RBPF粒子滤波在目标跟踪中的应用研究

针对雷达目标跟踪中的某一类非线性问题,传统处理方法都是先行线性化再进行处理,但当线性化后的测量噪声相关性较大时则无法满足要求。为此,应用RBPF粒子滤波进行研究。在仿真实验中对RBPF多权值的情况进行探讨,提出一种可行的处理方法。对RBPF在噪声相关性较大时的性能进行分析,并讨论其在时间推移时的相对估计误差变化情况。

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。

基于多传感器粒子权重优化的两级Rao-Blackwellized粒子滤波算法

针对粒子滤波（PF）计算量大、粒子退化以及缺乏对多传感器量测系统状态估计的适用性等问题的综合处理，提出了一种基于多传感器粒子权重优化的两级Rao．Black．wellized粒子滤波（RBPF）算法。该算法首先采用Rao—Blackwellized建模技术实现对被估计系统状态演化过程的建模，并结合加权融合策略完成多传感器量测对于粒子权重的优化。其次，通过两级预测更新机制的构建和引入，实现最新量测信息对于当前时刻粒子估计结果的修正。另外，考虑到重采样后粒子多样性枯竭问题，在滤波结果中蕴含冗余和互补信息的提取和利用的基础上，给出了一种粒子多样性增强方法。理论分析和仿真实验验证了此算法的可行性和有效性。

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计。此外,获得的非线性状态估计的方差还用于修正线性状态的估计。将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器(Rao-Blackwellized Particle Filter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%。

基于激光雷达传感器的RBPF-SLAM系统优化设计

针对传统Rao-Blackwellized粒子滤波(RBPF)方法的同步定位和建图(SLAM)问题,提出了一种基于激光雷达的RBPF-SLAM系统优化方法,利用高精度激光雷达数据,修正了基于里程计读数的建议分布函数,减少了滤波过程所需的粒子数目;引入了自适应重采样机制,缓解由于重采样带来的粒子消耗问题。为验证改进算法性能,在搭建的差速型移动机器人平台上,进行了验证试验,结果表明:改进后的RBPF-SLAM方法,能够实时构建栅格地图,在建图效率和精度上均有明显的提升。

基于混合环境模型的自主移动机器人环境探索研究

针对未知室内环境,提出了一种基于度量-拓扑混合式地图的高效的自主移动机器人环境探索策略:移动机器人根据当前传感器数据实时构建环境通路点拓扑地图,对各个环境通路点进行细致分析与处理,选择最优的即时目标点作为规划的探索方向;在Rao-Blackwellized粒子滤波(RBPF)框架下,将基于栅格地图的同步定位与地图创建(SLAM)算法引入到机器人自主探索任务中,提供准确的机器人位姿估计,以有效改善拓扑节点的位置精度,保证机器人顺利完成探索任务。基于上述策略提出的环境探索算法能够兼顾探索效率与精度。通过在配有激光测距仪的Pioneer3-DX型移动机器人平台上进行现场实验,有力验证了这种探索算法的有效性及实用性。