EM算法是近年来常用的求后验众数的估计的一种数据增广算法,但由于求出其E步中积分的显示表达式有时很困难,甚至不可能,限制了其应用的广泛性.而Monte Carlo EM算法很好地解决了这个问题,将EM算法中E步的积分用Monte Carlo模拟来有效实...EM算法是近年来常用的求后验众数的估计的一种数据增广算法,但由于求出其E步中积分的显示表达式有时很困难,甚至不可能,限制了其应用的广泛性.而Monte Carlo EM算法很好地解决了这个问题,将EM算法中E步的积分用Monte Carlo模拟来有效实现,使其适用性大大增强.但无论是EM算法,还是Monte Carlo EM算法,其收敛速度都是线性的,被缺损信息的倒数所控制,当缺损数据的比例很高时,收敛速度就非常缓慢.而Newton-Raphson算法在后验众数的附近具有二次收敛速率.本文提出Monte Carlo EM加速算法,将Monte Carlo EM算法与Newton-Raphson算法结合,既使得EM算法中的E步用Monte Carlo模拟得以实现,又证明了该算法在后验众数附近具有二次收敛速度.从而使其保留了Monte Carlo EM算法的优点,并改进了Monte Carlo EM算法的收敛速度.本文通过数值例子,将Monte Carlo EM加速算法的结果与EM算法、Monte Carlo EM算法的结果进行比较,进一步说明了Monte Carlo EM加速算法的优良性.展开更多
针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。...针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。展开更多
In order to solve the problem of localization loss that an autonomous mobile robot may encounter in indoor environment,an improved Monte Carlo localization algorithm is proposed in this paper.The algorithm can identif...In order to solve the problem of localization loss that an autonomous mobile robot may encounter in indoor environment,an improved Monte Carlo localization algorithm is proposed in this paper.The algorithm can identify the state of the robot by real time monitoring of the mean weight changes of the particles and introduce more high weight particles through the divergent sampling function when the robot is in the state of localization loss.The observation model will make the particle set slowly approach to the real position of the robot and the new particles are then sampled to reach the position.The loss self recovery experiments of different algorithms under different experimental scenarios are presented in this paper.展开更多
为降低高层建筑物人员疏散难度,提升消防通道规划效果,研究基于蒙特卡罗定位算法的高层建筑物消防通道模糊建筑信息模型(Building Information Modeling,BIM)规划方法。在蒙特卡罗定位算法内添加遗传算法的交叉与变异操作,改进蒙特卡罗...为降低高层建筑物人员疏散难度,提升消防通道规划效果,研究基于蒙特卡罗定位算法的高层建筑物消防通道模糊建筑信息模型(Building Information Modeling,BIM)规划方法。在蒙特卡罗定位算法内添加遗传算法的交叉与变异操作,改进蒙特卡罗定位算法,加快定位效率。利用改进蒙特卡罗定位算法,定位高层建筑物消防通道的关键位置。通过区间直觉模糊广义λ-Shapley Choquet积分方法,选择消防通道规划时的模糊BIM软件。利用选择的模糊BIM软件,结合关键位置定位结果,规划消防通道路径,建立消防通道模糊BIM规划模型。利用Revit软件,以调节模型质量精细度与曝光度的方式,效果渲染消防通道模糊BIM规划模型,提升消防通道模糊BIM规划结果的逼真度。实验证明:该方法可精准定位消防通道关键位置;该方法可有效规划消防通道路径,构建消防通道模糊BIM规划模型;经过效果渲染后,该方法的消防通道模糊BIM规划结果的逼真度较优。展开更多
对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测...对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测与定位。经仿真验证在低密度锚节点环境下,蒙特卡罗方法位置估计误差明显低于其它方法,提高了移动节点定位算法的准确性。展开更多
文摘EM算法是近年来常用的求后验众数的估计的一种数据增广算法,但由于求出其E步中积分的显示表达式有时很困难,甚至不可能,限制了其应用的广泛性.而Monte Carlo EM算法很好地解决了这个问题,将EM算法中E步的积分用Monte Carlo模拟来有效实现,使其适用性大大增强.但无论是EM算法,还是Monte Carlo EM算法,其收敛速度都是线性的,被缺损信息的倒数所控制,当缺损数据的比例很高时,收敛速度就非常缓慢.而Newton-Raphson算法在后验众数的附近具有二次收敛速率.本文提出Monte Carlo EM加速算法,将Monte Carlo EM算法与Newton-Raphson算法结合,既使得EM算法中的E步用Monte Carlo模拟得以实现,又证明了该算法在后验众数附近具有二次收敛速度.从而使其保留了Monte Carlo EM算法的优点,并改进了Monte Carlo EM算法的收敛速度.本文通过数值例子,将Monte Carlo EM加速算法的结果与EM算法、Monte Carlo EM算法的结果进行比较,进一步说明了Monte Carlo EM加速算法的优良性.
文摘针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。
基金Sponsored by the National Natural Science Foundation of China(Grant No.61305110)the Self-Planned Task of Institute of Robotics(Grant No.F201803)the Intelligent Systems and Natural Science Foundation of Hubei Province(Grant No.2018CFB626).
文摘In order to solve the problem of localization loss that an autonomous mobile robot may encounter in indoor environment,an improved Monte Carlo localization algorithm is proposed in this paper.The algorithm can identify the state of the robot by real time monitoring of the mean weight changes of the particles and introduce more high weight particles through the divergent sampling function when the robot is in the state of localization loss.The observation model will make the particle set slowly approach to the real position of the robot and the new particles are then sampled to reach the position.The loss self recovery experiments of different algorithms under different experimental scenarios are presented in this paper.
文摘为降低高层建筑物人员疏散难度,提升消防通道规划效果,研究基于蒙特卡罗定位算法的高层建筑物消防通道模糊建筑信息模型(Building Information Modeling,BIM)规划方法。在蒙特卡罗定位算法内添加遗传算法的交叉与变异操作,改进蒙特卡罗定位算法,加快定位效率。利用改进蒙特卡罗定位算法,定位高层建筑物消防通道的关键位置。通过区间直觉模糊广义λ-Shapley Choquet积分方法,选择消防通道规划时的模糊BIM软件。利用选择的模糊BIM软件,结合关键位置定位结果,规划消防通道路径,建立消防通道模糊BIM规划模型。利用Revit软件,以调节模型质量精细度与曝光度的方式,效果渲染消防通道模糊BIM规划模型,提升消防通道模糊BIM规划结果的逼真度。实验证明:该方法可精准定位消防通道关键位置;该方法可有效规划消防通道路径,构建消防通道模糊BIM规划模型;经过效果渲染后,该方法的消防通道模糊BIM规划结果的逼真度较优。
文摘对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测与定位。经仿真验证在低密度锚节点环境下,蒙特卡罗方法位置估计误差明显低于其它方法,提高了移动节点定位算法的准确性。