辅助粒子滤波算法改进的UFastSLAM算法

UFastSLAM算法的重采样过程会带来"粒子耗尽"问题,为提高算法精度和性能,将辅助粒子滤波算法思想引入UFastSLAM算法,提出了解决SLAM问题的方法——辅助UFastSLAM算法.针对UFastSLAM算法的特点,首先,在其建议分布函数的求取过程中引入最近的观测信息,增强采样粒子权值的稳定性;其次,在其重采样过程中引入1次加权和2次加权,增大观测似然度大的粒子比例以缓解粒子退化问题.实验结果证明,辅助UFastSLAM算法在估计精度、一致性等方面都具有很好的性能.

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。

高斯混合概率假设密度SLAM算法

研究了同步定位与地图创建(SLAM)中的数据关联问题。针对环境特征数未知时,数据关联的误关联率增加,导致SLAM的定位精度偏低的问题,提出了高斯混合概率假设密度SLAM算法。首先采用UFastSLAM解决SLAM中的粒子退化和耗尽问题,其次针对地图特征数未知的情况,将UFastSLAM算法中的数据关联问题转换成有限集统计理论跟踪算法的高斯混合问题,利用高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GMPHD)算法解决UFastSLAM中数据关联问题。仿真实验结果表明本文提出的GMPHD-UFastSLAM算法在地图特征个数未知的情况下,数据关联准确率和定位精度都得到了提高。