基于负信息的改进多假设定位算法

为了克服多假设定位算法在特征非唯一环境中假设数量大、收敛速度慢的问题,提出了利用负信息的改进算法。改进算法首先分析"传感器未检测到环境特征"的事件为定位提供的信息,建立与传感器模型类似的负信息模型。其次,在算法流程中考虑传感器数据中未包含期望特征和未收到传感器数据的情况,在假设权重的评价中加入负信息因子,从数学形式上相当于增加一组独立传感器,为定位提供了额外的信息。仿真实验表明,该算法能够减少假设数量,加快算法收敛,并能够在特定条件下解决多假设定位算法无法唯一定位的问题。

多假设跟踪的移动机器人SLAM算法

针对基于视觉定位的移动机器人自主定位过程中容易产生多种候选位姿.提出一种基于多假设跟踪的同时定位和地图创建方法.该方法通过提取图像SIFT特征进行视觉量测,修正里程计累计误差,再利用多假设跟踪方法获得当前时刻的最优位姿,实时产生环境的栅格地图,并且随着机器人的位姿变化实时更新.研究结果表明:此算法不仅能够较好地创建环境地图,而且能够有效解决机器人"绑架"问题,提高自主定位精度.

RoboCup四腿组比赛中定位算法的实验比较

针对RoboCup四腿组比赛场地结构对称和特征不唯一的特点,在场地模型中对带数据校验的扩展卡尔曼滤波(EKF-V)、多假设定位(MHL)、蒙特卡洛定位(MCL)和自适应蒙特卡洛定位(A-MCL)四种算法的全局定位精度和对噪声的鲁棒性进行了仿真实验比较.实验结果表明,四种算法在噪声可估计的条件下都能达到较高的全局定位精度,而MCL和A-MCL对噪声有较高的鲁棒性,更适合应用于RoboCup四腿组比赛.