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．     

一种基于AMPF和FastSLAM的复合SLAM算法

为了改进快速同时定位和地图创建(FastSLAM)算法的粒子集性能、提高估计精度,提出基于AMPF和FastSLAM的复合SLAM算法.将辅助边缘粒子滤波器(AMPF)与FastSLAM架构相结合,用AMPF估计机器人位姿,单个粒子的位姿提议分布用无轨迹卡尔曼滤波估计.设计与AMPF和FastSLAM架构均兼容的采样方法和粒子数据结构,在FastSLAM框架下用扩展卡尔曼滤波递归估计地图.实验表明,该算法的粒子集性能比FastSLAM 2.0算法好,并且它的位姿估计精度高于FastSLAM 2.0算法.此外,粒子数较少时,该算法的估计精度较高,从而可适当减少粒子数目来提高算法的计算效率.     

基于概率的移动机器人SLAM算法框架

在移动机器人同时定位与地图创建(SLAM)过程中,机器人本身位置不确定,其所处环境也不可预知,针对这些不确定性因素,应用贝叶斯规则作为理论基础,建立移动机器人SLAM算法的概率表示模型,通过扩展卡尔曼滤波器实现SLAM算法,并介绍一种激光雷达数据与特征地图的数据关联方法。实验结果表明,该方法为实现SLAM算法提供了一种有效可靠的途径。     

一种基于RBUKF滤波器的SLAM算法一种基于RBUKF滤波器的SLAM算法

同时定位与建图(SLAM)是智能机器人实现真正自治的必要前提,是一个比单独研究定位或者建图更加困难的课题。该文将基于SUT变换的RBUKF滤波器应用于平面静态环境下的同时定位与建图算法,它能够在同样计算复杂度的情况下,避免基于扩展卡尔曼滤波器(EKF)SLAM算法由于线性化误差大导致滤波器发散,从而出现建图错误的缺点。基于公共数据集的实验表明该方法估计的最终地图比EKF的方法精度高。     

一种新的粒子滤波SLAM算法

粒子滤波SLAM算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是这些算法不能长时间满足一致性要求.将边缘粒子滤波技术(marginal particle filtering,MPF)运用到SLAM技术中,并利用Unscented Kalman滤波(UKF)来计算提议分布,得到了一种新的粒子滤波SLAM算法.新算法避免了从不断增长的高维状态空间采样,非常有效地提高了算法中的有效粒子数,大大降低了粒子的权值方差,保证了粒子的多样性,同时也满足一致性要求.该算法克服了一般粒子滤波SLAM算法的缺点,性能优势十分明显.     

一种改进的粒子滤波SLAM算法

传统的粒子滤波SLAM算法中,由于历史信息未被利用而导致估计精度较低。文中结合精确稀疏滞后状态信息滤波具有自然稀疏的信息矩阵因而估计精度高以及精确稀疏扩展信息滤波计算效率高的优点,将二者混合应用于粒子滤波SLAM算法中。不但充分应用信息矩阵记录的机器人位姿与特征间关系的历史信息从而提高估计的精度,而且克服机器人转动状态及环境特征疏密带来的应用缺陷。仿真与真实机器人实验的实验结果均表明文中算法的有效性与可行性。     

一种改进的粒子滤波SLAM算法

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

基于中心差分粒子滤波的SLAM算法

针对移动机器人同时定位与地图创建(Simultaneous localization and mapping, SLAM)中的FastSLAM算法, 存在非线性系统线性化处理和计算雅可比矩阵的缺点, 本文提出了基于Sterling多项式插值处理非线性系统的SLAM方法. 该方法基于Rao-Blackwellized粒子滤波框架, 利用中心差分滤波方法产生改进的建议分布函数, 提高了机器人位姿估计的精度; 利用中心差分滤波初始化特征和更新地图中的特征, 提高了地图创建的精度; 针对实际应用中存在虚假特征的情况 提出了一种有效的地图管理方法. 在同等粒子数的情况下, 该方法改进了SLAM结果的精度. 基于仿真和实际数据的实验结果验证了该方法的有效性.     

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建（SLAM）算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。     

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。     

一种基于SR-UKF的FastSLAM算法

标准FastSLAM算法存在着粒子集退化和线性化误差累积的缺陷。针对上述问题,提出了基于平方根无迹卡尔曼滤波(SR-UKF)的FastSLAM算法。SR-UKF选取一组能够代表状态向量统计特性的代表点带入非线性函数处理后重新构建出新的统计特性;使用SR-UFK取代EKF来估计每个粒子的后验位姿提议分布,可以提高粒子采样精度,减缓粒子集的退化;同时SR-UKF可以确保协方差矩阵的非负定,保证了SLAM算法的稳定性。仿真实验结果表明,基于SR-UKF的FastSLAM算法在估计精度和鲁棒性两方面均优于FastSLAM 2.0算法。     

利用FastSLAM框架的多自治水下航行器同时定位与跟踪算法

协同定位是共融机器人研究领域的重要问题.协同定位方案的制定受限于机器人间信息交互的能力.针对长时间通讯中断时多自治水下航行器(AUV)协同定位精度明显下降的问题,借鉴同时定位与制图(SLAM)方法,提出了基于FastSLAM框架的同时定位与跟踪(SLAT)算法.将主AUV视为非合作目标,在从AUV上建立起一个关于主AUV的运动估计器,利用从AUV上声呐传感器实时获取的相对量测信息,在对主AUV运动状态估计的同时,完成对从AUV自定位精度的提升.仿真实验结果表明,在长时间通讯中断发生的条件约束下,相比于传统的航位推算方法,所提出的SLATF1.0和2.0算法能够有效减小定位误差,2.0算法对于探测精度变化等因素的影响具有更好适应性.     

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.     

一种改进的FastSLAM算法

同时定位与建图是移动机器人实现真正自治的必要前提,FastSLAM作为一种成功的SLAM方法受到研究者的广泛青睐,FastSLAM将SLAM问题分为一个定位问题和一个建图问题,其中用扩展卡尔曼滤波器（EKF）实现地图陆标的估计与更新,提出了一种改进的FastSLAM方法,用UKF滤波器代替EKF实现FastSLAM中的陆标估计,使得陆标的估计精度提高,该方法同时具有UKF滤波器无需求解观测模型的雅克比矩阵的优点。     

视觉同步定位与地图重建—–基于先验信息的SIFT 匹配算法

鉴于尺度不变特征转换（SIFT）匹配算法存在计算效率不高且容易出现误匹配的问题,针对视觉同步定位与地图重建,提出了一种基于先验信息的SIFT匹配算法．该算法首先根据机器人和特征点的相对距离变化来预测尺度空间的变化;然后根据机器人和特征点的当前状态来预测特征点的图像位置;最后在预测的图像位置进行SIFT匹配．实验结果表明...     

Improved Rao-Blackwellized particle filter for simultaneous robot localization and person-tracking with single mobile sensor

A probabilistic algorithm is proposed for the problem of simultaneous robot localization and people-tracking (SLAP) using single onboard sensor in situations with sensor noise and global uncertainties over the observer’s pose. By the decomposition of the joint distribution according to the Rao-Blackwell theorem, posteriors of the robot pose are sequentially estimated over time by a smoothed laser perception model and an improved resampling scheme with evolution strategies; the conditional distribution of the person’s position is estimated using unscented Kalman filter (UKF) to deal with the nonlinear dynamic of human motion. Experiments conducted in a real indoor service robot scenario validate the favorable performance of the positional accuracy as well as the improved computational efficiency.     

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％.     

融合IMU的RGBD-SLAM算法改进研究

Kinect采集的图像数据特征点稀少或缺失时,会导致RGBD-SLAM算法的定位和3D构图发生定位失效和极大构图误差,为此提出一种结合惯性传感器IMU、体感传感器Kinect以及机器人本身运动状态的改进定位算法。通过对姿态先比较再融合,利用IMU的测量数据对位移构建预估模型,利用Kinect位姿估计的结果构建观测模型,将机器人的运动指令和运动限制作为约束条件进行扩展卡尔曼滤波(extended Kalman filter,EKF)融合,改善机器人的定位效果。实验结果表明,该方法能够有效提高机器人的定位精度,改善RGB-D SLAM算法的构图效果。     

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.