基于不同重采样算法的RFID指纹定位

为满足移动机器人精确定位的需求,提出一种基于不同重采样算法的粒子滤波指纹定位法。定位阶段首先利用机器人运动学建立运动模型作为粒子预测分布, 并将当前的观测信息和环境指纹融入, 以改善滤波效果, 减少所需粒子数;然后给出精致重采样(ER)算法,以提高粒子的细化能力,减少粒子匮乏效应并提高定位精度;最后分析不同重采样算法对定位精度的影响,且从不同的实验角度进一步验证定位算法的精确性以及可靠性。实验结果表明, 该算法在定位精度和鲁棒性方面都有显著提高。     

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.     

基于仿生算法改进粒子滤波的SLAM算法精度预测

为解决传统粒子滤波算法重采样时产生的样本退化及样本贫乏带来的机器人定位与建图精度下降问题,提出一种基于改进仿生算法的粒子滤波.该算法将粒子最新时刻的观测与状态信息引入亮度公式,并将萤火虫的优胜劣汰和位置更新机制融入粒子滤波算法,以提高粒子的滤波能力.为保证算法的收敛速度和预测精度,在萤火虫位置更新过程中引入自适应调整步长进行即时修正;基于标准粒子滤波重采样的缺陷,采取分步重采样策略,通过偏差修正指数加权算法制定高效的舍小保大方案,并合理使用剩余大权值粒子完成粒子的复制和添加.仿真验证表明,所提出的改进算法可以明显提高传统粒子滤波的预测精度,且应用到基于移动机器人运动模型的定位与建图时可保持较高的定位精度和较好的稳定性.     

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％.     

基于固定滞后Gibbs采样粒子滤波的移动机器人SLAM*

针对采用Rao-Blackwellized粒子滤波器的移动机器人同步定位与地图构建算法(RBPF-SLAM)所面临的粒子退化问题,提出了一种改进的采样方法。该方法在原有采样方法的基础上,加入一个用Gibbs采样实现的向后MCMC(Markov chain Monte Carlo)移动步骤,利用当前新获取的信息对机器人路径样本的最后一段进行调整,从而降低了样本退化的可能性。对比仿真实验验证了该方法的有效性。     

陪护机器人粒子滤波定位法中重采样算法研究

针对室内陪护机器人粒子滤波定位方法,研究了四种粒子滤波重采样算法:多项式重采样算法、残差重采样算法、分层重采样算法和系统重采样算法,并分别对其进行仿真比较.实验证明残差重采样算法粒子收敛速度和粒子匮乏程度取折衷,性能优于其它三种重采样算法,在此基础上利用仿真实验结果在HHR-0303服务机器人上进行了实验.实验证明采用残差重采样算法的粒子滤波算法,利用声纳配合里程计定位的方案能达到定位目的.     

基于激光扫描测距的机器人粒子滤波定位技术研究

传统的粒子滤波即时定位与地图构建(SLAM)算法在构建地图和目标进行自主定位时,粒子数量大,占用的内存高,重采样之后容易出现粒子匮乏现象,为了提高机器人自主定位的效率,提出了一种改进的重采样策略和粒子更新策略,融入系统模型.在装有机器人操作系统(ROS)的旅行家移动机器人上进行测试,实验结果表明:方法能够有效提升粒子滤波定位的效率.     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

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。     

陪护机器人粒子滤波定位法中重采样算法研究

针对室内陪护机器人粒子滤波定位方法,研究了四种粒子滤波重采样算法：多项式重采样算法、残差重采样算法、分层重采样算法和系统重采样算法,并分别对其进行仿真比较。实验证明残差重采样算法粒子收敛速度和粒子匮乏程度取折衷,性能优于其它三种重采样算法,在此基础上利用仿真实验结果在HHR-0303服务机器人上进行了实验。实验证明采用残差重采样算法的粒子滤波算法,利用声纳配合里程计定位的方案能达到定位目的。     

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC).在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度.然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度.仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403％.     

基于SSPF算法的移动机器人全局定位研究

传统粒子滤波器(PF)算法在移动机器人全局定位时会出现粒子退化和粒子耗尽问题,导致定位失败。提出了一种改进的PF算法即智能采样PF(SSPF)算法,该方法采用Unscented卡尔曼滤波器(UKF)算法和基于相关熵的自适应重采样算法相结合的方法,较好解决了传统PF算法所引起的粒子退化问题。由于重采样的一种极端情况会带来粒子耗尽问题,采用MH(metropolis hastings)算法,较好地解决了粒子耗尽问题。与以往方法相比,该方法可以实现准确性较高的移动机器人全局定位。     

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。     

列车组合定位的改进UPF算法探讨

针对传统粒子滤波缺乏当前量测信息、容易出现粒子退化现象、滤波精度不高,难以应用于GNSS/INS列车组合导航的问题,提出了一种改进粒子滤波算法.通过将无迹卡尔曼滤波框架应用到标准粒子滤波中,产生粒子的重要性函数,考虑了当前量测对状态估计的影响,改善了滤波效果.在重采样环节又融入了马尔科夫链蒙特卡洛方法,增加了采样粒子的多样性,提高了滤波的精度.结合采集某列控系统的样本数据进行仿真,结果表明:改进的UPF与传统的UPF相比,滤波效果更好,定位精度更高,在GNSS/INS列车组合定位中有更好的工程使用价值.