改进的无迹粒子滤波算法

本文提出了一种改进的无迹粒子滤波算法(IUPF).与传统的粒子滤波算法不同,IUPF中每个粒子并不代表状态序列的一个可能实现,而是代表由初始状态以及过程噪声序列所构成的扩展过程噪声序列的一个可能实现.根据状态空间方程所属的类型,IUPF可以采用不同的无迹变换方法来设计建议分布.并借鉴了基于无迹变换的辅助粒子滤波器(UTAPF)的思想来改进重采样过程.与UPF和UTAPF相比,新算法有3处改进.第一,IUPF无需假定状态转移核函数已知,因而应用范围较UPF和UTAPF广泛.第二,IUPF的计算开销较少.第三,UPF和UTAPF中每个粒子均被假设拥有一个从其父母粒子中继承下来的状态分布,然而这种假设是否合理目前尚难定论,IUPF避免了该假设.在两组仿真实验下将新算法与其它4种算法进行比较,新算法体现了较好的估计能力.并且结果显示与UPF以及UTAPF相比,IUPF所节省的计算时间与状态向量和噪声向量的维数有关.     

蒙特卡罗粒子滤波算法应用研究

随着这些年计算机硬件水平的发展,计算速度的提高,源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来.本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念,用一系列离散的带权重随机样本近似相应的概率密度函数.由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似,所以在非线性状态估计方面比广义卡尔曼滤波更有优势.在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势.     

基于全景视觉匹配的移动机器人蒙特卡罗定位算法

本文提出了一种基于梯度直方图的全景图像匹配算法, 并将该算法与蒙特卡罗定位方法相结合, 构建了一种基于全景视觉的移动机器人定位方法. 在分析所提出的匹配算法特点的基础上建立了系统的观测模型, 推导出粒子滤波中重要权重系数的计算方法. 该方法能够抵抗环境中相似场景对于定位结果的干扰, 同时能够使机器人从“绑架”中快速恢复. 实验结果证明该方法正确、有效.     

蒙特卡罗粒子滤波算法应用研究

随着这些年计算机硬件水平的发展,计算速度的提高,源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来。本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念,用一系列离散的带权重随机样本近似相应的概率密度函数。由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似,所以在非线性状态估计方面比广义卡尔曼滤波更有优势。在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势。     

面向拥挤环境的移动机器人改进粒子滤波定位

在动态变化的拥挤环境中,移动机器人的传统地图匹配定位算法会由于观测信息的剧烈变化,导致定位性能明显下降甚至完全失效.对此本文提出了一种基于可定位性估计的改进粒子滤波定位算法.本算法一方面借助观测模型的可定位性矩阵估计激光测距仪观测数据的可信度,另一方面通过预测模型的协方差矩阵估计里程计数据的可信度,进而根据这两个指标调节观测信息对预测位姿的修正值.在多种典型走廊环境中,与经典粒子滤波定位算法做了对比实验,结果表明了本文算法对提高复杂环境下移动机器人定位性能的有效性.     

基于粒子滤波的移动机器人目标追踪控制改进算法

针对移动机器人目标追踪控制问题,以三轮全向移动智能足球机器人为研究对象,结合图像区域分割技术建立机器人运动模型和测量模型,提出基于高斯和粒子滤波的移动机器人目标追踪改进算法应用于足球机器人比赛环境。该算法将高斯和滤波中的并行扩展卡尔曼滤波用并行高斯粒子滤波代替,充分考虑当前时刻观测量对状态分布的影响,提高系统精度的同时降低滤波过程中使用的粒子数目,减轻系统计算量;仿真结果表明,该算法有效的减少足球机器人目标追踪过程中的误差和修正时间,特别是目标物体曲线行驶时,可以有效的将x轴与y轴方向的误差控制在一个较稳定的范围内,提高系统的稳定度。     

区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(Bernoulli- Upf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.     

基于MCMC的改进粒子滤波算法

针对传统粒子滤波算法建议分布函数的选取问题和粒子退化现象,提出一种基于马尔可夫蒙特卡洛思想的改进粒子滤波算法.使用基于比例对称采样方法选取Sigma点的无迹卡尔曼滤波,产生粒子滤波并建议分布函数;将似然分布自适应权值调整策略应用于权值选取步骤;采用系统重采样方法,加入了用来保持粒子多样性的马尔科夫链蒙特卡洛步骤.仿真结果表明,该算法的估计状态能够更好地吻合真实轨迹,在非线性、非高斯场合的估计性能较优.     

基于UKF和优化组合策略的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化与贫化问题,提出了一种新的改进粒子滤波算法。该算法采用无迹卡尔曼滤波、优化组合策略和标准粒子滤波相结合的方法,运用UKF产生重要性密度函数,解决标准PF算法中以先验概率密度函数作为建议分布所引发的退化问题;运用优化组合重采样策略保证所有粒子的信息以一定概率得到继承,维持粒子集中粒子的多样性。理论分析与仿真结果均表明,改进算法能有效地解决标准粒子滤波存在的粒子退化问题并避免粒子贫化现象的出现,具有更高的状态估计精度。     

面向室内移动机器人的无迹滤波实时导航方法

根据轮式移动机器人室内自主漫游的目标要求和约束条件,提出了一种新的实时导航策略,利用UKF（unscented Kalman filter）算法对置顶相机和里程计获取的移动机器人位姿信息进行在线滤波,为实现移动机器人的室内自主漫游控制进行实时导航定位．实验结果表明,提出的导航策略和实现算法满足实时性要求,具有较高的精度,可为进一步的实际应用提供参考．     

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.     

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.     

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．     

基于粒子滤波器的移动机器人定位和地图创建研究进展

首先,对粒子滤波器的原理和研究进展进行了综述．然后,介绍了基于粒子滤波器的移动机器人定位研究进展．其次,给出了粒子滤波器在移动机器人地图创建领域的最新成果．最后,对粒子滤波器在移动机器人研究领域的未来发展方向进行了展望．     

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.     

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.     

不完整地图中移动机器人蒙特卡罗定位研究*

针对移动机器人在不完整地图中定位的问题,提出了一种改进的粒子聚类蒙特卡罗定位(Monte Carlo localization, MCL)算法。在定位过程中,将机器人的位姿分为六种状态,每一种状态对应一个粒子簇。在机器人运动的过程中,这六种状态之间可以相互转移,在计算状态转移概率的基础上,实现了不完整地图中移动机器人蒙特卡罗定位算法。实验验证了该算法在解决移动机器人在不完整地图中定位问题的有效性。     

基于多传感器融合的移动机器人定位

针对移动机器人定位系统中单一传感器定位精度低与环境地图的重要性问题, 提出了一种基于多传感器融合的移动机器人定位方法. 首先, 在未知环境下, 分别利用单一里程计, 扩展卡尔曼滤波(extended Kalman filter,EKF)算法融合里程计、惯性测量单元(inertial measurement unit, ...