A FastSLAM Algorithm Based on the Improved Auxiliary Particle Filter with Stirling Interpolation

The choice of the particle's distribution model and the consistency of the result are very important for FastSLAM.The improved auxiliary variable model with FastSLAM,and Stirling Interpolation which is used to approximate the nonlinear functions are provided.This approach improves the precision of the approximation for the nonlinear functions,conquers the drawback of the FastSLAM1.0 by using a model ignoring the measurement data,enhances the estimation consistency of the robot pose,and reduces the degradati...     

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.     

一种融合点线特征的视觉里程计架构设计与定位实现

基于视觉的同时定位与地图构建（SLAM）技术是实现移动机器人自主导航的关键.当机器人处在陌生环境中时,通常会利用周围目标的点特征来估计导航相机的位姿,并利用光束法平差来估计相机位姿和特征空间位置.但如果环境中的特征信息不丰富,则无法准确估计相机轨迹,且欧式坐标与反深度信息下的光束法平差部分条件下不收敛.为此,提出了一种在缺少特征点的环境下通过收集深度相机信息,同时利用点特征与线特征融合的视觉里程计,构建了融合视差角光束法平差与基于线特征的光束法平差的策略,从而使重投影误差达到最小化.最后与其他基于特征的SLAM系统进行比较,实验结果表明,在缺少特征点的真实环境中,系统位姿估计的性能与准确度得到提升.      

融合光度和深度的视觉里程计改进算法

针对视觉里程计中对纹理较少的环境难以获得高精度相机位姿的问题,提出一种融合光度和深度的视觉同步定位与绘图(SLAM)方法.首先构造基于光度和深度的相机位姿优化函数,通过t分布模型计算每个像素点的光度和深度误差权重,对每一帧图像引入帧权重系数λ来平衡光度和深度,并采用中值法求解帧权重λ,求得相机位姿.然后对10个国际标准数据集进行仿真实验,结果表明,对纹理丰富的环境,本方法能够保持DVO SLAM算法的建图精度;对纹理较少的环境,本方法的建图精度要高于DVO SLAM算法,绝对路径误差降低31.6%,相对位姿误差降低19.4%.     

移动机器人未知环境地图构建仿真平台

以matlab工具箱的形式给出了静态及动态未知环境下移动机器人地图构建的仿真研究平台。通过分析polaroid 6500声纳、电子罗盘、编码器等传感器的工作原理建立了参数可调的传感器模型。这些传感器为机器人提供位姿及环境信息。在分析已有基于hough变换的线段提取算法的基础上提出了抑止“杂线段”现象的CIHT（Cluster Inhibiting Hough Transform）算法。采用CIHT对声纳信息作环境特征提取，便于开展基于环境特征的未知环境地图构建算法方面的研究工作。     

稀疏扩展信息滤波SLAM算法的稀疏规则研究

稀疏规则是扩展信息滤波性能的关键。在现有的稀疏规则中,精确稀疏扩展信息滤波(ESEIF)的稀疏规则有较优的性能,但有其适用上的缺陷。通过将稀疏扩展信息滤波(SEIF)与精确稀疏扩展信息滤波(ESEIF)的稀疏规则结合起来,提出了一种组合的稀疏规则。该组合规则能适用于任何的探索环境,还充分利用了ESEIF稀疏规则的性能优势。最后,通过大量的Monte-Carlo仿真实验,验证了该方法的有效性。     

Robust SLAM using square-root cubature Kalman filter and Huber’ s GM-estimator

Mobile robot systems performing simultaneous localization and mapping ( SLAM) are generally plagued by non-Gaussian noise.To improve both accuracy and robustness under non-Gaussian meas-urement noise, a robust SLAM algorithm is proposed.It is based on the square-root cubature Kal-man filter equipped with a Huber’ s generalized maximum likelihood estimator ( GM-estimator) .In particular, the square-root cubature rule is applied to propagate the robot state vector and covariance matrix in the time update, the measurement update and the new landmark initialization stages of the SLAM.Moreover, gain weight matrices with respect to the measurement residuals are calculated by utilizing Huber’ s technique in the measurement update step.The measurement outliers are sup-pressed by lower Kalman gains as merging into the system.The proposed algorithm can achieve bet-ter performance under the condition of non-Gaussian measurement noise in comparison with benchmark algorithms.The simulation results demonstrate the advantages of the proposed SLAM algorithm.     

结合免疫机制的并发定位与建图多目标进化算法

由于基于进化算法的移动机器人并发定位与建图问题本质上具有多目标特性,因此将该问题转化成为多目标优化问题进行处理.为了有效地提高基于多目标进化算法的移动机器人并发定位与建图方法的效率,提出了结合免疫机制的局部搜索方法.为此,构造了称之为关键点栅格吸引操作的局部搜索方法,它运用了所针对问题的领域知识.通过移动机器人物理实验证实了所构造算法的计算代价比其他基于进化算法的单目标优化方法少,获取的地图准确性更高.     

基于粒子滤波器的SLAM的仿真研究

机器人同时定位与精确地图创建能力是自主移动机器人的先决条件。SLAM的很多实现方法无法解决有大量环境特征的环境。应用粒子滤波器和卡尔曼滤波器分别估计机器人位姿和环境特征的后验概率分布。这个算法的基础是把后验概率分解成路径的后验概率和环境特征的后验概率分布。为避免衰竭问题,在粒子滤波器的重采样阶段,除了用权值选取粒子,还在更新阶段直接注入从传感器数据生成的少量粒子。仿真结果显示这个算法可以用100个粒子处理5000个环境特征的优越性。     

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。