基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。     

基于启发式的多机器人SLAM地图融合方法研究

同步定位和地图构建（simultaneous localization and mapping,SLAM）是移动机器人在未知环境中完成地图构建和定位任务的关键技术。针对多机器人SLAM中的地图融合问题,提出一种启发式的搜索方法引导局部地图的重复区域进行地图融合。每个机器人可以在不了解其相对位置的情况下建立局部地图,并将局部地图信息发送至同一工作站中,以局部地图的相似性为判断指标融合得到最优的全局地图。在机器人实物平台上进行验证,结果证明了多机器人SLAM的地图融合算法的有效性和准确性。     

基于粒子滤波的机器人定位及动态目标跟踪

提出了一种基于粒子滤波的动态跟踪算法,解决了传统SLAM理论在处理动态目标时误差不断累加的问题。通过分析移动机器人和激光测距仪,里程计的原理,建立了机器人的运动和观测模型。将数据关联的方法用于动态环境中则提高了系统的稳定性和定位的精度。仿真结果表明此算法能够比较精确地估计出机器人的位姿以及动态目标在地图中的位置,为开展将静态与动态相结合的定位与地图构建的研究提供了一种可行方案。     

基于空间域划分的分布式SLAM算法

针对同步定位与地图构建(simultaneous localization and mapping, SLAM)中状态量高维时变的问题,本文通过综合集中式和分布式实现结构的各自优势,提出了一种基于空间域划分的分布式SLAM算法。该算法依据两个路标点与机器人连线之间的夹角,将整个空间域中的路标点进行区域划分,保证每个子空间域内含有两个不共线的路标点,并将每个空间域内的路标点组合构建观测模型,采用分布式无味粒子滤波器进行机器人位姿的估计,而采用联邦Kalman滤波完成对路标点的估计,并通过设计各子滤波器中粒子分布的调整方式改善了系统在动态重构过程的精度和稳定性。最后,通过实际数据的仿真试验证明所提算法具有更好的实时性和滤波精度。     

基于多次测量更新的移动机器人SLAM仿真

针对移动机器人同时定位与地图构建(SLAM)技术中,非线性系统进行线性化处理所产生的线性化误差问题,从费切尔信息角度分析,提出多次测量更新算法.该算法利用滤波中预测和各次更新阶段状态向量的费切尔信息加权关系,解算每次测量更新后的状态估计,通过多次将更接近于真实状态的估计值融入观测信息,可得到较高精度的后验状态估计,降低线性化误差的同时提高了机器人定位与构图准确性.实验部分实现多次测量更新与一次测量更新算法的仿真与对比,结果表明:所提算法能有效降低机器人位姿误差和地图估计误差.     

通讯范围受限条件下的多机器人主动SLAM

针对机器人通讯范围受限的问题,提出一种新的多机器人协作同时定位与建图(simultaneous localization and mapping, SLAM)方法。多个机器人采用基于最优控制的主动探索策略,创建自身周围区域的子地图,在每个建图周期内使用扩展的卡尔曼滤波器(extended Kalman filter, EKF)估计和维护子地图状态,并在一个周期结束后联络其通讯范围内的其他机器人,进行子地图的传递与融合。同时,为避免由通讯范围受限带来的地图过度融合问题,每个机器人保存每个建图周期内的局部子地图,待与其他机器人相遇时只传递并融合子地图的增量部分。仿真实验验证了该方法的有效性。     

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF 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,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。     

改进路径跟踪算法在机器人SLAM中的应用研究

绘制地图是自动化物流领域的重要环节，目前普遍采用即时定位与建图(SLAM)方法，但在大规模场景下，机器人常在区域边缘地带反复测扫从而积累误差，无法快速构建高精度完整地图。提出一种基于辅助路径跟踪的机器人自主建图方法，对给定的初始草图进行栅格化去噪，通过多段三次多项式对辅助路径进行拟合改进，采用改进的纯跟踪算法引导机器人建图，改善SLAM建图过程的总距离和时间。实验表明：该算法在地图完整性、准确度和建图效率方面，较现有V-SLAM、QRCode-SLAM方法均有改善，为快速高效地构建地图提供了一种可视化的双向交互途径。     

基于学习进化的机器人同时定位与地图创建

利用学习与进化结合的思想,改善基于粒子滤波的SLAM算法。在对学习与进化的关系深入分析的基础上,针对基于粒子滤波的SLAM算法,提出将滤波过程分成学习和进化两个阶段,分别给出相应算法解决粒子有效性与多样性的问题,缓解二者之间的矛盾,改善了SLAM算法的效果,增强了算法的鲁棒性,也验证了学习与进化的关系。最后,通过多次Monte-Carlo仿真实验结果表明了该算法的有效性。     

基于压缩型EKF的SLAM改进算法

针对基于压缩型扩展卡尔曼滤波(CEKF)的SLAM算法在状态增广和地图管理两方面的不足,提出了一种改进算法(ICEKF算法).读算法通过增广辅助系数矩阵即可快速完成状态增广,计算复杂度由O(N2)降低为O(NA),其中N和NA分别为全局和局部地图中的路标数.在地图管理上,ICEKF算法采用一种基于欧氏距离的局部地图动态选择方法,避免了CEKF算法对全局地图进行预先划分带来的路标分配等问题.仿真表明ICEKF算法在估计结果上与EKF算法具有一致的最优性,与CEKF算法相比计算量大大降低.     

基于迭代无迹卡尔曼滤波的SLAM算法仿真研究

对迭代无迹卡尔曼滤波算法在SLAM问题中的应用进行仿真研究。通过仿真分析发现,与一般的无迹卡尔曼滤波算法相比,迭代的算法有时无法提高SLAM的精度,继而探讨了SLAM问题中选择采用迭代算法的条件;同时针对迭代算法的观测更新阶段,用阻尼的高斯-牛顿迭代方法改进完全高斯-牛顿迭代方法,从而提出一种改进的基于迭代无迹卡尔曼滤波的SLAM算法。仿真实验对提出的迭代条件进行了验证,仿真结果表明提出的SLAM算法与无迹卡尔曼滤波算法相比,可以进一步提高SLAM问题的估计精度。     

基于实际生产过程用SLAM网络模型仿真评估FMS的可靠性

本文首先给出典型的柔性制造系统（ＦＭＳ）结构和典型的工件加工工序，并介绍与ＦＭＳ可靠性有关的基本概念。在此基础上，作者运用ＳＬＡＭ网络模型对该系统进行仿真评估，给出系统平均无故障时间（ＭＴＢＦ）、可用度和有效生产率，并考察了该系统的各组成单元可靠性因素变化对整个系统的影响。作者认为：ＳＬＡＭ网络建模和仿真是研究ＦＭＳ可靠性的一种有效手段。     

可重构星球探测机器人的OpenGL仿真实验平台研究

采用基于Visual C 和OpenGL的建模和运动仿真方法，对可重构星球探测机器人系统的三维运动仿真实验平台进行了研究，建立了一个多机器人系统的仿真实验平台。开发的实验平台可用于探索和验证机器人系统的工作原理、工作空间、多机器人协调算法、重构方法、系统集成技术等。在该平台上进行了机器人的运动学仿真和协调运动研究，验证了该仿真平台的有效性和机器人系统体系结构的合理性。     

一种通用的移动机器人路径规划仿真系统

提出了一种通用的路径规划仿真系统的设计方案，详细描述了系统的模型结构和运行方式，并介绍了系统的关键技术特点。仿真系统中算法设计独立，扩充性好，仿真功能和交互能力强大，具有并发检验能力，极大的方便了路径规划算法的研究工作，并能进一步用于多机器人的路径规划仿真研究。     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。     

基于分层SLAM的空地多智能体协同导航

针对单一智能体在导航过程中存在全球导航卫星系统（global navigation satellite system，GNSS）易受遮挡或干扰，惯性导航存在误差累积的问题，提出基于视觉的分层即时定位与地图构建（simultaneous localization and mapping，SLAM）空地多智能体协同算法。通过建立系统模型，采用基于扩展卡尔曼滤波融合欧氏点、逆深度点、锚定同质点3种不同特征点的分层SLAM算法，实现了对导航系统的辅助和增强。针对空地协同场景设计并开展了仿真实验。结果表明，空地多智能体协同算法可以将位置误差降低40%；而在使用锚定同质点以后，误识别率由49%降低至4%。实验验证该算法具有良好的定位精度、实用性和有效性。