粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)的核心环节.首先,针对粒子滤波过程的粒子退化问题,利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布,以迭代更新方式将当前观测信息融入顺序重要性采样过程,...粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)的核心环节.首先,针对粒子滤波过程的粒子退化问题,利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布,以迭代更新方式将当前观测信息融入顺序重要性采样过程,提出IUPF(Improved unscented particle filter)算法.然后,将IUPF与移动机器人MCL相结合,给出IUPF-MCL定位算法的实现细节.仿真结果表明,IUPF-MCL是一种精确鲁棒的移动机器人定位算法.展开更多
针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波(particle probability hypothesis density filter,P-PHDF)算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波(unscented particle-PHDF,UP-PH...针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波(particle probability hypothesis density filter,P-PHDF)算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波(unscented particle-PHDF,UP-PHDF)的序贯融合算法。利用无迹粒子滤波(unscented particle filter,UPF)实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。展开更多
文摘针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波(particle probability hypothesis density filter,P-PHDF)算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波(unscented particle-PHDF,UP-PHDF)的序贯融合算法。利用无迹粒子滤波(unscented particle filter,UPF)实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。