量测随机丢失下基于容积卡尔曼滤波的厚尾噪声处理方法

针对量测随机丢失和厚尾量测噪声条件下的非线性状态估计易发散问题,提出了一种新的非线性卡尔曼滤波方法。引入服从Gamma分布的辅助参数,将厚尾量测噪声建模为Student’s t分布,以解决厚尾噪声导致的状态估计易发散问题,并采用服从Benroulli分布的随机变量来描述量测信号随机丢失的现象;在量测随机丢失下,基于目标状态和未知参数建立联合后验分布,并使用变分贝叶斯方法,联合估计系统状态、量测丢失概率和未知的厚尾噪声。非线性目标跟踪仿真实验表明,提出的算法可自适应估计未知的量测丢失概率,在野值概率为5%的条件下,算法目标跟踪的位置、速度和转动速率均方根误差分别为对比算法的37%、28%和60%;在野值概率为10%的条件下,其他算法均出现了发散现象,而提出的算法依然能够以较低的误差跟踪目标,体现了所提算法良好的鲁棒性和优越性。

基于变分贝叶斯双尺度自适应时变噪声容积卡尔曼滤波的同步定位与建图算法

为解决移动机器人在同步定位与建图(SLAM)中因系统噪声和观测噪声时变导致状态估计精度降低的问题,该文提出一种基于变分贝叶斯的双尺度自适应时变噪声容积卡尔曼滤波SLAM算法(DSACKF SLAM)。该算法采用逆Wishart分布对一步预测误差协方差矩阵P_(k|k–1)和观测噪声协方差矩阵R_(k)建模,分别用来降低系统噪声和观测噪声的影响,并利用变分贝叶斯滤波实现对移动机器人状态向量X_(k),P_(k|k–1)和R_(k)的联合估计。分别在系统噪声和观测噪声时变和时不变的条件下进行仿真实验,结果表明与基于无迹卡尔曼滤波的SLAM算法(UKF SLAM)、自适应更新观测噪声的容积卡尔曼滤波的SLAM算法(VB-ACKF SLAM)相比,所提DSACKF SLAM算法在噪声时变时,平均位置误差分别减小1.54 m,3.47 m;噪声时不变时,平均位置误差分别减小0.62 m,1.41 m,证明DSACKF SLAM算法有更好的估计性能。

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.