一种基于遗传算法的FastSLAM2.0算法

FastSLAM2.0算法的重采样过程会带来“粒子耗尽”问题,为了改进算法的性能、提高估计精度,将FastSLAM2.0算法与遗传算法相结合,提出了一种解决SLAM问题的方法——遗传快速SLAM算法．针对FastSLAM2.0算法的特点,设计了一种改进的遗传算法来兼顾粒子权值和粒子集的多样性．遗传快速SLAM算法采用unscented粒子滤波器估计机器人的路径,地图估计则采用扩展卡尔曼滤波器．采用SLAM领域的标准数据集“carparkdataset”对提出的算法进行了验证,实验结果表明遗传快速SLAM算法在估计精度和一致性方面都具有较好的性能,并且算法的计算复杂度能满足实时性要求．     

基于小生境遗传优化的Rao-Blackwellised SLAM算法

同步定位与地图构建（SLAM）是实现机器人自主定位的核心问题之一,Rao-Blackwellised粒子滤波器（RBPF）作为一种SLAM定位的有效方法,被广泛应用在实时定位领域中,但由其随着粒子数目的增加会频繁重采样从而导致“粒子退化”问题。为了解决该问题,改善SLAM性能,该文提出了一种基于改进小生境遗传优化的RBPF SLAM算法INGO-RBPF,采用改进的Rao-Blackwellised粒子滤波器解决SLAM路径估计问题,采用扩展卡尔曼滤波器解决SLAM地图估计问题。最后通过MATLAB仿真表明INGO-RBPF算法具有较高的估计精度和稳定性,抗干扰能力较强,定位较准确,比较适合应用在SLAM实时定位中。     

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。     

一种改进的无人机FastSLAM1.0算法

无人机Fast SLAM1.0算法粒子滤波的预测过程没有考虑地标的观测值,并不能利用新的测量数据更新无人机的位姿,使得粒子集偏离无人机真实位姿,需要大量粒子改进粒子滤波的精度,增加了算法的计算复杂性。为此,提出采用模拟退火算法更新粒子的预测值,调整提议分布,使得粒子集中在无人机真实位姿的周围,并利用分层重采样解决粒子退化问题。在无人机环境下对该算法进行仿真研究,结果表明其估计精度明显优于Fast SLAM2.0算法,验证了算法的有效性和可行性。     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

基于引力场的粒子滤波算法

为了避免传统粒子滤波算法中粒子贫化与退化现象,提出一种基于引力场的粒子滤波算法,利用引力场算法改进粒子滤波的重采样过程,该算法中提出的移动因子能使粒子集朝着高似然区域分布移动,从而使粒子快速集中地分布在真实状态附近,同时提出的自转因子使分布在真实状态周围的粒子随机保持一定距离,避免过度集中,从而增加粒子的多样性.仿真结果表明,所提出算法不仅具有有效性,而且估计精度高,收敛速度快, 鲁棒性较好.     

一种改进的粒子滤波算法及其在说话人跟踪中的应用

针对非线性、非高斯系统状态的在线估计问题,提出一种改进的粒子滤波算法,该算法综合考虑"优选建议分布函数"和"重采样"两种并行改进滤波性能的方法.首先通过Unscented卡尔曼滤波器产生系统的状态估计,并在协方差预测阶段引入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,有效抑制了粒子退化现象;接着在重采样阶段引入MCMC(Markov Chain Monte Carlo)方法来构造马尔科夫链产生服从目标分布的粒子,使样本更加多样化,有效避免了粒子枯竭问题.最后,通过系统仿真及说话人跟踪实验,证明了该算法的有效性.     

一种改进的粒子滤波算法及其性能分析

针对非线性、非高斯系统状态的在线估计问题,提出了一种改进的粒子滤波算法。该算法采用Unscented卡尔曼滤波器（UKF）产生系统的状态估计,并在量测更新过程中加入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,较好地抑制了粒子退化问题。理论分析和实验表明：引入记忆衰减因子的粒子滤波,即衰减记忆无味粒子滤波（MAUPF）的性能明显优于标准的粒子滤波以及Unscented粒子滤波。     

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。     

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％.     

Effective cubature FastSLAM: SLAM with Rao-Blackwellized particle filter and cubature rule for Gaussian weighted integral

Simultaneous localization and mapping (SLAM) is a key technology for mobile robot autonomous navigation in unknown environments. While FastSLAM algorithm is a popular solution to the large-scale SLAM problem, it suffers from two major drawbacks: one is particle set degeneracy due to lack of measurements in proposal distribution of particle filter; the other is errors accumulation caused by inaccurate linearization of the nonlinear robot motion model and the environment measurement model. To overcome the problems, a new Jacobian-free cubature FastSLAM (CFastSLAM) algorithm is proposed in this paper. The main contribution of the algorithm lies in the utilization of third-degree cubature rule, which calculates the nonlinear transition density of Gaussian prior more accurately, to design an optimal proposal distribution of the particle filter and to estimate the Gaussian densities of the feature landmarks. On the basis of Rao-Blackwellized particle filter, the proposed algorithm is comprised by two main parts: in the first part, a cubature particle filter (CPF) is derived to localize the robot; in the second part, a set of cubature Kalman filters is used to estimate environment landmarks. The performance of the proposed algorithm is investigated and compared with that of FastSLAM2.0 and UFastSLAM in simulations and experiments. Results verify that the CFastSLAM improves the SLAM performance.     

Adaptive square-root transformed unscented FastSLAM with KLD-resampling

The FastSLAM relies on particles sampled from the proposal distribution of underlying Rao–Blackwellized particle filter, and its performance is significantly influenced by the quality and quantity of the particles. In this paper, a new improved FastSLAM is proposed based on transformed unscented Kalman filter (TUKF) and Kullback–Leibler distance (KLD) resampling method. In the proposed algorithm, a square-root extension of TUKF is used to calculate the proposal distribution and to generate credible particles. In addition, during the resampling process, the minimum required number of particles is determined adaptively by bounding the KLD error between the sample-based approximation and true posterior distribution of the robot state. Both numerical simulations and real-world dataset experiments are used to evaluate the performance of the proposed algorithm. The results indicate that the proposed algorithm achieves higher estimation accuracy and computational efficiency than conventional approaches.     

Dual FastSLAM: Dual Factorization of the Particle Filter Based Solution of the Simultaneous Localization and Mapping Problem

The process of building a map with a mobile robot is known as the Simultaneous Localization and Mapping (SLAM) problem, and is considered essential for achieving true autonomy. The best existing solutions to the SLAM problem are based on probabilistic techniques, mainly derived from the basic Bayes Filter. A recent approach is the use of Rao-Blackwellized particle filters. The FastSLAM solution factorizes the Bayes SLAM posterior using a particle filter to estimate over the possible paths of the robot and several independent Kalman Filters attached to each particle to estimate the location of landmarks conditioned to the robot path. Although there are several successful implementations of this idea, there is a lack of applications to indoor environments where the most common feature is the line segment corresponding to straight walls. This paper presents a novel factorization, which is the dual of the existing FastSLAM one, that decouples the SLAM into a map estimation and a localization problem, using a particle filter to estimate over maps and a Kalman Filter attached to each particle to estimate the robot pose conditioned to the given map. We have implemented and tested this approach, analyzing and comparing our solution with the FastSLAM one, and successfully building feature based maps of indoor environments.     

移动机器人FastSLAM算法的对比研究

为有效缓解FastSLAM1.0算法中的粒子损耗问题,提高其精度,FastSLAM2.0算法提出了一种求取重要性函数的方法.该方法利用扩展卡尔曼滤波算法对移动机器人的位姿状态进行递归估计,得到各个时刻的位姿状态的估计均值和方差,并由此构建服从高斯分布的重要性函数.该重要性函数包含了机器人位姿的历史信息和最新的观测信息,因此可以延缓粒子损耗速度.给出了FastSLAM2.0算法的具体流程,并将其仿真结果与FastSLAM1.0算法进行比较,结果表明了FastSLAM2.0算法的精度优于FastSLAM1.0算法.     

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。