基于幅值信息的随机有限集SLAM方法

针对水下机器人同步定位与地图创建(Simultaneous Localization and Mapping,SLAM)方法在杂波密集及地图特征点多的水下环境中,存在地图特征点以及机器人自身位置估计精度较低的问题,提出一种基于幅值信息的随机有限集SLAM (AI-PHD-SLAM)方法。该方法利用地图特征量测的幅值信息获得更准确的地图特征和杂波的似然函数用以提高SLAM过程中对特征地图的估计精度。同时研究了在已知信噪比和未知信噪比的情况下,加入幅值信息后PHD-SLAM方法性能。通过仿真实验,将所提方法与RB-PHD-SLAM方法进行比较,结果表明该方法明显改善了地图特征位置和数目的估计精度并且有效降低了计算量。

混合新生地图信息的随机有限集同步定位与地图创建方法

在密集杂波和地图特征数目多的水下环境中,针对水下机器人同步定位与地图创建(SLAM)方法存在地图特征点位置和数目以及机器人自身位置估计精度较低的问题,提出一种改进的随机有限集SLAM方法,即混合新生地图信息的随机有限集SLAM方法,该方法在概率假设密度滤波(PHD)的预测阶段,将上一时刻之前已探测到的地图信息中靠近机器人位置的地图特征加入到观测信息中,作为预测阶段的新生地图信息集合,通过增加先验信息以提高地图特征位置和数目估计精度,改善预测阶段先验信息不足的问题.仿真实验将所提方法与传统RB-PHD-SLAM方法进行比较,当机器人回到已探测过的区域时,所提方法明显改善了地图特征位置和数目的估计精度.