针对移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)算法在含有对称和自相似结构的环境中容易失败的问题,提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法.该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行...针对移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)算法在含有对称和自相似结构的环境中容易失败的问题,提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法.该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类,每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪,总体上形成了一组非等权的粒子滤波器,很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题.同时运用该核密度树实现了自适应采样,提高了算法的性能.针对机器人"绑架"问题对该算法作了进一步的改进.实验结果证明了该算法的有效性.展开更多
文摘针对移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)算法在含有对称和自相似结构的环境中容易失败的问题,提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法.该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类,每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪,总体上形成了一组非等权的粒子滤波器,很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题.同时运用该核密度树实现了自适应采样,提高了算法的性能.针对机器人"绑架"问题对该算法作了进一步的改进.实验结果证明了该算法的有效性.
文摘多假设跟踪(multiple hypothesis tracking,MHT)方法是一种在多个扫描上评价关联假设并由此做出决策的贝叶斯型关联跟踪方法,此方法能够在信噪比低10-100倍的状况下获得与单扫描方法相当的性能,但同时会带来相当大的计算量。本文研究了面向航迹MHT中的关键算法,包括航迹得分计算与航迹树的生成、将航迹聚类和假设生成建模为图论问题并求解、N扫描回溯剪枝等,特别关注了这些算法过程的实现;提出了一种关联深度自适应(adaptive association depth,AAD)方法,使关联深度随关联场景的复杂程度自适应变化;仿真研究了本文提出的AAD-MHT跟踪密集目标的性能,结果和分析表明,与深度值固定为6的MHT相比,最大深度为6的AAD-MHT既能保证性能又有效降低了计算量。