基于支持向量机的自恢复自适应蒙特卡洛定位算法

机器人定位技术对智能机器人的高效、精确和安全运行至关重要,然而在实际的定位过程中,机器人常面临“绑架”问题。为了应对这一难题,提出一种基于支持向量机(SVM)的自恢复自适应蒙特卡洛定位(SVM-SRAMCL)算法。首先,构建用于识别机器人“绑架”状态的检测模型——基于SVM的绑架检测模型(SVM-KDM);其次,通过自适应蒙特卡洛定位(AMCL)算法所得的粒子集计算粒子特性值,并作为SVM-KDM的输入,一旦检测到“绑架”事件,使用扩展卡尔曼滤波器(EKF)融合惯性测量单元(IMU)和里程计(Odom)的数据估计机器人的新位姿;最后,使用AMCL算法进行粒子预测、更新和重采样,最终实现机器人的重新定位。相较于自恢复蒙特卡洛定位(SR-MCL)算法,绑架后恢复定位所需的更新减少了4.1次,重定位的成功率提高了3个百分点。实验结果验证了所提算法在解决移动机器人的定位“绑架”问题方面具有更高的效率和成功率。

基于自适应多提议分布粒子滤波的蒙特卡洛定位算法

针对基于Cubature粒子滤波的蒙特卡罗定位(CMCL)算法存在的计算量大、实时处理能力较差的问题,提出一种基于自适应多提议分布粒子滤波的蒙特卡罗定位(AMPD-MCL)算法。该算法利用Cubature卡尔曼滤波和扩展卡尔曼滤波改进提议分布,融入当前观测信息,减弱粒子退化现象;重采样部分采用Kullback-Leibler距离(KLD)采样,根据粒子在状态空间的分布状况,在线调整下一次滤波迭代所需粒子数,从而减小计算量。仿真实验验证了自适应多提议分布粒子滤波(AMPD-PF)的有效性;同时在机器人操作系统(ROS)上进行实验,结果表明改进算法的平均定位精度达到19.891 cm,定位所需粒子数稳定在60,定位时间为45.543 s,较CMCL算法在定位精度上提高了71.03%,时间缩短了63.10%。实验结果表明,AMPD-MCL算法减小了定位误差,能实时在线调整粒子数,有效减少了算法计算量,提高了实时处理能力。

基于粒子聚合重采样的移动机器人蒙特卡洛定位

提出了一种基于粒子聚合重采样的移动机器人聚合蒙特卡洛定位(Merge Monte Carlo localization,Merge-MCL)方法.首先将移动机器人作业空间划分为离散栅格,建立栅格集,然后提出一种基于粒子空间相近性的粒子聚合技术,在保证粒子空间分布合理性的同时自适应调整粒子集规模.提出的粒子聚合重采样方法能够缓解粒子权值退化问题,并避免了传统重采样方法导致的多样性匮乏问题.仿真结果表明,粒子聚合重采样方法能够有效控制粒子集规模,聚合蒙特卡洛定位方法是鲁棒、有效的.

融入二维码信息的自适应蒙特卡洛定位算法

蒙特卡洛定位(MCL)算法存在计算量大、定位精度差的问题,由于二维码具有携带信息的多样性、二维码识别的方便性与易用性的特点,提出一种融入二维码信息的自适应蒙特卡洛定位算法。首先,利用二维码提供的绝对位置信息修正里程计模型的累计误差后进行采样;然后,采用激光传感器提供的观测模型确定粒子的重要性权重;最后,因为重采样部分采用固定样本集会导致大计算量,所以利用Kullback-Leibler距离(KLD)进行重采样,根据粒子在状态空间的分布情况自适应调整下一次迭代所需粒子数,从而减小计算量。基于移动机器人进行的实验结果表明,改进算法与传统蒙特卡洛算法相比定位精度提高了15.09%,时间缩短了15.28%。

基于禁忌搜索的车联网蒙特卡洛定位算法

在蒙特卡洛定位算法中引入禁忌搜索算法以提高车联网中快速定位的性能;自组织车联网高速移动的车辆和快速变化的网络拓扑结构,使用传统的蒙特卡洛定位算法,不能迅速地收敛位置信息;在滤波阶段引入禁忌搜索算法对传统蒙特卡洛定位算法进行改进,优化滤波排除可能性较小的位置点,获得近似最优估计位置采样集;仿真结果表明,改进后的算法在样本采集数、计算时间、定位精度等方面有了显著提升,改进后的算法能更好地解决车联网的定位问题。

基于非对称激光雷达的自适应蒙特卡洛定位算法

对于机器人,定位问题是最为重要也是最难解决的问题,蒙特卡洛算法是一种常用的机器人定位算法,在此基础上衍生出了自适应蒙特卡洛定位算法(SAMCL),该算法通过对地图的离线预处理降低实时计算负担,通过提出等能量区域采样,提高采样效率,通过对粒子的功能划分解决绑架问题。该文提出一种新的自适应蒙特卡洛定位算法iSAMCL,使用包含方向维度的三维能量地图代替二维能量地图,从而能够表示同一位置不同方向的能量,使得算法能够适应视角小于360°的传感器。最后,该文在实验室中对iSAMCL的性能进行了位置跟踪与绑架问题两项测试,得到了位置轨迹与最终位置误差数据,证明了iSAMCL的可行性。

基于频谱感知的蒙特卡洛定位算法

为在未知信号源参数的情况下,仅根据接收到的观测信号对信号进行定位,结合频谱感知得到的接收信号强度(RSSI),提出一种分布式蒙特卡洛定位算法,从无线电信号传播损耗特性的物理层面出发,结合RSSI定位和蒙特卡洛方法,将传统的测距定位转换为概率学问题,利用不同检测节点的RSSI值的比较和四分法对信号源位置进行预测,缩小采样空间,增加更多的粒子滤波要求,达到提高定位精度的目的。仿真结果表明,相比于传统定位算法,该算法定位精度高,容错性好,能够减少由RSSI测量精度不高、检测节点频繁离开或加入引起的定位误差。

蒙特卡洛定位算法融合灰色理论的巡检机器人预警方法

传统的变电站设备检测方法主要依靠人力资源,但当下,针对当前变电站巡检无人化的场景,结合变电站的内部环境特征、设备故障预警需求,提出蒙特卡洛定位算法融合灰色理论的变电站巡检机器人预警系统。为克服传统蒙特卡洛算法中机器人绑架和粒子数固定问题,提出自适应蒙特卡洛定位算法,对巡检机器人位置实时定位。克服大数据需要大量训练数据的弊端,选取对数据量要求较低的灰色预警算法,对电力设备故障进行预警。进而提出蒙特卡洛定位算法融合灰色理论的巡检机器人预警方法。通过真实场景下的路径规划,与绝缘设备状态监测实验,证明了提出的方法能有效实时返回巡检路径与设备状态巡检任务。

基于时序蒙特卡洛的WSN节点定位算法

针对无线传感器网络(WSN)中的移动节点定位问题,提出了一种将反馈时间序列与蒙特卡洛相结合的定位算法TSMCL(Feedback Time Series-Based Monte Carlo)。该算法基于目标节点1跳范围内的邻居锚节点(至少3个)反馈信号的先后顺序,构建了节点可能的初始采样区域R1,并以区域R1与蒙特卡洛采样区域R2的重叠区作为新的采样区域R,以进一步缩小采样范围、提高采样效率。仿真结果表明:与蒙特卡洛定位算法相比,提出的TSMCL算法能够减少约38%的定位误差,尤其当节点移动速度较高时,算法的收敛速度也得到了显著提升。

一种针对人形足球机器人的分域自适应蒙特卡洛定位方法

针对常规蒙特卡洛定位法中的粒子贫化和绑架问题,提出了一种分域自适应蒙特卡洛定位方法.该方法首先定义了两个用于描述粒子集合分布及其与真实位姿之间的差异的特征变量.然后根据特征变量的组合值将定位过程识别为全局定位、局部定位、局部跟踪和容错定位四种状态的交替过程,并为每种状态设计了自适应的控制策略来调整参数和重新采样规则.基于大型人形足球比赛机器人系统的物理和仿真实验的结果均表明,该定位方法有利于提高定位的准确性和实时性.同时,该方法还可以高效地解决绑架问题,提高了系统的鲁棒性.

基于LIO-SAM建图和激光视觉融合定位的温室自主行走系统

为解决传统导航方案在温室内无法应对光照变化大、作物行间距窄、接收GPS信号差等问题,该研究提出了基于即时定位与地图构建技术的激光视觉融合式自主导航算法。该系统利用三维激光雷达VLP-16(Velodyne LiDAR,VLP-16)和惯性测量单元获取温室环境信息,采用基于紧耦合的雷达惯导定位建图(tightly-coupled lidar inertial odometry via smoothing and mapping,LIO-SAM)算法构建导航地图,基于轮式里程计和视觉里程计采用扩展卡尔曼滤波器算法实现局部定位,融合激光点云配准算法和自适应蒙特卡洛定位算法实现全局定位。同时,在自主行走系统应用A*算法规划全局路径和动态窗口算法规划局部路径,从而实现自主导航。试验结果表明,LIO-SAM算法构建的温室导航地图最大相对误差、最大绝对误差和均方根误差分别为9.9%、0.081和0.063 m,在温室内改进后的定位算法横向偏差小于0.020 m,纵向偏差小于0.090 m;当自主行走系统以0.15、0.30和0.50 m/s的速度运行时,横向偏差、纵向偏差和航向偏角的平均值分别小于0.120 m、0.10 m和8.5°,标准差分别小于0.070 m、0.140 m和6.6°。该导航方案满足自主行走系统在温室内高精度建图、定位和导航的需求,可为自主移动平台提供理论与技术支撑。

基于萤火虫算法改进移动机器人定位方法研究

针对传统蒙特卡洛定位中粒子退化以及粒子贫乏造成的移动机器人定位精度下降问题,提出了利用萤火虫算法改进蒙特卡洛定位的方法。利用改进后的萤火虫算法优化粒子的采样过程,使粒子在权值更新前趋向高似然区域,并且改进了重采样策略,新的重采样可以使粒子的多样性更好。将改进后的新算法用于机器人定位实验中,结果表明新算法相比扩展卡尔曼粒子滤波在粒子数分别为10、30、50的情况下性能分别提高了20%、34%、29%,并且使用的时间更少。

使用NDT激光扫描匹配的移动机器人定位方法

提出一种将基于扫描匹配的蒙特卡洛定位方法,作为移动机器人完成自主任务的鲁棒性定位方法.采用一种新的正态分布转换(NDT)激光扫描匹配算法,将从单个激光扫描重构的2D离散数据点集转换成2维平面内分段连续可微的概率分布,并使用Hessian矩阵法与另外的扫描相匹配,可以避免点与点之间对应的复杂问题.实验结果表明,该定位算法可以利用自然环境特征有效地完成室内环境下的自主定位.

基于粒子滤波器的移动机器人定位和地图创建研究进展

首先,对粒子滤波器的原理和研究进展进行了综述.然后,介绍了基于粒子滤波器的移动机器人定位研究进展.其次,给出了粒子滤波器在移动机器人地图创建领域的最新成果.最后,对粒子滤波器在移动机器人研究领域的未来发展方向进行了展望.

GNSS失锁下融合描述子与粒子滤波的LiDAR定位方法研究

在GNSS失锁情况下,如何基于三维激光雷达进行定位,是值得关注的问题。通过点云匹配或蒙特卡洛定位(MCL)的方法进行定位,存在初值敏感、计算时间长和搜索空间大的问题。本文提出了一种定位方法,首先利用描述子初始化,确定粗略的位姿,缩小搜索空间,然后使用MCL进行精定位。通过给定描述子初值,预先计算三维网格概率,达到了缩小搜索空间、减少计算时间的效果。初步的试验结果表明,该方法在GNSS失锁情况下定位精度保持较好。

基于PMCL方法的大规模无线传感器网络移动定位机制

针对传统的蒙特卡洛(MC)移动定位方法迭代次数较多、样本数量易衰减、观测值多样性差等缺点,提出了改进的群蒙特卡洛定位(PMCL)机制:采用两重限制手段降低迭代次数;采用蒙特卡洛群对重采样进行精确匹配。基于节点密度、锚节点分布比例、样本数量等参数,对PMCL机制进行理论分析和实验仿真。PMCL机制与其他的基于序列蒙特卡洛(SMC)机制进行性能比较。结果表明:PMCL机制的延时性能得到了较大提高,且在节点移动速度较低、节点密度较大的情况下,其定位准确度也优于其他的定位机制。

基于爬山粒子群优化的移动传感网络定位算法

针对蒙特卡洛定位(Monte Carlo Localization,MCL)采样效率不高,定位精度较低的问题,提出一种新的基于爬山法优化策略的移动无线传感网络定位算法HCPSO-MCL(Hill Climbing Particle Swarm Optimization-MCL),将节点定位问题转化为全局优化问题。HCPSO-MCL算法采用基于爬山策略的混合粒子群优化算法对MCL的估计值进行修正,从而实现节点快速准确定位。实验仿真结果表明,HCPSO-MCL较之于MCL算法在定位精度上有很大改进,而且比PSO-MCL(Particle Swarm Optimization-MCL)算法有更快的收敛性。

无里程计移动机器人多传感器融合定位算法

为解决无里程计移动机器人室内定位问题,提出一种不依赖里程计数据的多传感器融合定位算法。首先,使用RF2O算法从激光雷达信息中获取移动机器人的运动数据;其次,使用扩展卡尔曼滤波融合IMU数据和RF2O算法计算的数据得到初步的定位数据;最后,使用自适应蒙特卡洛定位算法对定位数据进行修正,解决误差累计问题,得到精确的定位结果。结果表明,本文提出的定位算法可以有效降低测量误差、缩短算法运行时间,具有定位精度高且计算量小的优点,可以满足无里程计的移动机器人的定位需求。

基于激光扫描测距的机器人粒子滤波定位技术研究

传统的粒子滤波即时定位与地图构建(SLAM)算法在构建地图和目标进行自主定位时,粒子数量大,占用的内存高,重采样之后容易出现粒子匮乏现象,为了提高机器人自主定位的效率,提出了一种改进的重采样策略和粒子更新策略,融入系统模型。在装有机器人操作系统(ROS)的旅行家移动机器人上进行测试,实验结果表明:方法能够有效提升粒子滤波定位的效率。

基于路标的机器人自定位方法

介绍了一种基于路标的移动机器人自定位方法。为了解决仅仅利用视觉系统得到的路标信息使用蒙特卡洛自定位(MCL)算法进行机器人自定位时存在较大误差的问题,提出了一种将MCL算法与unscented卡尔曼滤波器相结合进行自定位的方法,将从机器人视觉系统获取的路标信息,从驱动轮码盘获取的位置信息,以及从电子罗盘获取的机器人方位信息进行有效融合,从而提高了机器人的自定位精度。实验结果表明,该方法不但可以提高机器人的自定位精度,而且具有较好的鲁棒性。