基于快速高斯变换的辅助边缘粒子滤波算法

针对辅助粒子滤波算法计算量大,滤波效率较低的问题,提出了一种基于快速高斯变换(Fast Gaussian transform,FGT)的辅助边缘粒子滤波算法。该算法假设状态噪声是加性的,并且是高斯的,这样非线性滤波的Chapman-Kolmogorov方程的求解近似于执行了核密度估计(Kerner density estimation,KDE),从而可将KDE中的快速算法FGT引入,以提高算法的计算效率和实时性。仿真结果表明,该算法利用少数粒子就可以获得与常规粒子滤波相似的误差,大大提高了计算效率。

快速边缘粒子滤波在无序量测问题中的应用

在目标跟踪系统中,因通信延迟会出现传感器量测无序到达融合中心的现象,由此产生无序量测(OOSM)融合问题。针对非线性条件下的OOSM问题,在现有算法的基础上,提出了基于快速边缘粒子滤波(FMPF)的处理算法。新算法在FMPF框架下,结合前向预测滤波思想来处理OOSM问题。将目标运动状态向量分为线性和非线性2个子向量,并分别采用相应的无序处理算法进行估计。算法可以处理单步延迟和多步延迟的情形下的无序问题。最后理论分析和仿真实验表明:新算法能有效处理OOSM问题,且降低了算法的计算复杂度,提高了算法实时性。

一种基于AMPF和FastSLAM的复合SLAM算法

为了改进快速同时定位和地图创建(FastSLAM)算法的粒子集性能、提高估计精度,提出基于AMPF和FastSLAM的复合SLAM算法.将辅助边缘粒子滤波器(AMPF)与FastSLAM架构相结合,用AMPF估计机器人位姿,单个粒子的位姿提议分布用无轨迹卡尔曼滤波估计.设计与AMPF和FastSLAM架构均兼容的采样方法和粒子数据结构,在FastSLAM框架下用扩展卡尔曼滤波递归估计地图.实验表明,该算法的粒子集性能比FastSLAM2.0算法好,并且它的位姿估计精度高于FastSLAM2.0算法.此外,粒子数较少时,该算法的估计精度较高,从而可适当减少粒子数目来提高算法的计算效率.