基于粒子群优化的同步定位与地图构建

针对基本FastSLAM算法的样本枯竭、估计精度下降等问题,提出了一种基于多样性启发因子的粒子群优化FastSLAM算法.利用粒子群搜索寻优重新分配粒子,使粒子的表示更加接近于真实的后验概率分布,并且采用粒子集多样性测度作为启发因子,引导粒子优化搜索过程,确保群体多样性水平最优,减轻粒子退化现象,驱动粒子集向后验概率较高的区域运动.对所提出的算法进行了仿真实验,验证了算法的可行性和有效性.仿真结果表明,该算法能够改进样本枯竭问题,并能够获得较高的定位精度、地图构建精度及较好的滤波估计稳定性.

关于利用重要抽样法控制蒙特卡罗方差的比较

给出了利用重要性抽样控制M-C方差的方法及其评价标准——有效样本大小,从理论上证明了其合理性,比较研究了重要性抽样函数对方差的影响并给出了改进方法,与采样重要重抽样相比,重要抽样算法抽样相对复杂些,但估计精度远远高于采样重要重抽样,最后结合实例验证了前面结论,模拟结果显示,重要性抽样有效、可靠,特别适合模拟小概率事件。

一种改进的双站时频差目标跟踪高斯和滤波算法

针对双站时频差目标跟踪问题,在已有的观测量高斯混合表示-扩展卡尔曼滤波(GMM-EKF)方法的基础上,引入时差均匀高斯混合(GMM)表示、替代扩展卡尔曼滤波(AEKF)和基于有效样本大小(ESS)的高斯分量管理,提出GMM-AEKF滤波算法。仿真表明:与GMM-EKF算法相比,GMM-AEKF算法的时差GMM表示更为均匀,能获得更高的估计精度;由于AEKF的引入,其状态更新运算与线性卡尔曼滤波算法相同,其速度估计精度的收敛速度更快,适用于对收敛速度要求较高的场景中。