融合渐消无迹粒子滤波与高斯重采样的FastSLAM算法

为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM算法。通过融合渐消滤波和无迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和观测模型,并在仿真环境中进行性能验证。仿真结果表明:该算法能有效地缓解粒子退化,增加系统稳定性,提高SLAM估计精度。

基于高斯分布重采样的Rao-Blackwellized粒子滤波SLAM算法

针对移动机器人同时定位与地图构建中RBPF-SLAM算法因粒子匮乏而导致栅格地图估计不精确问题,提出一种基于高斯分布重采样的RBPF-SLAM算法.首先,根据粒子权重大小对重采样粒子进行排序;然后,在重采样中利用高斯分布分散高权重粒子得到新粒子,从而保证粒子多样性,避免粒子匮乏,保证栅格地图的精确构建.实验结果表明了所提出算法的有效性,同时也证明该算法能在粒子数减少的条件下保持可靠的估计,有效地减少了计算量.

基于理想格公钥密码关键部件的改进与优化实现

离散高斯分布采样和理想格中多项式乘法是基于理想格公钥密码的两个关键部件.这两个部件的高效性、安全性和强可移植性可极大促进基于理想格公钥密码的快速发展.本文从算法改进和实现优化两个方面出发,在保证安全性的基础上,提升两个部件的计算效率和可移植性.针对离散高斯分布采样部件,构造新的分布函数,确定新的采样标准;在此基础上,优化Bernoulli采样算法的算法流程,提出一种快速的位矩阵生成算法和后台采样优化技术,在保证采样安全性的前提下,极大地提升了采样的效率.针对理想格中多项式乘法部件,在基于蝶形结构数论变换的基础上,将模约减算法与延迟模运算相结合,并提出NTT缓存优化技术,在保证原有安全性的前提下,极大地缩短了乘法运算的时间.最后,在主流的x86-64、ARMv7和WebAssembly环境下分别进行仿真实验,结果表明改进算法和优化技术在三种测试环境下均可正确执行,且具有较强的可移植性.在保证安全性的前提下,使用位矩阵生成算法和后台采样优化技术的采样速度和原始算法相比至少提升13.57%和29.67%;使用模约减算法与延迟模运算结合与NTT缓存优化技术的乘法运算速度和原始算法相比至少提升77.54%和34.51%.

基于改进快速探索随机树的复杂环境垂直泊车路径规划

针对车位狭窄、不规范停车带来的泊车困难问题,提出了一种基于改进快速探索随机树(RRT)的垂直泊车路径规划算法。为加快路径规划速度、提高规划质量,引入逆向树调整RRT目标点,使用高斯分布采样法及偏向性采样法进行融合采样,使用Reeds-Shepp(RS)曲线加快路径规划速度,并基于RS曲线进行了路径平滑优化。最后通过MATLAB仿真并与RRT及基于目标偏好的RRT(Goal-biasing RRT)进行比较,平均规划时间分别缩短52.3%与41.7%,路径代价分别减小17.7%与13.9%,证明了算法的有效性。