基于KLD重采样的抗差自适应UFastSLAM算法

针对声呐SLAM系统中噪声统计特性不准确或状态突变而导致无迹快速SLAM(UFastSLAM)算法性能下降及因采用固定粒子数而使得算法实时性不高的问题,提出一种基于改进粒子建议分布估计和自适应KLD重采样的UFastSLAM(RAUFastSLAM)算法。在载体位姿估计阶段,融入抗差自适应因子,利用抗差自适应无迹粒子滤波算法(RAUPF)对载体位姿进行估计;在特征状态估计阶段,利用抗差自适应无迹滤波算法(RAUKF)对环境特征的位置进行更新;在粒子重采样阶段,采用基于KL散度的自适应粒子重采样方法在线实时调整所需的粒子数,在保证精度的同时提高算法的实时性。实验结果表明,在量测噪声统计特性不准确且量测信息中有异常干扰时,与UFast SLAM算法相比,所提方法的载体位置估计、航向角估计和特征位置估计的精度分别提高了18.79%、16.67%和18.81%,对异常干扰具有更好的鲁棒性。

基于改进的粒子滤波蒙特卡洛定位算法研究

在未知先验环境下,移动机器人的自身定位是自主导航的核心和基础。基于粒子滤波的MCL算法存在着粒子退化、处理能力方面难以达到实时要求以及计算量较大等问题。提出一种基于改进的粒子滤波MCL算法,在SR-CKF设计的提议分布基础上添加EKF扩展为多提议分布粒子滤波算法。为解决因忽略当前时刻观测信息导致的粒子退化问题,在设计的提议分布中,加入系统当前时刻的观测信息,并以相对的比率对粒子进行采集,使粒子收敛于观测似然较高的区域中。利用KLD重采样来估计当前时刻粒子在系统下状态空间的分布情况,并通过在线调整机制对下一时刻粒子数目进行调整,以达到减小计算量的目的。根据Matlab仿真对比实验可以看出,改进后算法的均方根误差减小至1.947 cm,运行时间缩短了29.7%,有效的粒子百分比达到82.6%,平均粒子数为70.47,减弱了粒子退化问题从而达到精准定位的效果。最后通过ROS机器人开源操作系统对算法的有效性和可行性进行进一步验证分析。