基于果蝇算法优化的移动机器人RBPF-SLAM研究

针对基于传统Rao-Blackwellized粒子滤波(Rao-Blackwellised Particle Filter,RBPF)算法的移动机器人在进行同时定位与地图构建(Simultaneous Location and Mapping,SLAM)时易发生粒子退化导致移动机器人位姿估计不准确以及地图一致性较差的问题,提出一种基于果蝇优化算法的RBPF-SLAM算法。该算法将果蝇种群觅食过程中果蝇具有的趋味特性引入RBPF算法,将粒子视为果蝇个体,粒子的适应度值作为空气中食物味道的浓度,利用果蝇优化算法的高寻优能力使粒子向高似然区域移动并不断迭代寻优,以优化粒子种群的整体分布。同时,在果蝇寻优后的新种群中引入自适应交叉变异操作,以增加种群多样性。根据粒子的适应度值确定交叉概率,对配对好的粒子进行自适应交叉操作,再根据变异概率对当前种群的最优粒子进行变异操作,选取适应度值更高的粒子作为当前最优解。采用指数函数步长公式更新粒子状态,增加寻优过程中的搜索距离,有效提高算法的收敛效率。基于ACES building和MIT Killian Court数据集的仿真实验以及移动机器人实机测试结果显示,基于果蝇优化算法的RBPF-SLAM算法在比传统RBPF-SLAM算法在粒子数减少50%以上的情况下仍可以得到效果更佳的栅格地图,并且CPU占用率更低。仿真和实验结果表明基于果蝇优化算法的RBPF-SLAM算法有效提高了滤波器的估计性能,是一种提高移动机器人位姿估计和建图精度的有效方法。