未知环境下的移动机器人SLAM方法

基于改进粒子滤波器,提出了一种应用于未知环境下的移动机器人的同步定位与地图创建方法.针对传统粒子滤波器经过多次迭代后粒子退化从而需要大量粒子才能提高定位精度的问题,设计了一种基于人工鱼群算法的粒子滤波算法,该方法主要利用人工鱼群算法对预估粒子进行二次更新,从而调整了粒子的分布使其更加接近真实位姿,提高机器人的SLAM性能.经过Matlab仿真实验,证明了该方法能够准确快速地对机器人定位,并且构建的地图精度也很高.     

基于差分进化的Unscented FastSLAM2.0算法

针对Fast SLAM2.0算法中重采样过程带来的"粒子耗尽"问题,将差分进化引入进来,提出一种基于差分进化的无迹Fast SLAM2.0算法。首先采用unscented粒子滤波器估计机器人的路径后验概率,然后采用扩展卡尔曼滤波器对环境路标进行估计和更新,最后引入改进的差分进化算法代替重采样过程来优化粒子。仿真实验表明,与Fast SLAM2.0算法相比,该方法提高了机器人在路径估计和路标估计上的精度,验证了算法的有效性。     

基于优化RBPF的同时定位与地图构建

以优化的Rao-Blackwellized粒子滤波器(RBPF)为基础,实现了室内移动机器人同时定位与地图构建(SLAM).结合移动机器人的运动模型和观测模型,设计一种基于退火参数优化混合提议分布的RBPF算法,以退火参数调控两者在混合提议分布中的比例,使改进的提议分布更加接近真实状态;针对重采样后粒子退化效应,提出一种基于等级的自适应局部重采样(APRR)算法.在机器人操作系统(ROS)平台上,使用配有URG激光器的Pioneer3-DX机器人对改进算法进行实验验证,结果表明:改进算法能减少所需粒子数,保持粒子多样性,降低计算复杂度,在不同环境下在线创建高精度的2-D栅格地图.     

基于分布式无味边缘粒子滤波的同步定位与地图构建

针对复杂环境下同步定位与地图构建(SLAM)中分布式粒子滤波算法存在计算量大、粒子退化严重的问题,在分布式算法的基础上结合无味粒子滤波和边缘化算法,提出了一种基于分布式无味边缘粒子滤波的算法.该算法依据分布式思想将系统分解为多个仅包含部分状态量的子系统,各子系统均采用无味粒子滤波算法进行状态估计,通过边缘化算法优化无味粒子滤波算法的边缘分布函数,主滤波器融合各子滤波器的数据计算最终结果,克服了滤波精度低、计算复杂度高的问题.最后,通过仿真试验证明改进的分布式边缘粒子滤波算法能够抑制粒子退化现象,具有较好的实时性和滤波精度,是解决SLAM的新的有效方法.     

基于粒子群优化的移动机器人SLAM方法

针对传统Rao-Blackwellized粒子滤波器存在的粒子消耗问题,提出了一种基于粒子群优化的移动机器人同步定位与制图方法. 该方法在粒子重采样过程中利用粒子群优化算法获得机器人位姿的建议分布,并引入遗传算法中的交叉和变异操作对求得的粒子集进一步优化、调整. 改进后的粒子分布保持了粒子的多样性,有效提高了机器人位姿估计的一致性. 仿真结果表明,本文提出的方法与传统Rao-Blackwellized粒子滤波器相比,能有效解决粒子耗尽问题,使机器人获得更精准的定位和更准确的地图,具有可行性、实用性.      

基于ROS的移动机器人研究与设计

本文阐述了移动机器人当前与国内外研究现状,分析了及时定位与地图构建SLAM技术的基本理论和主要算法,介绍了ROS开源机器人平台在科研和实际生产中的应用情况,总结了ROS平台上通用配置手段以及通信概念。通过在机器人系统(ROS)下进行室内环境测试,评价算法的改善效果。改进的粒子滤波定位算法能够有效减少激光雷达与地图匹配时间,超宽带技术的加入直接加速FastSLAM算法整体效率,使得滤波器无需在全局地图上检索,同时重采样时间被大大缩短了5/6左右,直接取消了机器人算法上的匹配行为。最后,本文给出开源移动机器人的系统设计方案。     

基于粒子滤波的移动机器人SLAM算法

针对FastSLAM算法对传感器精度要求较高,不适用于方向性差的超声传感器问题,提出了一种基于超声概率栅格地图环境特征点提取匹配的移动机器人粒子滤波同时定位与地图创建(SLAM)算法.该算法可分解为机器人位姿估计和环境路标估计2个部分.基于蒙特卡罗定位原理利用粒子滤波算法对机器人运动轨迹进行估计;在建立全局超声概率栅格地图的基础上,利用概率栅格地图环境特征提取算法对环境路标坐标进行估计.实验证明,该算法较好地解决了超声测距传感器由于散射角大带来的特征点估计不准的问题,对环境路标和机器人轨迹的估计都比较准确.并对移动机器人累计误差进行了有效的补偿,减少了由于累积误差造成的移动机器人轨迹扭曲失真.     

一种带重采样控制器的IMM-AUPF算法

为了减轻粒子滤波计算复杂性,提出了一种基于交互式多模型(IMM)架构的自适应Unscented粒子滤波算法(AUPF)。IMM-AUPF算法在粒子滤波重采样步骤中设计了一个重采样控制器,根据滤波性能在线调节重采样粒子的数量。并将自适应粒子滤波算法应用于交互式多模型估计方法中,有效地解决了地面机动目标跟踪问题。实验结果表明:基于粒子滤波的多模型滤波器在估计精度方面优于标准的交互式多模型滤波器,且IMM-AUPF算法在计算复杂性方面优于交互式多模型Unscented粒子滤波算法。     

基于激光雷达的停车场车辆定位算法

在停车场、隧道中GPS、Wi-Fi信号受限的情况下,提出一种基于激光雷达的车辆自主定位方法。采用激光雷达SLAM（simultaneous localization and mapping）算法,通过三维激光雷达点云匹配获取车辆的估计位姿;根据图优化方法和非线性优化方法,对所有位姿进行后端调整,进而得到分辨率可控的环境信息平面栅格地图;基于蒙特卡洛方法,采用粒子滤波器进行实时车辆定位,并提出了粒子采样的一种改善方式,实现了较高精度的激光雷达自主定位。结果表明：粒子滤波器能够有效地实现车辆在停车场等无GPS环境下的定位,定位精度在10 cm之内。     

基于优化组合重采样的粒子滤波算法

重采样过程的引入,消除了粒子滤波(PF)过程中的粒子匮乏现象,使PF方法迅速地在多个领域内得到应用,但重采样过程却削弱了粒子的多样性,从而导致滤波性能下降,甚至滤波发散.提出了一种基于优化组合的重采样方法,通过选取粒子和被抛弃粒子的适当线性组合而产生新的粒子,增加了粒子多样性,从而提高PF算法的精度.仿真结果表明,步长系数为零时,该算法等价于基本的PF算法;步长系数很大时,该算法不能收敛;在适当选择步长系数的情况下,该算法的滤波性能高于基本的PF算法.介绍了该重采样算法,仿真结果证明了该算法的有效性.