基于EKF-SLAM算法的水下膨胀弯测量技术

水下计量技术普遍应用于海管法兰之间相对空间位置和方位角的测量,其结果直接关系到水下膨胀弯的设计和预制是否准确。文章阐述了基于EKF-SLAM算法,融合水下声学定位、惯性导航、多普勒计程仪、压力计、声速计等数据的水下声学惯导计量技术,它能够实现厘米级的测量精度,而且作业方式简单,不受水深和能见度的限制,可有效提高海上工作效率,节约海上施工成本。

一种基于观测范围约束的改进EKF-SLAM算法

针对EKF-SLAM算法在大规模复杂环境下存在的计算量大、运行效率低和定位精度不高等问题,采用对传感器观测范围添加约束条件的方法对该算法进行了改进.设定最大观测距离,将移动机器人对环境地图的观测范围予以限定.通过判断由移动机器人的传感器获取的观测值与最大观测距离之间的大小关系,将系统状态向量中已观测且超出最大约束范围的路标进行删除,使系统状态向量的维数不会随着观测路标的增加而不断加大,从而降低了算法计算量并提高了算法运行效率和定位精度.通过仿真验证了所提方法对提高算法运行效率和定位精度的有效性.

基于Cholesky分解的改进自适应EKF-SLAM算法

针对EKF-SLAM(扩展卡尔曼滤波即时定位与地图构建)算法运行精度较低且速度较快,提出基于Cholesky分解的改进Sage-Husa自适应EKF-SLAM算法,使得移动智能体在进行路径规划和地图构建的同时,能够在短时间内找到最佳或者次优路径。该方法选用改进Sage-Husa自适应滤波算法,引入遗忘因子来提高算法的计算速度,并且通过Cholesky分解来提高算法稳定性和精确性。仿真表明,基于Cholesky分解的改进Sage-Husa自适应EKF-SLAM算法比传统EKF-SLAM和改进Sage-Husa自适应EKF-SLAM算法更加精确快速,鲁棒性更好。

移动机器人SLAM改进算法的分析与实现

为解决移动机器人扩展卡尔曼滤波(EKF-SLAM)算法计算复杂、精确度不高及易受干扰的缺点,提出一种基于最优平滑滤波理论的改进同步定位与地图构建(simultaneous localization and mapping,SLAM)算法。详细介绍算法的改进过程,通过Matlab软件对其位置轨迹跟踪误差及标准差进行仿真分析,基于机器人操作系统(robot operating system,ROS)系统的实验平台,在室内走廊进行SLAM实验以测试改进算法的效果。结果表明,改进的SLAM算法精度高、抗干扰能力强,能实现移动机器人的即时定位与地图构建。基于ROS系统的软件平台能简化开发难度,提升移动机器人的智能化。

移动机器人SLAM问题的研究

针对移动机器人同时定位与地图创建(SLAM)的问题,就扩展卡尔曼(EKF)算法所存在的缺陷即不适合大范围环境及密集环境等特征数量较大的场合,提出了一种改进的EKF-SLAM算法;它在扩展卡尔曼(EKF)算法上采用Rao-Blackwellise的分解思想-分解估计构架,将SLAM问题分解为路径估计和地图估计两个问题从而进行预测步骤,观测步骤,更新步骤和向量增广步骤4个步骤;仿真结果显示改进的EKF-SLAM算法比EKF-SLAM算法在特征数量较大的场合更具有优异性;它大大降低了计算复杂度,提高了准确性,为在比较复杂环境下实时解决移动机器人同时定位与地图创建(SLAM)的问题提供了一种有效方法。

煤矿井下无人机SLAM定位算法研究

无人机在灾后煤矿救灾方面的应用越来越广泛,但是由于井下环境复杂多变,发生灾害时更加无法准确估计井下环境,因此需要无人机在工作时精确定位其所在位置,为井上操控以及救灾提供及时有效的信息。该文研究了两种经典的定位算法:基于EKF的SLAM定位算法和基于Rao-Blackwellized粒子滤波器的FastSLAM定位算法,对两种算法进行了数学推导分析,建立了算法数学模型,得到非线性方程,使用Matlab仿真后发现基于Rao-Blackwellized粒子滤波器的FastSLAM定位算法具有更好的性能,可以快速准确地定位无人机的位置姿态,鲁棒性和算法独立性较好,同时运行时间短,具有更高的定位精度。

基于虚拟噪声模型补偿AUV导航算法研究

自主式水下机器人(AUV)同时定位与环境地图构建(SLAM)是实现水下未知环境自主导航的关键性技术,是机器人研究的热门课题之一。针对自主式水下机器人SLAM框架下应用扩展卡尔曼滤波(EKF)因模型线性化产生误差以及噪声统计未知的情形,采用一种基于虚拟噪声补偿技术的EKF算法,该方法可以把未知模型误差归入到虚拟噪声中去,运用噪声统计估值器在线估计噪声统计。以构建的AUV运动系统的模型为基准,从滤波精度、收敛性及算法稳定性方面,通过matlab仿真验证改进的EKF算法的效果。仿真结果表明,相对于传统的EKF算法,改进后的EKF算法估计精度更高,预期效果更好,有效提高了非线性滤波的性能。

水下导航同时定位与地图构建改进算法

研究了水下导航同时定位与环境地图构建(SLAM)技术,以水下机器人(AUV)为载体,研究了水下导航同时定位与环境地图相连(SLAM)技术,研究解决SLAM问题中的扩展卡尔曼滤波(EKF)算法存在的问题。针对在进行线性化的过程中产生模型误差和在状态转移阵及观测阵中出现未知模型误差的情形,提出基于虚拟噪声补偿技术的EKF算法,结合AUV系统模型搭建仿真平台,从滤波精度、收敛性及算法稳定性方面验证改进算法的效果。从仿真结果表明,相对于传统的EKF算法,改进后的EKF算法显著提高了非线性滤波的性能,解决了AUV应用SLAM技术精确性和鲁棒性的问题。

基于萤火虫算法优化的Gmapping研究

针对Gmapping算法在高相似度多闭环环境下出现的因粒子耗尽而无法精确定位的问题,提出一种融合萤火虫算法的Rao-Blackwellized粒子滤波器RBPF同步定位与地图构建优化算法。利用萤火虫算法提高粒子滤波器的估计能力,将采样后的粒子集移向高似然区域,改善粒子的分布,同时保证低似然粒子多样性以降低粒子贫乏的影响。在MIT和FHW数据集下的仿真结果表明,优化算法在不同的实验环境下能够建立更为精确的栅格地图,从而验证其有效性和可行性。