移动机器人SLAM问题的研究

针对移动机器人同时定位与地图创建(SLAM)的问题,就扩展卡尔曼(EKF)算法所存在的缺陷即不适合大范围环境及密集环境等特征数量较大的场合,提出了一种改进的EKF-SLAM算法;它在扩展卡尔曼(EKF)算法上采用Rao-Blackwellise的分解思想-分解估计构架,将SLAM问题分解为路径估计和地图估计两个问题从而进行预测步骤,观测步骤,更新步骤和向量增广步骤4个步骤;仿真结果显示改进的EKF-SLAM算法比EKF-SLAM算法在特征数量较大的场合更具有优异性;它大大降低了计算复杂度,提高了准确性,为在比较复杂环境下实时解决移动机器人同时定位与地图创建(SLAM)的问题提供了一种有效方法。     

一种新的抗外部干扰EKF-SLAM算法

机器人在未知环境中探索时不仅存在传感器误差，而且经常受到外部干扰的影响。传统EKF-SLAM算法没有考虑外部干扰，会导致机器人定位的失败，为此，提出一种改进的EKF-SLAM算法。采用极坐标对比前后2次观测结果来检测是否存在外部干扰。当检测到存在外部干扰时，通过膨胀系统状态的方差扩大其不确定性，使系统状态迅速收敛到真值。仿真结果表明，该算法在移动机器人SLAM的估计精度和鲁棒性两方面均优于传统的EKF-SLAM算法。     

几何扩展卡尔曼滤波算法在卫星姿态确定系统中的应用

卡尔曼滤波因其良好的性能广泛应用于卫星姿态确定中.经典的扩展卡尔曼滤波(EKF)算法在估计姿态坐标系中表示估计误差矢量,由于没有考虑到估计姿态坐标系与真实姿态坐标系之间存在偏差,从而导致姿态估计精度下降.针对这个问题,Andrle M S通过几何变换引入误差一致性表示,在此基础上,提出了几何扩展卡尔曼滤波(GEKF)算法,将姿态误差四元数和陀螺漂移增量通过几何变换进行一致性表示,解决了估计误差矢量表示不一致的问题.本文介绍了误差一致性表示的原理,并将GEKF算法应用于含常值漂移与时间相关漂移的陀螺模型中,仿真实验表明:GEKF算法比MEKF对陀螺漂移的估计更加精确,在滤波精度上取得了明显改善.     

基于迭代无迹H∞滤波的移动机器人SLAM

为缓解移动机器人同步定位与构图(Simultaneous Localization and Mapping,SLAM)在恶劣噪声干扰下存在估计精度低、不一致及鲁棒性差的问题,提出一种新颖的基于迭代无迹H∞滤波的SLAM算法。所提算法将无迹变换融入到扩展H∞滤波中,以此估计系统状态均值和协方差,无需推导Jacobian矩阵,避免了线性化误差积累,增强了算法的数值稳定性;此外,通过迭代更新方式,利用观测信息不断校正系统状态均值和协方差,进一步减小估计误差。在仿真实验中,在不同环境和不同噪声下对比分析所提算法、EKF-SLAM、UKF-SLAM及CEHF-SLAM。结果表明所提算法在不同恶劣噪声干扰下依然能保持高的估计精度和强鲁棒性,并能适应不同的环境,是一种有效且可行的SLAM算法。     

一种基于抗差EKF的移动机器人定位技术

自主机器人作业的关键问题是自身的定位问题。卡尔曼滤波可用于对系统位置进行估计。首先介绍了移动机器人同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)的一般模型及关键技术,然后介绍了扩展卡尔曼滤波(Extended Kalman Filter,EKF)的原理,通过分析粗差对EKF模型的影响,提出了抗差EKF模型。该模型根据多余观测分量及预测残差统计,构造抗差等价EKF增益矩阵,通过迭代解算给出抗差解。最后分别实现了加入粗差后的标准EKF-SLAM解决方案以及加入粗差后的抗差EKF-SLAM解决方案;模拟了自主机器人运动轨迹,并对比了两种模型对机器人定位的精确度,结果显示了抗差EKF模型的优越性。     

基于机器人运动模型的EKF-SLAM算法改进

针对两轮驱动机器人运动模型定向误差的累积问题,提出改进的三轮驱动机器人运动模型,对EKF-SLAM算法的一致性进行改进;该模型通过对机器人车轮线速度的解耦运算,将机器人运动过程中的旋转角速度提取出来并作为系统的控制输入之一,从而可以直接得到各个控制时间间隔内的机器人姿态角变化,很好地避免了机器人定向误差的累积;最后,基于归一化估计方差的检验标准进行实验,验证了三轮驱动机器人运动模型有效提高了EKF-SLAM算法的一致性。     

基于噪声缩放的自适应UKF-SLAM算法

针对扩展卡尔曼滤波(EKF)算法在移动机器人同时定位和环境建模(SLAM)中的缺点,即非线性系统简单线性化所导致的系统状态方程的不准确性、雅克比矩阵的计算所导致的计算复杂化以及噪声模型不确定性所导致的滤波稳定性降低等问题,提出一种对噪声自适应的UKF-SLAM算法。该算法通过对噪声缩放进而改变噪声模型,利用观测残差序列准确估计观测噪声模型协方差,运用预测的新息协方差和IAE开窗法求其系统状态噪声缩放因子,从而准确估计系统状态噪声模型协方差,实现对不确定的噪声模型能够自适应UKF-SLAM算法。UKF的Sigma点采样策略是比例对称采样。实验结果证明,该方法相对EKF算法和UKF算法具有较高的定位精度和自适应能力。     

基于模糊卡尔曼滤波的移动机器人定位研究

为了满足移动机器人准确定位的要求,提出了一种基于模糊卡尔曼滤波（FKF）的自定位算法。利用扩展卡尔曼滤波（EKF）算法融合里程计和声纳的观测数据,并针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于模糊逻辑的自适应调节算法。该算法通过监测新息实际方差和理论方差的一致程度,在线调整观测噪声的方差值。仿真结果表明,此方法较EKF提高了系统的定位精度和鲁棒性。     

SLAM 问题中机器人定位误差分析与控制

移动机器人同步定位与建图问题 (Simultaneous localization and mapping, SLAM) 是机器人能否在未知环境中实现完全自主的关键问题之一. 其中, 机器人定位估计对于保持地图的一致性非常重要. 本文分析了 SLAM 问题中机器人定位误差的收敛特性. 分析表明随着机器人的运动,机器人定位误差总体上逐渐增大; 在完全未知环境中无法预测机器人定位误差的上限. 根据理论分析, 本文提出了一种控制机器人定位误差在单位距离上增长速度的算法. 该算法通过搜索获得满足定位误差限制的最佳的机器人运动速度, 从而控制机器人定位误差的增长.     

基于线段特征匹配的EKF-SLAM算法

针对EKF-SLAM算法在机器人被“绑架”时失效的问题,提出一种新的基于线段特征匹配的EKF-SLAM算法——EKFLineSLAM算法.该算法在线段特征观测模型和改进的基于逐点搜索的线段提取算法的基础上,将线段特征匹配引入EKF-SLAM算法,并对线段长度和姿态角进行EKF更新,创建环境的线段特征地图.在未知室内结构化环境中,将该算法与弱匹配EKFLineSLAM算法进行比较,验证了EKFLineSLAM算法在结构化环境中克服机器人“绑架”问题的可行性和有效性.     

时钟有限自动机模型及其演化算法

传统分布仿真系统时钟不一致影响因素分析方法,已不能满足当前面向服务分布仿真的时钟状态分析需要。从系统全局时钟演化出发,阐述了时钟状态演化内涵与过程;在此基础上,基于有限自动机理论,提出了用于时钟不一致影响因素量化分析的动态演化模型及其算法:时钟有限自动机CFSA和时钟一致性演化算法CCEA。仿真实验表明:相比传统的分析方法,使用CFSA模型及其CCEA演化算法刻画系统时钟一致性状态变迁过程,探寻各种不一致因素的影响机理,量化分析各因素的影响程度等具有可行性、有效性和新颖性,可为面向服务分布仿真中时钟同步算法设计提供指导性建议。     

基于容积卡尔曼滤波的异类多传感器一致性融合算法

针对单一光频传感器获取目标特征信息存在的不一致性,提出一种基于容积卡尔曼滤波的异类多传感器一致性融合方法。首先,从原理上分析了激光、红外与雷达三类传感器量测信息的特征及其存在的差异,进而在容积卡尔曼滤波框架下,针对雷达、红外和激光探测等组成的典型目标侦测系统,结合一致性融合策略,通过对目标距离和方位信息融合处理改善目标状态估计精度。仿真结果表明：相对于传统的单传感器滤波方法,所提出的融合方法和策略具有较好的滤波性能。     

差分隐私的查询一致性约束研究

针对差分隐私直方图发布中区间查询的不一致问题,研究已有需迭代调整的局部最优线性无偏估计算法LBLUE,提出一种不需迭代且满足一致性约束查询的CA算法。通过对1棵添加Laplace噪声的满k-叉区间树进行一致性调整：先利用TDICE算法进行自顶向下的不一致估计,再利用BUCE算法进行自底向上的一致性估计,得到满足一致性约束查询的差分隐私满k-叉区间树,遍历后发布满足一致性约束查询的直方图数据。经过证明和实验分析,一致性调整后的查询区间满足一致性约束查询,且精确度优于Boost-2算法和LBLUE算法的,同时算法的时间效率高于LBLUE算法的。     

分布式虚拟环境中的一致性问题研究

一致性问题是分布式虚拟环境中的基本问题。该文分析和总结了分布式虚拟环境中不一致问题产生的原因和将导致的结果,提出用面向对象方法中的对象-属性-事件机制解决实体状态的一致性问题,用软件时钟同步的方法解决时间一致性问题。提出了一个基于回调滞后的事件定序算法,用于解决事件处理顺序的一致性问题,用坐标转换的方法解决空间一致性问题。将这些方法初步应用于一个分布交互仿真系统-综合仿真环境中,系统的运行结果证明了这些方法的有效性。     

Quantitative evaluation of model consistency evolution in compositional service-oriented simulation using a connected hyper-digraph

Appropriate maintenance technologies that facilitate model consistency in distributed simulation systems are relevant but generally unavailable. To resolve this problem, we analyze the main factors that cause model inconsistency. The analysis methods used for traditional distributed simulations are mostly empirical and qualitative, and disregard the dynamic characteristics of factor evolution in model operational running. Furthermore, distributed simulation applications （DSAs） are rapidly evolving in terms of large-scale, distributed, service-oriented, compositional, and dynamic features. Such developments present difficulty in the use of traditional analysis methods in DSAs, for the analysis of factorial effects on simulation models. To solve these problems, we construct a dynamic evolution mechanism of model consistency, called the connected model hyper-digraph （CMH）. CMH is developed using formal methods that accurately specify the evolutional processes and activities of models （i.e., self-evolution, interoperability, compositionality, and authenticity）. We also develop an algorithm of model consistency evolution （AMCE） based on CMH to quantitatively and dynamically evaluate influencing factors. Experimental results demonstrate that non-combination （33.7% on average） is the most influential factor, non-single-directed understanding （26.6%） is the second most influential, and non-double-directed understanding （5.0%） is the least influential. Unlike previous analysis methods, AMCE provides good fea- sibility and effectiveness. This research can serve as guidance for designers of consistency maintenance technologies toward achieving a high level of consistency in future DSAs.     

基于通用软件无线电外设的OFDM信道物理密钥量化分析

为了对比分析实测数据下单门限量化算法与双门限量化算法的性能差异，并通过优化量化参数改善物理密钥性能，采用通用软件无线电外设（USRP）搭建了正交频分复用（OFDM）系统，通过信道估计提取信道幅度特征作为密钥源（实测数据），从密钥一致性、密钥随机性和密钥剩余长度三个方面分析了两种量化算法的性能。基于实测数据得到了单门限量化和双门限量化下密钥一致性、密钥随机性和密钥剩余长度仿真结果。仿真结果表明：在单门限量化算法中，在给定密钥随机性约束下存在最优量化门限使得密钥不一致率最低；在双门限量化算法中，存在最优量化因子使得有效密钥长度最大化；结合Cascade密钥协商算法进行协商时，不同量化算法的密钥一致性与密钥生成速率存在折中关系。     

无人驾驶车辆局部路径规划的时间一致性与鲁棒性研究

在无人驾驶系统中,局部规划在跟踪全局路径的同时完成避障,提高了规划系统在动态未知环境中的工作能力.避障分析的有效性是局部规划最重要的功能之一.然而在仿真和实车测试中发现,广泛使用的基于优化求解的局部规划算法无法在不依赖全局精确定位时保证规划结果满足时间一致性要求.时间不一致将导致车辆的实际行驶路线偏离初始规划结果,造成避障分析失效.本文设计了基于前向预测的局部路径规划算法,在不依赖全局精确定位的前提下保证规划结果的时间一致性.除了时间一致性问题外,跟踪控制误差也是导致规划结果避障分析失效的主要原因之一.现有研究大多通过膨胀障碍物体现误差的影响,然而这种方法无法避免车辆驶入膨胀危险区域而停车.本算法在路径生成过程中增加误差影响,用通行区域代替原有不具有宽度的规划路径进行避障分析,既可以解决误差导致的避障失效,又避免出现膨胀障碍物带来的问题.通过V-Rep软件与实车规划程序进行联合仿真,在能够体现时间一致性影响的典型场景中对本算法与基于最优化曲线生成的局部路径规划算法进行比较, 验证了该算法具有更好的安全分析有效性.应用本算法的北京理工大学无人驾驶平台参加了2013年智能车未来挑战赛,在无人干预的情况下顺利完成 18公里城郊赛段和5公里城市赛段行驶,展现了良好的避障能力.     

自适应组件副本选择模型及算法

提出了一个基于域的自适应副本选择模型DARSM(domain based adaptive replica selection model).该模型将组件副本划分为强一致性域和弱一致性域,域间通过一致性窗口机制进行状态同步.基于DARSM模型,给出了一种基于分区加权的自适应副本选择算法PWARS(partition-weighted based adaptive replica selection,).该算法利用动态性能度量信息来选择满足时间约束和一致性约束的组件副本集合.为了适应请求一致性约束的动态变化,还提出了一致性窗口自适应重配算法CWAR(consistency window adaptive reconfiguration).通过引入的一个一致性约束的可能性模型,该算法动态地对一致性窗口进行重配,从而实现了副本一致性的自适应控制.通过在OnceAS应用服务器集群中的原型实验及性能评价,表明该方法能够明显地提高副本选择的性能.     

一种基于回调滞后的事件定序新算法

在分布式虚拟环境(DVE)中，各节点的时间和事件处理顺序的不一致，将严重影响仿真结果。为解决这些不一致问题，分析了DVE中不一致问题产生的原因，给出了一种软件时钟同步的方法，解决了时间一致性问题；提出了一个基于回调滞后的事件定序新算法，解决了因网络延迟而造成的事件处理顺序的不一致问题。将这些方法初步应用于分布交互仿真系统一综合仿真系统(Synthetic Simulation Sysem，SSS)中，系统的运行结果证明了这些方法的有效性。