for mobile robots operating under unknown environment. While FastSLAM algorithm is a popular solution to the SLAM problem, it suffers from two major drawbacks: one is particle set degeneracy due to lack of observation information in proposal distribution design of the particle filter; the other is errors accumulation caused by linearization of the nonlinear robot motion model and the nonlinear environment observation model. For the purpose of overcoming the above problems, a new iterated sigma point FastSLAM (ISP-FastSLAM) algorithm is proposed. The main contribution of the algorithm lies in the utilization of iterated sigma point Kalman filter (ISPKF), which minimizes statistical linearization error through Gaussian-Newton iteration, to design an optimal proposal distribution of the particle filter and to estimate the environment landmarks. On the basis of Rao-Blackwellized particle filter, the proposed ISP-FastSLAM algorithm is comprised by two main parts: in the first part, an iterated sigma point particle filter (ISPPF) to localize the robot is proposed, in which the proposal distribution is accurately estimated by the ISPKF; in the second part, a set of ISPKFs is used to estimate the environment landmarks. The simulation test of the proposed ISP-FastSLAM algorithm compared with FastSLAM2.0 algorithm and Unscented FastSLAM algorithm is carried out, and the performances of the three algorithms are compared. The simulation and comparing results show that the proposed ISP-FastSLAM outperforms other two algorithms both in accuracy and in robustness. The proposed algorithm provides reference for the optimization research of FastSLAM algorithm.     

基于扩展Kalman滤波器算法的移动机器人同步定位与建图

针对移动机器人的同步定位与建图（SLAM）问题,提出了一种基于改进的扩展Kalman滤波算法的同步定位与建图方法。通过建立基于直线特征提取的机器人观测模型,推导了SLAM建图的预测和更新算式,设计了基于特征点数目的SLAM预测与更新率算子,实现了移动机器人的同步定位与建图。实验结果表明该方法有效、可行。     

基于Kinect传感器的移动机器人自主导航研究

未知环境移动机器人自主导航是当前的研究热点.同步定位与建图是实现移动机器人自主导航的关键环节.目前,许多学者通过激光测距仪、声呐、相机等设备来研究同步定位与建图.本文提出了由一台笔记本控制携带Kinect传感器移动机器人获取信息,再通过独立工作站创建未知环境全局地图的方案.其中,笔记本获取的信息(深度数据)通过无线传输给工作站.Gmapping(一种高效的Rao-Blackwellized粒子滤波器将激光扫描数据生成栅格地图)参数被优化来提高地图创建质量和激光扫描数据精度.通过Turtlebot进行实验验证了本文所提方案的有效性.     

基于单目视觉直线跟踪的SLAM实现

同时定位和地图生成问题(SLAM)是移动机器人的一个基本问题,有着广阔的应用背景.由于视觉传感器具有成本低、信息丰富的特点,是当前SLAM问题研究的一个热点.针对视觉传感器视野小、远距离观测精度低的问题,提出了一种基于直线跟踪的单目视觉SLAM算法.该算法通过对直线特征的近距离观测和跟踪,保证了定位的精度和地图生成的效率.在Pioneer3dx机器人平台上进行的实验研究表明,该算法尤其适合于结构化环境几何地图的构建.     

基于ORB关键帧匹配算法的机器人SLAM实现

针对复杂环境下机器人的同时定位与地图构建(SLAM)存在实时性与鲁棒性下降等问题,将一种基于ORB特征点的关键帧闭环检测匹配算法应用到定位与地图构建中。研究并分析了特征点提取与描述符建立、帧间配准、位姿变换估计以及闭环检测对SLAM系统的影响,建立了关键帧闭环匹配算法和SLAM实时性与鲁棒性之间的关系,提出了一种基于ORB关键帧匹配算法的SLAM方法。运用改进ORB算法加快了图像特征点提取与描述符建立速度;结合相机模型与深度信息,可将二维特征图像转换为三维彩色点云;通过随机采样一致性(RANSAC)与最近迭代点(ICP)相结合的改进RANSAC-ICP算法,实现了机器人在初始配准不确定条件下的位姿估计;使用Key Frame的词袋闭环检测算法,减少了地图的冗余结构,生成了具有一致性的地图;通过特征点匹配速度与绝对轨迹误差的均方根值对SLAM系统的实时性与鲁棒性进行了评价。基于标准测试集数据集的实验结果表明,ORB关键帧匹配算法能够有效提高SLAM系统建图速度与稳定性。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

一种基于增广EKF的移动机器人SLAM方法

针对移动机器人同步定位与地图构建(SLAM)过程中系统测程法误差累积问题,采用测程法误差模型和车轮速度误差模型的映像关系,结合增广扩展卡尔曼滤波(AEKF)算法结构和实际机器人模型,提出了一种有效提高定位精度的SLAM方法。将机器人速度校正参数附加到卡尔曼滤波算法的向量空间中,以形成增广状态空间,同时预测和更新了SLAM初始状态空间和速度校正参数,笔者在线实时修正机器人的速度和航向角,避免积累航向角误差,从而降低了测程法误差。基于均方根误差和归一化估计方差进行了仿真实验分析,研究结果表明:与EKF-SLAM相比,所提出的方法具有更好的估计性能,使算法保持良好的一致性,大幅度提高了机器人自身定位精度和路标估计准确度。     

全天候移动车间巡检机器人目标定位算法

全天候移动车间巡检机器人移动轨迹复杂,为获取高精度的巡检机器人目标定位结果,提出一种全天候移动车间巡检机器人目标定位算法。优先标定得到移动车间环境的相机,获取相机参数,通过高低纹理匹配完成移动车间环境重建。然后通过相机内外参数将匹配点的图像坐标和世界坐标相关联,以此为依据估计巡检机器人的位姿。最终将得到的移动车间环境地图和周围数据相结合,采用粒子滤波算法对全天候移动车间巡检机器人位置组建的粒子群集合优化处理,通过不断迭代更新,输出目标定位结果。结果表明,所提算法可以有效降低巡检机器人目标定位时间以及联合定位误差,获取准确率更高的目标定位结果。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。