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。     

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％.     

粒子群优化的同时定位与建图方法

提出一种粒子群优化的同时定位与建图方法,该方法将粒子群优化思想引入到机器人同时定位与建图算法中。通过粒子群优化方法对预估粒子进行更新,调整粒子的提议分布,从而使得采样粒子集中于机器人的真实位置附近。通过对粒子集的优化,有效地克服粒子贫乏问题,并且减少所使用的粒子数以及计算的时间复杂度。经过仿真实验,验证该方法的正确性和可行性。     

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.     

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。     

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.     

基于改进粒子群最优化算法的Gmapping研究

传统的Gmapping算法在RPPF-SLAM的基础上改进了提议分布与重采样策略,提升了算法性能。但是Gmapping在频繁地进行粒子迭代过程中会出现粒子退化现象,导致正确的粒子被丢弃或者粒子的多样性下降,直接影响到建图效果。针对上述问题提出了一种融合改进粒子群最优化算法的粒子滤波SLAM算法,采用PSO算法对采样后的粒子群进行更新,并且对不同权重大小的粒子进行粒子分层,依据分层结果优化重采样策略,保证粒子在高似然区域的占比同时也改善了粒子的多样性。在MATLAB上对改进粒子群优化算法进行仿真实验,结合搭载ROS系统的移动机器人实现真实环境的定位与建图。实验结果表明改进后的算法有着更高精度的定位与更精确的建图效果。     

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。     

基于粒子群优化的Rao-Blackwellized粒子滤波SLAM算法

为了实现在高相似度环境中移动机器人精确高效的自定位与建图,提出了一种基于粒子群优化（ PSO）的Rao-Blackwellized粒子滤波同步定位与地图构建（ SLAM）算法。利用激光扫描数据校正里程计信息,得到多模态的似然函数,克服相似环境对机器人定位的影响;利用粒子群优化算法提高常规粒子滤波器的估计性能,使得高似然采样集向各个后验概率密度分布取值极大的区域运动,同时保持低似然粒子多样性,从而在一定程度上克服粒子贫乏问题,并且显著地降低精确定位所需的粒子数。对所提算法与Gmapping算法在MIT数据集上进行仿真对比实验,结果表明了该算法的可行性和有效性。     

移动机器人在未知环境下的同步定位与地图重建方法

在标准FastSLAM中,随着重采样次数的增加会出现十分严重的粒子退化现象,从而导致机器人位姿估计的一致性很差.针对FastSLAM算法的这一缺陷,提出一种改进的FastSLAM算法.此算法在标准FastSLAM的重采样条件判断中,额外考虑了粒子权重协方差和每个粒子的测量残余一致性,并且使用指数等级选择算法进行新粒子的生成.通过仿真实验可以看出,改进的FastSLAM算法不但可以明显地提高机器人位姿估计的一致性,而且能够很好地保持粒子多样性.     

Dynamic Modeling of a Class of Continuum Manipulators in Fixed Orientation

A novel simultaneous localization and mapping (SLAM) technique based on independent particle filters for landmark mapping and localization for a mobile robot based on a high-frequency (HF)-band radio-frequency identification (RFID) system is proposed in this paper. SLAM is a technique for performing self-localization and map building simultaneously. FastSLAM is a standard landmark-based SLAM method. RFID is a robust identification system with ID tags and readers over wireless communication; further, it is rarely affected by obstacles in the robot area or by lighting conditions. Therefore, RFID is useful for self-localization and mapping for a mobile robot with a reasonable accuracy and sufficient robustness. In this study, multiple HF-band RFID readers are embedded in the bottom of an omnidirectional vehicle, and a large number of tags are installed on the floor. The HF-band RFID tags are used as the landmarks of the environment. We found that FastSLAM is not appropriate for this condition for two reasons. First, the tag detection of the HF-band RFID system does not follow the standard Gaussian distribution, which FastSLAM is supposed to have. Second, FastSLAM does not have a sufficient scalability, which causes its failure to handle a large number of landmarks. Therefore, we propose a novel SLAM method with two independent particle filters to solve these problems. The first particle filter is for self-localization based on Monte Carlo localization. The second particle filter is for landmark mapping. The particle filters are nonparametric so that it can handle the non-Gaussian distribution of the landmark detection. The separation of localization and landmark mapping reduces the computational cost significantly. The proposed method is evaluated in simulated and real environments. The experimental results show that the proposed method has more precise localization and mapping and a lower computational cost than FastSLAM.     

快速SLAM算法的一种新的滤波架构

FastSLAM算法是同时定位与地图创建领域的一类重要方法,UPF-IEKFFastSLAM2.0算法采用UPF估计机器人的路径,地图估计则采用IEKF算法。UPF算法使粒子向后验概率高的区域运动,提高了估计精度,并且UPF算法比普通粒子滤波算法需要更少的粒子数,因而可以降低计算复杂度;IEKF算法通过迭代观测更新过程来提高估计精度。仿真实验表明,当迭代次数小于等于2时,UPF-IEKFFastSLAM2.0算法的地图估计累计时间比UPF-UKFFastSLAM2.0算法短;当迭代次数为2时,其估计精度高于UPF-UKFFastSLAM2.0算法。综合考虑估计精度和计算复杂度,认为"UPF-IEKF"是一种更合理的FastSLAM算法滤波架构。     

基于引力场优化的Unscented FastSLAM2.0算法

为了改进Unscented Fast SLAM2.0算法重采样过程中的"粒子退化"和"粒子贫化"问题,本文提出了一种基于引力场优化的Unscented Fast SLAM2.0算法.首先采用Unscented粒子滤波器替代扩展卡尔曼滤波估计移动机器人路径后验概率,然后采用扩展卡尔曼滤波器对环境进行估计更新,最后用引力场优化思想优化重采样过程:在重采样中每个采样粒子近似成宇宙灰尘,通过引力场的移动因子产生作用驱动粒子集更快朝着真实的机器人位姿状态逼近,改善粒子退化问题:通过自转因子的自转作用,避免粒子过分集中,保障了粒子多样性.实验结果表明了该算法的有效性.     

带扩展记忆的粒子群优化算法仿真分析

从心理学的角度提出带扩展记忆的粒子群优化算法（PSOEM）,以克服标准粒子群优化算法（PSO）在优化多维函数过程中粒子搜索方向性差、目的性弱的缺陷.采用扩展记忆存储粒子的历史信息,并引入参数表征扩展记忆的重要性.利用经典离散控制理论分析其定值算法的稳定范围.此算法与标准算法是同源异构的,可以与已改进的PSO算法结合使用.基准测试函数的仿真结果验证了所提出算法的有效性.     

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。     

An Efficient Computational Hybrid Filter to the SLAM Problem for an Autonomous Wheeled Mobile Robot

The using of an autonomous wheeled mobile robot (AWMR) that perform diverse processes in a numerous number of applications without human’s interposition in an unknown environment is thriving, nowadays. An AWMR can search the environment, create an adequate map, and localizing itself into this map, by interpreting the environment, autonomously. The FastSLAM is a structure for simultaneous localization and mapping (SLAM) for an AWMR. The correctness and efficiency of the estimation of the FastSLAM often depend on the accurate a previous knowledge of the control and measurement noise covariance matrices. Also, inaccurate previous knowledge may seriously degrade their efficiency. One of the major causes of losing particle manifold is sample impoverishment in the FastSLAM. These cases of the most main problems. This paper presents a robust new method to solve these problems as called Hybrid filter SLAM. In this method, for learning the measurement and control noise covariance matrices for increasing correctness and consistency are utilized Intuitionistic Fuzzy Logic System (IFLS). In order to optimize efficiency of sampling from Cuckoo Search (CS). The results of the simulation and experimental shown that the Hybrid filter SLAM is efficient than the FastSLAM that has less number of computations and good performance for the larger environment.