基于特征地图的移动机器人EKF-SLAM和FastSLAM算法自主导航研究

对移动机器人未知环境中自主导航和SLAM(即时定位与构图)问题进行讨论。设计了一种构建2D可视化路标特征地图的方案,该方案结合单目视觉传感器和里程计的鲁棒感知模型,建立包含世界坐标系下三维信息的路标数据库,并获得全局环境下特征地图;提出了一种基于Python平台分析移动机器人自主导航鲁棒性的方法,通过在Python平台下引入扩展模块NumPy、PyLab构建仿真平台,对不同噪声环境下EKF-SLAM(扩展卡尔曼滤波器)和FastSLAM算法的导航过程进行了研究。实验显示了构图方案和仿真平台的可行性。     

Mobile robot simultaneous localization and map building based on improved particle filter

0IntroductionA key prerequisite for a truly autonomous mobilerobot is that it can localize itself and accurately map itssurroundings[1],which is known as Simultaneous Local-ization and Mapping(SLAM),and has received consider-able attentionrecently.The first successful attempt at the SLAMproblemwas introduced by Smith who proposed usingthe extendedKalmanfilter(EKF)forincrementally estimatingthe pos-terior distribution over robot poses[2].One of the limita-tions of the EKFis that it requ…     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

基于跳距修正与差分进化优化的改进DV-Hop定位算法

为了提高传统DV-Hop(distance vector-hop)算法的定位精度,提出一种基于跳距修正和差分进化优化的改进DV-Hop(differential evolution distance vector-hop,DEDV-Hop)算法。由DV-Hop的算法原理可知,锚节点间的距离测量误差是算法定位误差的主要来源,由此根据锚节点间的不同跳数引入权重因子,从而减小平均每跳距离误差,并且利用差分进化算法对最小二乘法计算出的节点坐标进行二次优化,最终提高系统的整体定位精度。为了验证算法的有效性,在相同实验条件下,通过设置不同的定位参数将提出的算法与同类的经典算法进行实验对比。实验结果表明,DEDV-Hop算法可以有效减少节点平均定位误差,其定位精度明显优于其他几种算法。     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

动态随机选择的差分进化算法研究

如何有效地均衡可行区域与不可行区域的搜索是约束优化中的关键问题。为使进化算法获得可行的全局最优解,分析了在进化过程中如何对待好的不可行解的问题,通过分析随机排序中比较概率对可行解最终位置的影响,提出一种动态随机选择策略,并以多个体差分进化为框架实现了相应算法。实验对比分析结果说明了这一策略的有效性。     

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.     

基于差分进化算子变异的中心引力优化算法

针对中心引力优化算法易陷入局部最优这一不足,加强算法的全局寻优能力,提出一种改进的中心引力优化算法,根据差分算法本身的固有特性,通过引入差分进化算子对当前粒子位置的分量进行变异,促使算法摆脱局部最优,增强算法的全局收敛性.最后选取5个经典函数对算法进行测试,并与其他算法进行比较分析,结果证明算法的精度得到了明显提高,从而验证了该算法的有效性和可行性.     

基于耗散结构理论的差分进化算法

作为一种比较优秀的最优化方法,差分进化算法具有良好的鲁棒性、实践性和收敛性.阐述了差分进化算法的基本概念、形式,分析了传统差分进化算法的优点与不足,提出了基于耗散结构理论的差分进化优化算法.     

基于高斯分布估计的对位差分进化算法

针对差分进化算法探索能力不足、收敛慢等问题,提出一种基于高斯分布估计的对位差分进化算法.该算法在生成对位种群的同时还生成一个基于高斯分布估计的新种群,意在更充分地搜索解空间.在不满足跳转条件的情况下,算法给出一种基于高斯分布估计的种群跳转,增加了种群多样性.在选择操作时,将所有父代和子代个体混合起来择优选择,减少了部分优秀解和优秀基因的流失.最后在CEC2014标准函数中进行测试,与其他算法进行比较,验证了所提出的算法具有更好的搜索能力和收敛性.     

基于差分进化算法的单阶段投资组合优化

在建立的单阶段资产投资组合数学模型的基础上,给出一种基于风险控制的差分进化算法的求解方法．实验结果表明,该算法在此类组合优化中是高效可靠的,且易于实现．     

基于多源融合式SLAM的机器人三维环境建模

为有效处理移动机器人三维环境地图创建过程的不确定误差,提高所建地图的准确性、完整性和一致性,本文提出了一种基于传感器信息融合和Rao-Blackwellised粒子滤波(RBPF)的移动机器人三维同时定位与地图创建 (SLAM)方法. 在建立传感器不确定性概率模型的基础上,通过贝叶斯滤波实现传感器数据的去噪,将激光与视觉传感器获取的环境信息在一定的规则下融合,在SLAM框架下实现具有纹理映射的三维环境地图创建. 实验结果表明所用方法的有效性. 多源融合式自主SLAM提供了更为丰富、完备、准确的环境模型.      

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.     

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.      

基于改进粒子群算法的移动机器人定位构图研究

为深入探究粒子滤波算法,针对粒子群优化算法易陷入局部最优解问题,利用Levy步长对PSO算法的权重和学习因子进行改进,从而改善了对移动机器人位置的最优估计。基于Levy-PSO算法改进粒子群优化的FastSLAM算法,应用matlab软件平台建立地图,构建仿真环境,阐明具体的仿真流程。改进FastSLAM算法和原算法相比,平均相对误差降低了13.5%,证明了改进FastSLAM算法的有效性。通过ROS平台在室内复杂环境开展了建图实验,在建图效果、建图精度以及算法实时性上都有较好的性能指标。通过仿真实验探讨了路标数量与系统性能的关系,以及机器人运动路径与误差消除效果的关系。     

典型场景下EKF-SLAM估计一致性分析

分析了典型场景下基于扩展卡尔曼滤波的同步定位和地图创建(EKF-SLAM)算法的估计一致性.通过理论分析证明了在移动机器人保持静止并持续对一个路标进行观测的场景下,如果机器人的初始位姿协方差矩阵为对角阵,则机器人位置估计的均值和协方差保持不变,而朝向估计将逐步失去一致性.此外,通过蒙特卡罗仿真给出了机器人朝向和路标估计下界的分布情况.结果表明,两者均服从正态分布,因此EKF-SLAM算法在概率意义下给出SLAM系统状态向量的无偏估计.     

基于混合模型的移动机器人同时定位与环境建模

提出一种基于混合地图模型的融合声纳传感器观测信息与里程计信息的同时定位与环境建模(SLAM)方法.该方法用混合模型即栅格地图模型和直线特征地图模型表示环境地图.首先,采用三区域声纳模型以及贝叶斯法则构建栅格地图,并通过在空间和时间上融合不同时刻多个声纳传感器的信息提高地图精度.然后,引入霍夫变换提取直线特征,创建直线特征地图,并通过比较地图中直线段的方向相似性、共线性与交叠性,确定全局与局部地图是否匹配.最后,利用直线特征以及扩展卡尔曼滤波器(EKF),通过状态预测、观测预测、位姿更新3个阶段估计出机器人更新的位姿信息,校正构建的地图模型,从而实现机器人的同时定位与环境地图构建.仿真实验和真实环境实验验证了该算法的可行性与有效性.