一种改进的联合相容SLAM数据关联方法

数据关联是SLAM的难点之一。联合相容分枝定界算法(JCBB)虽能得到可靠的关联结果,但计算量随观测数目的增加而迅速提高,实时应用受到限制。通过给定联合相容配对个数的上限,对JCBB算法进行了改进,提出了一种快速JCBB算法(FJCBB)。FJCBB与JCBB有相同的关联效果,但计算量随观测数目的增加变化缓慢。当观测数目较大时,FJCBB的计算时间大幅减小,优势十分明显。最后,通过大量实验,验证了该方法的有效性。

SLAM问题的一种优化数据关联算法

联合相容分支定界算法(JCBB)存在"计算复杂度高"等缺点.为了优化JCBB算法在准确度和计算复杂度方面的性能,对它进行了三处改进:一是采用互斥准则和最优准则来提高关联的准确度;二是根据机器人的位姿和传感器的测量范围将数据关联限定在局部可能区域中;三是自适应地进行分批数据关联.仿真实验结果表明,优化JCBB算法(OJCBB)在保证准确度的同时大大降低了计算复杂度.Victoria Park Dataset实验表明,OJCBB算法的数据关联结果是可信的,而且OJCBB算法的计算效率远远高于JCBB算法.

一种多假设联合相容SLAM数据的关联方法

针对复杂环境下移动机器人同时定位与地图创建(SLAM)中的数据关联问题,提出了一种多假设联合相容分枝定界算法(MHJCBB)。该算法结合了多假设跟踪(MHT)算法与联合相容分支定界(JCBB)算法的优点,利用在关联时保留的多个联合相容关联假设形成多个机器人航迹假设分支。定义了航迹假设分支的评价函数,根据评价函数计算结果进行剪枝,将机器人航迹限制在一定范围内,以减小计算量,并输出得分最高的航迹假设分支。不同测量误差条件下的数据关联试验结果表明,与经典的最邻近(NN)算法、JCBB算法相比,MHJCBB算法能够获得更准确的关联结果。

一种改进的几何约束分枝定界SLAM重定位算法

重定位技术是机器人在已有SLAM地图的环境中依靠自身传感器重新获得定位信息的关键技术。几何约束分枝定界重定位(GCBB)算法是一种有效的方法,但是其存在计算速度慢的缺点。针对GCBB算法的不足,从两个方面对其进行改进:一是采用分组方式进行数据关联;二是结合传感器探测范围在局部区域中选择特征进行数据关联。仿真结果表明,所提出的快速几何约束分枝定界重定位(FGCBB)算法能够正确实现重定位,且计算复杂度与观测数目两者之间服从线性关系,当处理观测数目较多的问题时,FGCBB的计算效率明显优于GCBB算法。

基于联合相容分支定界的关联算法研究

联合相容分支定界算法(Joint Compatibility Branch and Bound,JCBB)充分考虑传感器量测之间的相关性和重新匹配关联的可能,但计算量随观测数目成指数增长。为优化其计算复杂度和关联准确度,以最近邻算法(Nearest Neighbour,NN)进行关联,对符合重复度和经过设定步数的情况使用JCBB进行特征匹配,并以互斥准则和最优准则来提高关联准确度。引入机器学习领域的评价测度对改进后算法和JCBB算法进行比较,结果表明,改进后的关联算法能够保证更好的关联准确度。

基于高斯混合模型最大期望聚类的同时定位与地图构建数据关联

数据关联是移动机器人同时定位与地图构建(SLAM)中状态估计的前提和基础,针对当前联合兼容分支定界算法存在计算复杂度高、耗时长的问题,提出了基于高斯混合模型(GMM)最大期望聚类分组的SLAM数据关联算法.首先,为减少同一时刻参与关联的观测值数目,在局部区域内采用GMM最大期望聚类算法对当前时刻的观测值进行分组;其次,在各观测小组中采用联合兼容分支定界算法进行数据关联;最后,综合各观测小组的观测值同局部地图特征得到的关联解,得到最优的关联结果.仿真实验结果表明,基于高斯混合模型最大期望聚类分组的SLAM数据关联算法在保证数据关联准确度的前提下,计算复杂度得到了降低,缩短了运行时间.

基于嵌入式平台和子地图局部关联算法的AGV设计

为在嵌入式平台上实现同时定位与建图(SLAM)以降低硬件成本,设计了利用激光雷达的AGV,该AGV运行机器人软件平台(ROS),并采用了包括Cortex-A9内核的i.MX6Q开发板、惯性测量单元、编码器等的硬件设计。针对在SLAM过程中如何快速并准确获取数据关联结果的问题,提出了一种基于子地图局部关联算法(SLJCBB),该方法首先是接收多帧连续的激光雷达数据构建子地图,并在子地图上划分出局部关联区域,最后在局部关联区域内采用联合兼容分支定界(JCBB)算法进行数据关联。实验结果表明,采用子地图局部关联算法在提高关联准确性的同时,大大降低了关联匹配过程的计算量,提高了运算速度,满足了嵌入式平台的运算要求。

一种基于聚类分组的快速联合兼容SLAM数据关联算法

针对在移动机器人同时定位与建图(SLAM)过程中如何快速准确获取数据关联结果的问题,提出了一种基于DBSCAN(density-based spatial clustering of application with noise)聚类分组的快速联合兼容SLAM数据关联算法(DFJCBB).首先,采用局部关联策略将参与关联的特征点限定在局部地图中;其次,针对多数环境中量测都有较明显的分布,采用一种基于密度聚类的方法 DBSCAN对当前时刻的量测进行分组,从而得到若干关联度小的观测小组;最后,在每个小组中采用联合兼容分支定界(JCBB)算法进行数据关联,以获得每个小组量测与局部地图特征之间的最优关联解,并将这些关联解组合获得最终的关联结果.基于模拟器和标准数据集的仿真实验验证了该关联算法的性能,结果表明该关联算法在保证获得较高关联准确度的同时,大大降低了算法复杂度、缩短了运行时间,适用于解决不同复杂环境中的SLAM数据关联问题.