稀疏扩展信息滤波SLAM算法的稀疏规则研究

稀疏规则是扩展信息滤波性能的关键。在现有的稀疏规则中,精确稀疏扩展信息滤波(ESEIF)的稀疏规则有较优的性能,但有其适用上的缺陷。通过将稀疏扩展信息滤波(SEIF)与精确稀疏扩展信息滤波(ESEIF)的稀疏规则结合起来,提出了一种组合的稀疏规则。该组合规则能适用于任何的探索环境,还充分利用了ESEIF稀疏规则的性能优势。最后,通过大量的Monte-Carlo仿真实验,验证了该方法的有效性。

基于稀疏化的快速扩展信息滤波SLAM算法

随着SLAM技术的不断发展,计算效率已经成为制约SLAM发展的主要因素.所提出的算法从稀疏化的角度对扩展信息滤波SLAM算法进行改进.根据信息矩阵几乎稀疏的特点,该算法在合理稀疏化信息矩阵的同时利用环闭合检测技术,不仅大大提高了算法的计算效率,而且所得到的估计结果也很精确.通过仿真对信息矩阵稀疏化、算法效率、重定位以及误差和协方差四个关键问题进行了分析.分别就室内具有摄像头的两轮机器人和室外具有激光雷达的四轮机器人的情况进行了实验讨论.仿真与实验结果表明了所提算法的有效性.

一种改进的稀疏扩展信息滤波SLAM算法

如何得到精确一致的稀疏信息矩阵是稀疏扩展信息滤波同时定位与地图创建(SLAM)算法的关键.在对相关性进行详细深入分析的基础上,提出一种改进的信息矩阵稀疏规则.该规则利用稀疏时刻的观测信息,从全局上保留了与机器人相关性最强的特征.在不增加计算负担的情况下,提高算法的精度及一致性.最后,通过大量的Monte-Carlo仿真实验,验证该方法的有效性.

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建(SLAM)算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。

基于精确稀疏扩展信息滤波的粒子滤波SLAM算法研究

传统粒子滤波算法的单次迭代过程以及小权值粒子在重采样中被删除都使得机器人位姿的历史信息不能充分利用,因而会出现粒子的退化现象,从而导致滤波算法的估计精度较低。本文提出基于精确稀疏扩展信息滤波的粒子滤波SLAM算法,利用精确稀疏扩展信息滤波的信息矩阵反映机器人位姿相对变化的同时,也对应于状态后验概率的条件概率的性质,应用Gibbs采样直接从SLAM完全后验分布产生样本,充分利用了信息矩阵包含的不确定信息,粒子分布均匀,且保持了多样性,缓解了粒子退化现象。实验结果表明所提算法的粒子集能够更好地描述真实后验分布,显著提高了SLAM算法的估计精度。

基于扩展卡尔曼滤波的传感器融合SLAM研究

同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术是当今自主导航机器人的关键部分,移动机器人的里程计误差会直接降低SLAM效果,造成机器人定位丢失和地图不匹配问题。文章基于里程计和惯性测量单元(Inertial Measurement Unit,IMU)传感器融合,提出同时使用线性变换函数和扩展卡尔曼滤波(Extended Kalman Filter,EKF)减小里程计误差的方法。实验结果表明,里程计误差最大降低了91.72%,机器人SLAM建图稳定无漂移,能有效提高SLAM的准确性和鲁棒性。

多传感器非线性系统序贯观测融合二阶扩展卡尔曼滤波器

对多传感器非线性系统提出了一种序贯观测融合二阶扩展卡尔曼滤波(Second-order Extended Kalman Filter,SOEKF)算法。该算法的中心思想是根据传感器观测数据到达融合中心的先后次序依次进行处理。研究表明,提出的序贯观测融合SOEKF算法比集中式观测融合EKF算法具有更高的精度;与集中式观测融合SOEKF算法精度相当,且具有更低的计算复杂度。目标跟踪系统的仿真验证了算法的有效性。

基于分布式信息滤波的集群导弹协同定位方法

针对领从式集群导弹中的从弹定位问题,考虑领弹动态地切入切出导航网络情况,提出了一种基于捷联惯性导航系统(INS)与到达时间(TOA)测距系统相融合的领从类分布式协同导航方法。该方法综合考虑了导航参数与相关传感器误差模型,基于INS误差系统建立线性状态空间模型,基于弹间数据链TOA测距系统建立非线性伪距量测模型,并基于扩展信息滤波器实现动态信息的分布式融合,以适应量测信息节点数目动态变化引起的协同导航网络结构变化。将其应用于集群导弹协同导航系统中,仿真结果表明所提算法可以快速且高精度地完成从弹导航参数的估计,可以有效消除领弹节点变化所带来的负担。该方法可以作为低成本从弹导航系统的补充手段。

基于扩展信息滤波的多机器人SLAM研究

运用信息滤波算法实现多机器人SLAM,根据对机器人运动结构和刚体约束建立多机器人运动模型,用里程计和激光测距传感器建立多机器人观测模型,并运用SLAM方法建立全局地图,不断更新该地图的同时完成校正多机器人位姿.根据理论推导,利用信息滤波算法解决多机器人SLAM问题,仿真实验也结果表明多机器人定位精度良好.

精确稀疏扩展信息滤波的多机器人SLAM研究

在机器人同时定位与地图创建(SLAM)问题中,多机器人SLAM成为目前机器人学中的研究热点.因此,基于精确稀疏扩展信息滤波算法(ESEIF)的多机器人SLAM问题,根据多机器人的运动模型和观测模型分别对多机器人位姿估计及环境特征点进行观测,并依据阈值划分观测特征点,以完成机器人的观测更新,同时边缘化机器人位姿并进行重定位.实验仿真数据表明:多机器人的位姿精度良好,观测更新阶段时间基本上恒定,与地图特征点数量无关,体现了ESEIF算法在研究多机器人SLAM问题的有效性.

基于扩展卡尔曼滤波的信息融合技术在车辆状态估计中的应用

车辆行驶中某些状态参量不易准确测得或测量成本较高,而这些变量的准确获取对车辆底盘控制有着重要的意义。为以较低成本获取重要的车辆运动状态,建立包括横摆、侧向和纵向3自由度的非线性车辆模型,利用扩展Kalman滤波(Extended Kalman filtering,EKF)理论建立了信息融合算法,给出车辆状态变量最小方差意义下的融合结果,利用少量的易测车辆状态信息(转向盘转角、车辆纵、侧向加速度)融合得出所需的难测车辆状态(横摆角速度、质心侧偏角)。并在Matlab/Simulink环境下利用实车场地试验数据进行了离线仿真。多种工况下的场地试验结果表明,该算法在估计汽车横摆角速度、质心侧偏角、纵向速度时具有一定的准确性,特别是对横摆角速度的估计,即使在车辆非线性区也表现出良好性能。同时该融合算法简单、稳定及所需融合输入较少的特点使该算法在实际中的应用成为可能。

基于修正扩展卡尔曼序贯滤波的信息融合算法

针对基于扩展卡尔曼滤波的融合算法存在滤波精度不高的问题,将修正扩展卡尔曼滤波算法与集中式序贯融合算法相结合,用于毫米波雷达和红外传感器目标融合跟踪。即先对毫米波雷达进行修正扩展卡尔曼滤波,再将滤波结果与红外传感器进行融合滤波。仿真结果表明该算法能够提高对机动目标的跟踪精度,增强跟踪系统对环境变化的适应能力。

基于扩展卡尔曼滤波器的移动机器人SLAM研究

文中阐述一种移动机器人SLAM问题的解决方法,首先利用激光测距仪得到环境中障碍物的监测图表,然后增量的构建全局地图。利用扩展卡尔曼滤波器(EKF)创建移动机器人定位计算的有界估量;最后通过仿真和物理实验验证了该方法的正确性。可为解决机器人在未知环境下的地图创建与定位问题提供理论依据,具有实际意义。

基于混合信息滤波的粒子滤波SLAM算法

为解决粒子滤波SLAM中存在的计算效率高及粒子退化造成的估计精度低等问题,结合精确稀疏滞后状态信息滤波估计精度高以及精确稀疏扩展信息滤波计算效率高的优点,将两者混合应用于粒子滤波SLAM算法中,不但在保证计算效率的条件下提高了状态估计精度,并且还克服了机器人转动状态以及环境特征疏密带来的应用缺陷。实验结果表明了该方法的有效性与可行性。

扩展卡尔曼滤波在双基地信息融合中的应用

研究了扩展卡尔曼滤波理论,给出了双基地声纳系统的测距模型,推导了基于双基地声纳系统方位和距离的目标运动分析方法,给出了扩展卡尔曼滤波算法的模型,提出了给定发射站和接收站信息条件下的扩展卡尔曼滤波融合算法,进行了仿真实验,比较和分析了仿真结果,结果表明,所给出的目标运动分析方法提高了目标运动分析的稳定性和全局性。

多传感器非线性系统的序贯观测融合扩展卡尔曼滤波器

针对多传感器非线性系统,提出了一种序贯观测融合扩展卡尔曼滤波器(EKF)算法,其主要思想是根据传感器观测数据到达滤波器的先后次序依次进行融合处理。研究表明,提出的序贯观测融合EKF算法与传统的最优集中式观测融合EKF算法估计精度相当,且具有更低的计算复杂度,目标跟踪系统的仿真验证了所提算法的有效性。

基于熵规则的信息滤波SLAM算法

信息滤波同时定位与构图(IFSLAM)算法如何获得稀疏化的信息矩阵是解决滤波性能的关键因素。通过对稀疏扩展信息滤波深入分析,发现其稀疏化结果难以保证关联性最弱的环境主动特征被稀疏掉;为了改进这一缺陷,提出一种基于熵稀疏规则的改进SLAM算法,该算法利用熵性质、综合当前以及下一观测时刻来选择与位姿关联性最弱的环境特征作为稀疏特征点;有效提高了算法的稀疏性能。在Matlab上对改进算法进行仿真,验证改进算法的有效性。

多特征扩展信息滤波在RGB-D点云数据中的应用

针对RGB-D相机获取的数据在全局拼接中由于单点精度不高而导致误差累积的情况,提出一种多特征扩展信息滤波模型(multi feature extended information flter,MEIF)。利用迭代最近点(iterative closest points,ICP)算法获取场景内的点特征,利用区域面生长法平面拟合得到的空间平面参数作为面特征,构建多特征加权扩展信息滤波模型,实现对RGB-D相机数据的全局拼接。实验证明,该方法对误差累积的消弱有一定的作用,对RGB-D数据在室内场景生成的应用具有一定的参考价值。

基于分量信息融合的扩展卡尔曼滤波算法

研究非线性系统的最优线性化问题,借助误差传播方程中各分量信息融合的极大似然方法,得到最优线性化的分量信息融合扩展卡尔曼滤波算法,相比经典扩展卡尔曼滤波等其它非线性滤波方法,分量信息融合扩展卡尔曼滤波算法增加了状态转移矩阵和量测矩阵的更新方程,能够自适应调节参数,具有跟踪原系统的能力,能有效地提高非线性系统状态估计的精度、快速性和鲁棒稳定性。同时,分量信息融合扩展卡尔曼滤波算法的计算量与经典EKF算法接近,易于在实际工程中应用。

精确稀疏扩展信息滤波的地图优化研究

研究了移动机器人同时定位与地图创建(SLAM)精确稀疏扩展信息滤波(ESEIF)的地图优化算法,即利用信息熵度量变量不确定性的特性来对地图特征点进行分类,选择不同类型的特征点处理ESEIF的不同更新过程,同时优化活动地图,使SLAM更新在恒定时间内实现,且提高了机器人和地图的估计精度.仿真实验证明:在特征点多的大环境下,特征点优化后的算法实时性强,估计精确度更高.