鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

RSSI辅助的蒙特卡罗盒定位算法

针对以蒙特卡罗为基础的几种无线传感器网络定位算法普遍存在定位精度和采样效率低的问题,文中提出了一种RSSI辅助的蒙特卡罗盒定位算法（RAMCB）。通过实验构造出符合实际环境的RSSI和距离区间的映射关系数据库;在定位阶段,未知节点利用来自一跳和两跳锚节点的RSSI值查询数据库,得到与一跳和两跳锚节点的距离区间,利用距离区间建立更为精确的采样箱,以提高采样效率;未知节点根据样本到一跳、两跳锚节点的估计距离和实际距离的差值来动态赋予样本的权值。仿真结果表明：RAMCB算法能有效提高定位精度和采样效率。     

采用双重采样的移动机器人Monte Carlo定位方法

移动机器人Monte Carlo定位效率受限于大量粒子的权值更新运算. 本文提出一种实现粒子集规模自适应调整的双重采样方法: 第一层基于粒子权重的固定粒子数重采样, 有效减轻粒子权值退化并保证预测阶段粒子多样性; 第二层粒子稀疏化聚合重采样, 基于粒子空间分布合理性将粒子加权聚合, 从而减少参与权值更新粒子数. 该方法通过提高粒子预测能力保证滤波精度, 通过减少权值更新运算提高了粒子滤波效率. 仿真实验表明, 双重采样方法能够有效实现粒子集规模自适应调整,采用双重采样的移动机器人Monte Carlo定位方法是高效、鲁棒的.     

一种基于运动预测的蒙特卡罗定位算法

以蒙特卡罗算法为基础的无线传感器网络移动节点定位算法普遍存在定位误差较大的问题.针对实际应用中一般的运动模型,提出一种基于运动预测的蒙特卡罗定位(MCLMP)算法,通过构建节点运动模型,进行位置预测和滤波,并对过滤后的值进行加权计算.仿真结果表明,MCLMP算法相比以往算法定位精度提高了30％以上.     

基于单目视觉的机器人Monte Carlo自定位方法

针对单目视觉机器人定位问题,提出一种基于改进的尺度不变特征变换(SIFT)的Monte Carlo自定位方法.应用改进的SIFT方法提取特征,既能保证对图像光强变化、尺度缩放、三维视角和噪声具有不变性,又能减少SIFT算法产生的特征点及其抽取和匹配的时间.在机器人移动过程中,环境特征点的观测信息和里程计信息通过粒子滤波相融合,获得了更准确的环境标志点坐标.仿真实验结果验证了该方法的有效性.     

移动无线传感网中的迭代蒙特卡罗定位算法研究

研究移动无线传感网中的节点定位问题,分析影响蒙特卡罗定位精度的两个因素:观测值和前一时刻的位置样本集,提出一种迭代蒙特卡罗定位算法。该算法中,信标节点的位置信息在每个时间段只被它的邻居节点转发一次,但是接收到该信息的其他节点会保存它们,并在下一时间段将它们与待发送/转发的信息融合成一个数据包进一步转发,增加待定位节点用于估算前几个时间段位置样本集的观测值。待定位节点再利用蒙特卡罗算法迭代计算前面时间段的位置样本集,并充分利用观测值滤除较差样本,从而提高当前时刻的定位精度。仿真实验表明改进算法提高了定位准确度。当信标节点密度较低时,更能体现改进算法的优越性。     

基于Monte Carlo的多能量级移动节点定位算法研究

提出了一种基于Monte Carlo的移动无线传感器网络节点定位算法,即移动导标周期性发射不同能量级的广播信号,未知节点接收感知范围内的导标定位信息,以确定自己所处的限定区域。利用改进的Montc Carl。方法,采用较少样本实现了节点的位置估计。为避免导标共线时出现节点定位失效的情况,引入共线度限制因子,提出了一种导标共线度约束策略。仿真实验结果表明,提出的算法具有较低的定位误差,算法在导标节点密度、运动速度、测距误差等影响因子下表现出了良好的适应性。     

基于粒子聚合重采样的移动机器人蒙特卡洛定位

提出了一种基于粒子聚合重采样的移动机器人聚合蒙特卡洛定位（Merge Monte Carlo localization,Merge-MCL）方法．首先将移动机器人作业空间划分为离散栅格,建立栅格集,然后提出一种基于粒子空间相近性的粒子聚合技术, 在保证粒子空间分布合理性的同时自适应调整粒子集规模．提出的粒子聚合重采样方法能够缓解粒子权值退化问题, 并避免了传统重采样方法导致的多样性匮乏问题．仿真结果表明,粒子聚合重采样方法能够有效控制粒子集规模, 聚合蒙特卡洛定位方法是鲁棒、有效的．     

基于Monte Carlo的非测距传感器网络定位算法

针对无线传感器网络,提出一种基于Monte Carlo方法的非测距无线传感器网络节点定位算法。该算法通过计算随机散布的粒子与锚节点之间的距离再与最大射频传送距离比较,根据权值的改变进行滤波,确定未知节点可能存在的位置。在不同粒子数和锚节点个数下,对定位算法进行了仿真,同时对锚节点比率分别为0.1~0.5的情况下,比较了该算法和DV-Hop算法的定位性能,结果表明该算法充分利用对传感器节点定位估计的有用信息,计算复杂度小,定位精度较高、健壮性好。     

基于多假设跟踪的移动机器人自适应蒙特卡罗定位研究

针对移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)算法在含有对称和自相似结构的环境中容易失败的问题, 提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法. 该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类, 每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪, 总体上形成了一组非等权的粒子滤波器, 很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题. 同时运用该核密度树实现了自适应采样, 提高了算法的性能. 针对机器人``绑架'问题对该算法作了进一步的改进. 实验结果证明了该算法的有效性.     

分布式感知协作的扩展Monte Carlo定位算法

针对移动机器人难以单纯依赖自身传感器定位的问题,提出了一种分布式感知协作的扩展Monte Carlo定位方法.在定位过程中,机器人根据感知更新前后采样分布信息熵、有效采样数目及采样分布均匀性的变化,适时地从环境传感器的检测模型进行重采样,从而有效减少其位姿估计的不确定性.在算法的具体实现过程中,采用彩色摄像头作为环境传感器,摄像头的参数由机器人进行在线标定;然后依据标定的参数获得摄像头的检测模型.实验验证了该算法在解决全局定位和机器人绑架问题时的有效性.     

基于Monte Carlo的无线传感器网络定位算法

无线传感器网络节点自身定位技术是无线传感器网络关键技术之一。针对目前各种定位算法存在定位精度较低的问题,提出了一种基于Monte Carlo方法的定位算法,该算法利用粒子到锚节点的距离计算各粒子的权值,通过滤波不断更新粒子的集合,使粒子收敛到未知节点的位置。对非视线情况、不同锚节点个数、迭代次数及粒子数进行了定位过程仿真,并和极大似然估计定位算法进行了定位结果比较。结果表明:该算法充分利用了对节点位置估计的有效信息,一定程度上抑制了非视线误差的影响,定位精度高,稳定性好。     

动态无线传感器网络的改进蒙特卡罗定位算法

针对于无线传感器网络中移动节点的定位问题,在传统蒙特卡罗定位算法的基础上,提出了一种改进算法。该算法通过构建接收信号强度指示测距模型来限制样本区域以求提高采样效率。仿真结果表明,与MCL、MCB等其他蒙特卡罗定位算法相比,改进算法在不同的时间、不同的锚节点密度、不同的节点移动速度等情况下,都具有更好的定位精度。     

基于时序蒙特卡洛的WSN节点定位算法

针对无线传感器网络（WSN）中的移动节点定位问题,提出了一种将反馈时间序列与蒙特卡洛相结合的定位算法TSMCL（Feedback Time Series-Based Monte Carlo）。该算法基于目标节点1跳范围内的邻居锚节点（至少3个）反馈信号的先后顺序,构建了节点可能的初始采样区域R1,并以区域R1与蒙特卡洛采样区域R2的重叠区作为新的采样区域R,以进一步缩小采样范围、提高采样效率。仿真结果表明：与蒙特卡洛定位算法相比,提出的TSMCL算法能够减少约38%的定位误差,尤其当节点移动速度较高时,算法的收敛速度也得到了显著提升。     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

基于禁忌搜索的车联网蒙特卡洛定位算法

在蒙特卡洛定位算法中引入禁忌搜索算法以提高车联网中快速定位的性能;自组织车联网高速移动的车辆和快速变化的网络拓扑结构,使用传统的蒙特卡洛定位算法,不能迅速地收敛位置信息;在滤波阶段引入禁忌搜索算法对传统蒙特卡洛定位算法进行改进, 优化滤波排除可能性较小的位置点,获得近似最优估计位置采样集;仿真结果表明,改进后的算法在样本采集数、计算时间、定位精度等方面有了显著提升,改进后的算法能更好地解决车联网的定位问题。     

基于蒙特卡洛方法的移动传感网节点定位优化算法

无线传感器网络正在被应用到各种各样的监测环境中,在这些应用场景中,传感器节点的位置信息大都是至关重要的.目前对传感器节点定位方面的研究大都只针对静态WSN的情况,对于移动WSN节点定位的研究仍然十分有限.该文提出了移动WSN中节点间互相优化定位的新思路,通过判断式筛选出定位精度高的节点,并协助其他节点进行定位条件的优化.所提出的算法TSBMCL通过更精确的裁剪待定位节点的蒙特卡洛盒,并增加节点的粒子滤波条件来实现节点的精确定位.大规模的仿真结果表明,该算法可精确的锁定节点位置区域,高效的采样得到节点的位置样本,相比于传统的移动WSN蒙特卡洛定位方法,大大提高了节点的定位精度.     

Monte Carlo Filter in Mobile Robotics Localization: A Clustered Evolutionary Point of View

Localization, i.e., estimating a robot pose relative to a map of an environment, is one of the most relevant problems in mobile robotics. The research community has devoted a big effort to provide solutions for the localization problem. Several methodologies have been proposed, among them the Kalman filter and Monte Carlo Localization filters. In this paper, the Clustered Evolutionary Monte Carlo filter (CE-MCL) is presented. This algorithm, taking advantage of an evolutionary approach along with a clusterization method, is able to overcome classical MCL filter drawbacks. Exhaustive experiments, carried on the robot ATRV-Jr manufactured by iRobot, are shown to prove the effectiveness of the proposed CE-MCL filter.     

Information-theoretic Approaches Based on Sequential Monte Carlo to Collaborative Distributed Sensors for Mobile Robot Localization

We consider the Sequential Monte Carlo (SMC) method for Bayesian inference applied to the problem of information-theoretic distributed sensor collaboration in complex environments. The robot kinematics and sensor observation under consideration are described by nonlinear models. The exact solution to this problem is prohibitively complex due to the nonlinear nature of the system. The SMC method is, therefore, employed to track the probabilistic kinematics of the robot and to make the corresponding Bayesian estimates and predictions. To meet the specific requirements inherent in distributed sensors, such as low-communication consumption and collaborative information processing, we propose a novel SMC solution that makes use of the particle filter technique for data fusion, and the density tree representation of the a posterior distribution for information exchange between sensor nodes. Meanwhile, an efficient numerical method is proposed for approximating the information utility in sensor selection. A further experiment, obtained with a real robot in an indoor environment, illustrates that under the SMC framework, the optimal sensor selection and collaboration can be implemented naturally, and significant improvement in localization accuracy is achieved when compared to conventional methods using all sensors.