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.     

改进粒子滤波器的移动机器人同步定位与地图构建方法

传统的基于粒子滤波器的移动机器人同步定位与地图构建(SLAM)方法往往随着迭代次数的增加会产生粒子退化的问题,提出了一种基于人工鱼群算法与定向重采样思想的改进的粒子滤波器用于移动机器人SLAM问题。方法首先将人工鱼群算法引入到粒子滤波器中,从而使得粒子分布在重采样之前就更加接近真实情况,然后利用定向重采样的方法,使得新产生的粒子更加接近于真实的运动情况,从而提高了机器人的位置估计精度与地图创建精度。仿真实验结果证明了该方法能够得到更多的有效粒子,而且能够提高粒子的多样性,并且提高SLAM性能。     

基于优化Gmapping算法的巷道喷浆机器人建图研究

为了满足煤矿巷道喷浆机器人自主移动对精确环境地图的需求，对Gmapping算法在大场景中易发生权值退化和粒子贫化，导致机器人位姿估计误差过大以及地图重叠、分层等一致性变差的问题，提出分类回收重采样算法. 在重采样过程中，按比例将低权重粒子修正回收，充分利用现有信息，在抑制权值退化的同时尽量保护粒子多样性. 试验结果表明，在对ACES building和MIT Killian Court数据集进行建图时，对利用传统算法定位和建图效果很差的粒子数，改进后的Gmapping算法仍能将机器人平移误差和旋转误差维持在较低的水平，并能获得清晰、准确的环境地图；采用分类回收重采样算法后期粒子分布情况更加符合粒子滤波要求，验证了分类回收重采样算法的有效性.     

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。     

基于粒子群优化算法的机器人FastSLAM研究

机器人同时定位与地图构建(SLAM)问题是机器人研究领域的一个重要课题。针对传统的FastSLAM算法具有粒子退化带来的问题,将粒子群优化的思想应用到传统的FastSLAM算法——粒子滤波算法中。在预估过程中,每个粒子综合考虑个体粒子和群体粒子共同的影响,不断优化更新粒子的位置和权重值,在不需要增加粒子数量的情况下,逼近系统的真实后验概率分布,进而使机器人更接近真实系统状态分布。实验结果表明优化后的算法减小了生成地图与实际地图的误差,机器人预测的路径更优化,验证了改进方法的有效可行性。     

基于自适应粒子群优化FastSLAM算法的改进

快速同时定位与建图(FastSLAM)算法中的重采样过程会带来粒子退化和粒子多样性减弱问题,为了改进算法的性能、提高估计精度,针对FastSLAM算法的特点,设计了一种改进的FastSLAM算法,将FastSLAM算法中的粒子滤波部分用自适应粒子群优化算法来代替,并且引入了粒子的筛选区间,通过改善算法初期的粒子分布情况,以及采用交叉变异操作这种自适应优化策略来对粒子种群进行调整.最后在MATLAB仿真平台针对三种算法进行了对比并验证改进后算法的优越性,实验结果表明基于自适应粒子群优化的FastSLAM算法在估计精度和计算效率方面都具有较好的性能.     

粒子群优化的多机器人协作定位方法

针对异质多机器人具有不同的感知能力和处理能力的特点,提出一种基于粒子群优化的多机器人协作相对定位方法.该方法将常规粒子滤波方法与粒子群优化算法有机结合,通过粒子群优化方法对预估粒子进行更新,同时利用多机器人之间的相对观测信息,调整粒子的提议分布和粒子权重,增强多机器人位置预测的有效性,提高多机器人定位的精度.实时数据实验结果表明:该方法正确、可行.     

一种智能空间辅助的家庭服务机器人SLAM方法

在单机器人SLAM过程中,定位误差和建图误差随机器人运动距离增大而增大。为了有效降低SLAM误差,本文提出了一种智能空间辅助的家庭服务机器人SLAM方法。基于Rao-Blackwellized粒子滤波思想,机器人定位和建图问题被分解为两个独立环节,首先,联合机器人控制量和智能空间摄像机网络的观测值估计机器人位姿,给出了位姿粒子的采样提议分布和权值更新公式;然后,机器人利用自身位姿及对目标的观测来构建环境地图。仿真实验表明本方法有效提高了机器人的定位精度,进而得到了更加精确的环境地图。     

基于相对观测量的机器人合作FastSLAM算法

提出了一种基于相对观测量的合作快速同时定位与建图(FastSLAM)算法,即合作FastSLAM算法.给出了机器人合作定位的系统模型,假设每个机器人装配上能够测量与附近机器人之间相对位置和识别附近机器人的外部传感器.仅用机器人自身当作路标来对多机器人系统中每一个成员进行相对定位,分析了多机器人合作定位中相对观测量的约束关系.将多机器人运动信息和相对观测量与FastSLAM相结合,估计出机器人路径轨迹的后验概率分布,从而生成预测粒子,并计算每个粒子的权重,最后进行重采样使其能够递归估计修正机器人组中每个机器人的位置.仿真结果证明了该算法的有效性.     

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.      

一种改进的蝴蝶算法优化粒子滤波算法

传统的粒子滤波算法在重采样期间丢弃小重量粒子,因此重要性权重落在极少数粒子上。这会导致采样粒子贫化、粒子多样性缺失以及需要大量粒子才能进行比较准确的状态估计等问题,针对这些问题,提出了一种改进的蝶式算法优化粒子滤波算法。首先,将最新时刻观测信息引入蝴蝶香味公式中,以提高滤波精度;其次,引入吸引半径参数来控制蝴蝶种群寻优的搜索范围,降低算法的复杂度,进而提高算法的实时性;最后,将改进的蝴蝶种群位置更新公式用于优化迭代更新。实验结果表明,与经典粒子滤波器和现有蝶形优化算法相比,改进算法具有更低的均方误差和运行时间。并且在粒子数较少的情况下,可以实现更准确的状态估计,并改善传统滤波器的粒子耗尽现象,保证了粒子多样性。     

基于改进残差重采样粒子滤波的纯方位目标追踪

目标被动追踪利用持续的观测信息来估计目标的运动状态,针对此问题提出了一种改进残差重采样粒子滤波算法.算法考虑采样粒子集的空间分布特性,将粒子集空间分布分割为数量可变、可数的网格,在每个网格内运用时间序列相关性分析选择重要粒子,能够丰富采样粒子的多样性,并将该网格内所有粒子的残余权值和赋予该重要粒子,从而削弱采样粒子的退化现象,提高非线性系统状态估计精度.实验表明:当观察噪声方差小于系统噪声方差,特别是当初始采样粒子数目较小时,该算法在单站纯方位目标追踪状态估计中的精度优于传统残差重采样粒子滤波算法.     

基于自适应遗传算法的粒子滤波器

针对重采样导致的权值退化问题,应用遗传算法的进化思想来优化重采样算法,将粒子权值作为适应度值,合理设定阈值,利用最佳个体保存法保存高适应度粒子,利用自适应交叉、变异操作对低适应度粒子进行进化,将高适应度粒子与进化粒子组合成新的粒子集进行状态估计.仿真实验表明,该算法具有良好的实时性和估计精度,其状态估计精度比标准粒子滤波提高近24倍,比无迹卡尔曼粒子滤波提高近4倍,耗时约为无迹卡尔曼粒子滤波的1/10.     

雷达多目标交叉轨迹跟踪算法

针对雷达跟踪系统中的多目标运动情况,以及目标轨迹交叉重叠导致的目标丢失或跟踪错误等问题,将多目标联合状态下的加权重采样思想引入到标准粒子滤波算法中.对基本粒子滤波算法进行优化,使用离散随机变量模拟目标后验概率,存在多个目标时引入联合状态概念,用关联函数把多个目标的状态变量和观测变量表示出来,把联合状态下的采样数据加入跟踪粒子的权值更新过程,使得粒子能够根据目标间的状态变化准确预测各个目标的后验分布,从而更新目标运动估计值,避免下一时刻粒子采样分布错误.联合加权重采样优化后的粒子能够准确跟踪目标运动,粒子预测和更新也不受目标交叉运动影响,克服跟踪不稳定或跟踪误差较大的问题.仿真结果表明,改进的粒子滤波算法能够达到正确跟踪多个目标的效果,并且目标轨迹交叉时仍然能够保持较高的跟踪精确度.     

非线性系统状态突变下的非退化粒子滤波方法研究

针对粒子滤波算法中的粒子退化及重采样所引起的粒子多样性减弱问题,将粒子群优化思想融合到粒子滤波的采样阶段,提出了一种改进的基于粒子群优化的粒子滤波算法.本项工作的特色主要表现在如下相互联系的两个方面:第一,在采样前,首先取上一时刻重采样前权重最大的粒子状态作为最优值,然后根据改进算法的粒子移动策略,将上一时刻重采样后的粒子移向最优值周围的高似然区域,从而能够增加粒子的多样性和有效性,有效避免了粒子的退化;第二,构造了改进算法的建议分布,并从理论的角度证明了该建议分布的可计算性.实验结果表明,从精度和时间这两个方面的综合考虑,改进算法要优于UPF等算法,对非线性系统突变具有更强的适应性.     

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.     

基于权值选择粒子滤波算法的锂离子电池SOC估计

针对锂离子动力电池的荷电状态(SOC)估计问题,以三元锂(MNC)电池为研究对象,选用Thevenin等效电路模型,建立电池模型的状态方程和观测方程,完成了带遗忘因子的递推最小二乘法(FFRLS)的理论推导。进行电池单体混合动力脉冲功率特性测试(HPPC测试),基于测试数据和FFRLS算法完成电池模型的在线参数辨识,并通过锂离子电池的端电压精度来验证算法的可行性;在此基础上,提出一种权值选择粒子滤波(WSPF)算法来实现锂离子电池SOC估计,该算法中全部粒子都参与粒子滤波过程,但只选择较优权重粒子用于电池状态估计,从而解决粒子滤波的粒子退化问题,提高粒子的多样性。通过HPPC测试和动态工况测试(DST)结果验证,WSPF算法的估计精度能控制在2%以内。与重采样粒子滤波(SIR-PF)算法相比,WSPF算法的估计精度高,鲁棒性好。     

高斯辅助粒子算法

粒子滤波算法在处理非线性,非高斯问题的状态估计方面有独特的优势。粒子滤波方法由于存在粒子退化,粒子多样性匮乏等问题,不能准确地估计系统状态。该文提出了一种新的粒子滤波算法-高斯辅助粒子滤波算法,将即时的观测值信息引入重要性概率密度函数当中。该研究进行重采样时,用高斯变换对粒子进行了重新分布并调整重采样后的粒子权值。通过仿真实验验证该方法可以有效运用当前观测量值,优化粒子分布,在解决粒子退化问题的同时,也能维持粒子的多样性,提高滤波效率。     

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.