基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping,FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter,AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。

基于改进的粒子群优化的FastSLAM方法

提出了一种基于改进的粒子群优化（IPSO）的快速同时定位和地图创建（FastSLAM）方法——IPSO FastSLAM算法。该算法在粒子预估过程中引入观测信息，调整了粒子的提议分布，增强了位置预测的准确性。改进的粒子群优化采用两步优化策略，即首先通过种群速度自适应调整惯性权重，有效地克服了粒子退化问题，改善了算法的实时性，然后针对粒子耗尽问题，在粒子群优化算法中引入遗传算法的变异运算对其进行改进，扩大解空间的范围，从而保持了种群的多样性。仿真和实时数据实验验证了该方法正确、可行。

基于混沌优化MPSO的移动机器人FastSLAM算法研究

针对移动机器人快速同时定位和地图创建(FastSLAM)中粒子退化问题,提出一种基于混沌优化的中值导向粒子群优化(MPSO)算法。该算法在粒子估计过程中引入观测信息,调整粒子的提议分布,提高位置预测的准测性。混沌优化MPSO算法采用两步优化策略,首先通过中值导向加速度来改进粒子的进化速度,有效地克服粒子退化问题,改善算法的收敛性;然后针对粒子耗尽问题,在MPSO优化算法中引入混沌搜索算法来寻找全局最优位置,驱散聚集在局部最优的粒子群,使其向全局最优位置靠近,扩大解空间的范围,从而保持种群的多样性。仿真和实时数据证明了该方法正确、可行。

一种基于SR-UKF的FastSLAM算法

标准FastSLAM算法存在着粒子集退化和线性化误差累积的缺陷。针对上述问题,提出了基于平方根无迹卡尔曼滤波(SR-UKF)的FastSLAM算法。SR-UKF选取一组能够代表状态向量统计特性的代表点带入非线性函数处理后重新构建出新的统计特性;使用SR-UFK取代EKF来估计每个粒子的后验位姿提议分布,可以提高粒子采样精度,减缓粒子集的退化;同时SR-UKF可以确保协方差矩阵的非负定,保证了SLAM算法的稳定性。仿真实验结果表明,基于SR-UKF的FastSLAM算法在估计精度和鲁棒性两方面均优于FastSLAM 2.0算法。

基于容积粒子滤波的无人机FastSLAM算法研究

FastSLAM算法中粒子滤波存在粒子退化问题,严重影响了滤波的精度。为解决此问题,提出了基于容积粒子滤波的FastSLAM算法。将容积卡尔曼滤波作为粒子滤波的重要性密度函数,获得所需要的加权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计,能够很好地逼近系统状态后验概率,抑制粒子退化问题。在无人机应用环境下对该算法进行仿真验证,结果表明该算法在SLAM的估计精度和一致性方面都显示出较好的性能。

小型无人直升机单目视觉FastSLAM研究

针对无GPS环境下的小型无人直升机自主飞行问题,提出了基于Rao-Blackwellized粒子滤波(RBPF)的快速同时定位和地图创建(FastSLAM)方法,采用Fast SLAM算法实现了小型无人直升机在GPS环境下的单目视觉SLAM系统。该系统机载的单目摄像头通过尺度不变特征转换(SIFT)算法进行地标的提取和匹配,采用视觉观测和惯导数据融合的方式来对飞机的状态量进行估计同时建立地标地图,采用非延迟的反深度参数化方法来完成地标在三维空间的初始化。仿真实验验证了所用方法的稳定性和有效性。和常规GPS/INS(惯性导航系统)的实际飞行对比实验表明,该系统在姿态、速度和位置等方面均有较高的估计精度,能够在无GPS环境下为小型无人直升机提供可靠的导航信息。

一种改进的无人机FastSLAM1.0算法

无人机Fast SLAM1.0算法粒子滤波的预测过程没有考虑地标的观测值,并不能利用新的测量数据更新无人机的位姿,使得粒子集偏离无人机真实位姿,需要大量粒子改进粒子滤波的精度,增加了算法的计算复杂性。为此,提出采用模拟退火算法更新粒子的预测值,调整提议分布,使得粒子集中在无人机真实位姿的周围,并利用分层重采样解决粒子退化问题。在无人机环境下对该算法进行仿真研究,结果表明其估计精度明显优于Fast SLAM2.0算法,验证了算法的有效性和可行性。

室内环境下同步定位与地图创建改进算法

提出了一种室内环境下基于平方根无迹卡尔曼滤波(SRUKF)的同步定位与地图创建(SLAM)算法.该方法在每步迭代中采用平方根无迹粒子滤波器进行机器人状态估计,并引入平方根无迹卡尔曼滤波器定位路标,进而完成机器人状态和相应路标信息更新.将本文算法与机器人运动模型和红外标签观测模型结合进行了仿真和实验,结果表明,本算法在同步定位和地图创建过程中提高了机器人状态和路标估计的精度及稳定性.

一种基于AMPF和FastSLAM的复合SLAM算法

为了改进快速同时定位和地图创建(FastSLAM)算法的粒子集性能、提高估计精度,提出基于AMPF和FastSLAM的复合SLAM算法.将辅助边缘粒子滤波器(AMPF)与FastSLAM架构相结合,用AMPF估计机器人位姿,单个粒子的位姿提议分布用无轨迹卡尔曼滤波估计.设计与AMPF和FastSLAM架构均兼容的采样方法和粒子数据结构,在FastSLAM框架下用扩展卡尔曼滤波递归估计地图.实验表明,该算法的粒子集性能比FastSLAM2.0算法好,并且它的位姿估计精度高于FastSLAM2.0算法.此外,粒子数较少时,该算法的估计精度较高,从而可适当减少粒子数目来提高算法的计算效率.

基于改进闭环检测算法的视觉同时定位与地图构建

针对视觉同时定位与地图构建(SLAM)中容易由误差累积导致构建地图不一致的问题,提出了一种基于改进闭环检测算法的视觉SLAM(V-SLAM)系统。为了减小移动机器人长时间运行带来的累计误差,引入一种改进的闭环检测算法,改进相似性得分函数,减小感知歧义,提高闭环的识别率;同时为了减小计算量,通过Kinect直接获取环境图像以及深度信息,并采用计算量小、鲁棒性好的ORB特征进行特征提取和匹配;采用随机抽样一致性(RANSAC)算法进行误匹配删除,从而获得更准确的匹配点对,然后用PnP计算出相机位姿;更稳定、准确的初始估计位姿对后端处理至关重要,利用g2o对位姿进行无结构的迭代优化;最后在后端采用以集束调整(BA)为核心的图优化方法对位姿和路标进行优化。最终实验结果表明该系统能够满足实时性要求,并可以获得更加准确的位姿估计。

基于相对观测量的机器人合作FastSLAM算法

提出了一种基于相对观测量的合作快速同时定位与建图(FastSLAM)算法,即合作FastSLAM算法.给出了机器人合作定位的系统模型,假设每个机器人装配上能够测量与附近机器人之间相对位置和识别附近机器人的外部传感器.仅用机器人自身当作路标来对多机器人系统中每一个成员进行相对定位,分析了多机器人合作定位中相对观测量的约束关系.将多机器人运动信息和相对观测量与FastSLAM相结合,估计出机器人路径轨迹的后验概率分布,从而生成预测粒子,并计算每个粒子的权重,最后进行重采样使其能够递归估计修正机器人组中每个机器人的位置.仿真结果证明了该算法的有效性.