Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。

基于小生境遗传优化的Rao-Blackwellised SLAM算法

同步定位与地图构建(SLAM)是实现机器人自主定位的核心问题之一,Rao-Blackwellised粒子滤波器(RBPF)作为一种SLAM定位的有效方法,被广泛应用在实时定位领域中,但由于其随着粒子数目的增加会频繁重采样从而导致粒子退化问题。为了解决该问题,改善SLAM性能,提出了一种基于改进小生境遗传优化的RBPF SLAM算法INGO-RBPF,采用改进的Rao-Blackwellised粒子滤波器解决SLAM路径估计问题,采用扩展卡尔曼滤波器解决SLAM地图估计问题。最后通过MATLAB仿真表明INGO-RBPF算法具有较高的估计精度和稳定性,抗干扰能力较强,定位较准确,比较适合应用在SLAM实时定位中。

基于Rao-Blackwellised粒子滤波的相控阵导引头指向误差斜率在线估计

针对相控阵导引头指向误差斜率对导弹制导系统带来的寄生回路振荡问题,该文提出一种指向误差斜率在线估计的算法,并能同步估计出目标状态。基于Rao-Blackwellised粒子滤波(RBPF),将指向误差斜率和目标状态同步估计问题分解为两个问题:一个是指向误差斜率的后验估计问题,另一个是以指向误差斜率估计为条件的目标状态估计问题。该文给出了算法的推导过程,并进行了数字仿真验证。仿真结果表明,该文所提算法对于相控阵导引头指向误差斜率的估计性能优良;并能同时准确估计出目标状态信息。采用此信息形成导引指令,可以消除指向误差斜率对制导系统的不利影响,提高系统的稳定性和制导精度。

基于改进粒子RBPF算法的室内自主导航灭火机器人

采用搭载ROS机器人操作系统的灭火机器人,利用改进粒子滤波器(RBPF)算法优化采样分布和采样次数,减小采样粒子的个数和粒子的退化率,实现灭火机器人对周围环境的二维栅格地图构建。同时在检测到火焰位置时,利用A*算法和DWA算法完成路径规划,使灭火机器人自发性地赶往火焰发生位置并进行灭火动作。实验表明:该灭火机器人在检测到火焰发生位置时,能较为良好地完成建图、定位、导航和灭火任务,满足实际需求,为智能灭火机器人提供了一种可行方案。

基于高斯粒子群优化的RBPF滤波算法

针对动态系统目标跟踪问题,RBPF算法通过将高维状态空间分解成易于处理的线性子部分与非线性子部分,并采取不同策略进行滤波估计。为了提高RBPF的计算效率,提出将粒子群优化思想融入到RBPF滤波估计中,凭借粒子群算法卓越的全局搜索能力,对于状态空间中非线性部分,通过粒子群算法驱使所有采样粒子向高似然区域(最优适应值区域)移动;对于线性状态部分,依然利用卡尔曼滤波进行处理。通过多组实验仿真结果对比,PSO-RBPF利用较少采样粒子、耗费较少时间即能获得极佳的估计精度。

基于RBPF和数据关联的多目标跟踪

粒子滤波用一组带有权值的随机采样点近似后验概率密度函数,实现对任意状态模型的精确估计。把Rao-Blackwellized粒子滤波与多假设跟踪算法相结合,将多目标跟踪问题分为2个部分,即数据关联中后验概率分布的估计和基于数据关联的单个目标跟踪估计。前者通过序列重要性重采样实现,后者使用卡尔曼滤波进行最小均方误差估计。实验结果表明,采用最优重要性分布可以减少计算所需粒子数和计算量。

RBPF粒子滤波在目标跟踪中的应用研究

针对雷达目标跟踪中的某一类非线性问题,传统处理方法都是先行线性化再进行处理,但当线性化后的测量噪声相关性较大时则无法满足要求。为此,应用RBPF粒子滤波进行研究。在仿真实验中对RBPF多权值的情况进行探讨,提出一种可行的处理方法。对RBPF在噪声相关性较大时的性能进行分析,并讨论其在时间推移时的相对估计误差变化情况。

结合粒子群寻优与遗传重采样的RBPF算法

针对Rao-Blackwellized粒子滤波器(RBPF)重采样过程存在粒子衰竭、提议分布精确度不高的问题,提出一种改进的RBPF算法。为提高RBPF算法提议分布精确性,在改进的算法中将机器人里程计信息和激光传感器采集的距离信息进行融合,在算法中引入粒子群寻优策略,通过粒子间能效吸引力来调整采样粒子集,同时对重采样中权值较小的粒子进行遗传变异操作,缓解粒子枯竭现象,提高机器人位姿估计一致性,并维持粒子集的多样性。在基于机器人操作系统和配有URG激光传感器的Pioneer3-DX机器人平台上对改进RBPF算法进行可靠性验证。实验结果表明,改进算法在兼顾粒子集多样性的同时能显著提高机器人位姿估计精确性。

结合退火优化和遗传重采样的RBPF算法

RBPF是一种有效解决同时定位和建图的算法。传统的RBPF算法使用的粒子数目多并且频繁地执行重采样,导致粒子退化且估计能力下降,从而构建的栅格地图精度不高。针对上述缺点,对RBPF提出优化,首先将机器人的运动模型与观测模型结合作为其混合提议分布,同时利用退火参数优化混合提议分布,调控两者在提议分布中的比例,使其更加精确;其次在重采样过程中根据粒子的权值对其进行分类,对高权重以及低权重粒子引入自适应遗传算法变异交叉操作,减少了重采样次数,有效维持了粒子多样性。在MATLAB上进行仿真验证,同时结合了Kobuki运动底盘在机器人操作系统(ROS)上进行实际验证。实验结果表明,与传统的RBPF算法相比,算法能够使用更少的粒子精确估计出机器人的位姿及路标,能够建立精度更高的栅格地图,并且具有更低的均方根误差和计算时间。

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。

基于激光雷达传感器的RBPF-SLAM系统优化设计

针对传统Rao-Blackwellized粒子滤波(RBPF)方法的同步定位和建图(SLAM)问题,提出了一种基于激光雷达的RBPF-SLAM系统优化方法,利用高精度激光雷达数据,修正了基于里程计读数的建议分布函数,减少了滤波过程所需的粒子数目;引入了自适应重采样机制,缓解由于重采样带来的粒子消耗问题。为验证改进算法性能,在搭建的差速型移动机器人平台上,进行了验证试验,结果表明:改进后的RBPF-SLAM方法,能够实时构建栅格地图,在建图效率和精度上均有明显的提升。

基于海鸥优化改进采样过程的RBPF-SLAM算法

为解决PBRF-SLAM中由于粒子退化和粒子耗尽而导致的定位失真和建图一致性差的问题,提出了基于海鸥优化和最小方差重采样的优化方法。在PRBF-SLAM的采样过程中,采样一系列辅助粒子,并利用海鸥优化算法对这些粒子进行寻优,找到估计位姿的最优解,从而避免因陷入局部极值导致的粒子退化。在PRBF-SLAM的重采样过程中,采用最小方差重采样方法替换原先的重采样方法,充分使用辅助粒子,尽可能保证重采样后粒子的多样性。利用Intel Research Lab和ACES Building公开数据集进行SLAM仿真,结果表明优化后的算法相比Gmapping算法总体的平移误差分别降低了36.36%和41.67%,总体的旋转误差分别降低了33.33%和40%。

RBPF在耐火材料声发射源信号恢复中的应用

耐火材料损伤模式识别的研究在工业生产中具有重要意义,然而在利用声发射仪器对耐火材料进行采集得到的声发射信号饱受环境噪声、声发射通道以及传感器特性的影响。为了恢复损伤源的实际声发射信号,提出了利用粒子滤波技术对采集的声发射信号进行滤波。首先在地震波模型的基础上,建立了声发射源信号的状态空间模型,然后再对确定信号的进行仿真实验,证明了粒子滤波的有效性。最后将粒子滤波用于实际声发射源信号恢复,取得了一定的效果,为后续声发射信号特征提取打下了良好基础。

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。

基于分布式感知的移动机器人同时定位与地图创建

为了创建大规模环境的精确栅格地图,提出一种基于分布式感知的两层同时定位与地图创建(SLAM)算法.在局部层,机器人一旦进入了一个新的摄像头视野,便依据机器人本体上的激光和里程计信息,采用Rao-Blackwellized粒子滤波方法创建一个新的局部栅格地图.与此同时,带有检测标志的机器人在摄像头视野内以曲线方式运动,以解决该摄像头的标定问题.在全局层,一系列的局部地图组成一个连接图,局部地图间的约束对应于连接图的边.为了生成一个准确且全局一致的环境地图,采用随机梯度下降法对连接图进行优化.实验结果验证了所提算法的有效性.

基于随机集模型的MIMO-OFDM信道估计算法

在多径分量数确定的前提下,MIMO-OFDM系统采用传统的基于导频辅助和盲信道估计算法能获得较好性能。实际无线环境中,多径分量数目与幅度都是时变的,则传统信道估计方法不再适用。该文采用随机集理论建模MIMO-OFDM系统信道多径分量数的变化和MIMO信道。基于此模型提出了集中粒子空间重采样方法(CRS),在保留大概率粒子抽样样本的同时主动抛弃小概率抽样样本,以获得更为准确的真实样本逼近。并提出了基于集中重采样Rao-Blackwellised粒子滤波的信道估计方法(RBPFC)。仿真结果表明:所提出的RBPFC方法信道估计性能最好,基本Rao-Blackwellised粒子滤波方法次之但优于基本粒子滤波算法,卡尔曼滤波的信道估计方法性能最差。

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.

Rao-Blackwellized粒子滤波的红外多个弱目标检测前跟踪

为了解决红外图像在低信噪比下的多个弱目标检测与跟踪问题,提出了基于Rao-Blackwellized粒子滤波器(RB-PF)的多目标检测前跟踪算法。定义了红外图像多个弱目标的状态及观测模型;给出了红外弱目标的RBPF状态降维方法;将状态变量分解为线性变量与非线性变量并完成状态方程的改写,对状态变量分别进行Kalman滤波与基本粒子滤波的更新。最后,定义了红外弱目标出现与消失统计量,给出了带约束条件的RBPF多个弱目标检测前跟踪流程。对弱目标的不同信噪比实验表明,RBPF可以减小状态变量的的估计误差,提高检测概率。对单目标进行检测前跟踪,平均每帧耗时为0.3287 s,在相同的粒子数下,RBPF可以得到更高的滤波精度。对两个信噪比为6 dB的不同空间位置目标的实验表明,约束条件控制RBPF的跟踪范围,可以避免目标相互之间的干扰,平均能在2.74 frame检测到目标出现,在1.13 frame判决目标消失。提出的算法能对红外多个弱目标进行出现与消失判断,具有良好的跟踪性能。

改进的Rao-Blackwellized粒子滤波算法在目标跟踪中的应用

在雷达信号处理领域,运动目标跟踪问题一直是研究的重点,涉及的非线性滤波问题是难点所在;以RaoBlackwellized粒子滤波(RBPF)算法为基础,针对其应用于雷达目标跟踪时产生的若干问题进行研究,为提高算法的收敛性能及滤波精度,对其中重采样算法进行改进,利用数字仿真对更改后的算法进行验证,经过表明更改后的RBPF算法在各个方面均有较大程度改善。

交互多模型的Rao-Blackwellized粒子滤波算法在多目标跟踪中的应用

在雷达信号处理领域,运动目标跟踪问题一直是研究的重点,而非线性滤波问题则是难点所在。本文以Rao-Blackwellized粒子滤波(RBPF)算法为基础,针对其应用于雷达目标跟踪时产生的算法收敛情况较差问题进行研究。为提高算法的收敛性能及滤波精度,对RBPF算法中线性部分采用交互多模型的方法进行状态预测和校正,利用数字仿真对更改后的算法进行验证,结果证明改进后的RBPF算法在各个方面均有较大程度改善。