移动机器人离散空间粒子滤波定位

从粒子滤波效率主要取决于粒子集更新的思路出发,提出一种基于离散状态空间的移动机器人粒子滤波定位方法(Discrete space particle filter, DSPF).根据定位系统误差,将机器人运行空间划分为变精度栅格作为样本粒子描述离散系统模型.地图预处理阶段获取栅格粒子的激光扫描数据,预存为栅格粒子特征.粒子权值更新时,将粒子离散化近似为栅格粒子,采用预存粒子特征进行激光扫描数据匹配,避免粒子特征的实时提取,提高了滤波更新效率.同时采用基于离散后验概率分布与当前粒子集分布之间Kullback-Leibler距离检验方法,自适应选择栅格粒子,平衡滤波效率和定位精度,能够有效解决机器人"绑架"问题.仿真结果表明,DSPF能够显著提高定位效率,并保证滤波精度.     

基于萤火虫算法改进移动机器人定位方法研究*

针对传统蒙特卡洛定位中粒子退化以及粒子贫乏造成的移动机器人定位精度下降问题,提出了利用萤火虫算法改进蒙特卡洛定位的方法。利用改进后的萤火虫算法优化粒子的采样过程,使粒子在权值更新前趋向高似然区域,并且改进了重采样策略,新的重采样可以使粒子的多样性更好。将改进后的新算法用于机器人定位实验中,结果表明新算法相比扩展卡尔曼粒子滤波在粒子数分别为10、30、50的情况下性能分别提高了20%、34%、29%,并且使用的时间更少。     

基于单目视觉的轮式机器人同步定位与地图构建

如何降低计算复杂度是视觉机器人同步定位与地图(SLAM)构建的热点问题.提出一种基于单目视觉的低计算复杂度的轮式机器人同步定位与地图构建算法.该算法在观测步通过图像处理与分析,识别特征点并进行定位,将轮式机器人的视觉投影与空间物体的几何关系转换为计算机器人相对特征点的距离和角度.整体算法步骤按照预测、观测、数据关联、更新、地图构建的递推算法进行同步定位与地图构建.提出的算法可识别环境目标,并进行平滑运动.在滤波观测步只处理单帧图像数据,和Active Vision和立体视觉方法相比,降低了算法的计算复杂度.     

移动机器人SLAM问题新解

针对移动机器人研究领域中最基本SLAM的问题,传统求解算法在实际应用中往往会出现机器人不能精准定位,且创建地图时间延长等问题。为解决该问题,本文提出了一种基于神经网络与粒子滤波的移动机器人快速SLAM算法。该算法引入基于神经网络的机器人避障机制,首先将机器人的动态环境信息用神经网络来描述,然后采用改进的粒子滤波SLAM算法来实现机器人的SLAM,算法将神经网络的局部搜索能力与粒子滤波的全局搜索能力充分发挥于机器人的SLAM问题求解过程。实验表明,该算法较好的实现了机器人的快速精准定位,并能在缩短地图创建时间的同时提高地图创建的精确度。     

基于粒子滤波的移动机器人同时定位和环境模型的建立

介绍了一种基于粒子滤波的移动机器人同时定位与地图创建方法。通过旋转超声传感器获得环境信息，利用贝叶斯规则更新栅格地图，然后利用粒子滤波对机器人进行定位，之后地图更新和机器人定位交替进行，直到将整个环境探测完毕。仿真结果表明机器人能较好的完成环境探测的任务。     

基于地磁序列匹配的大型室内动态定位方法

基于地磁信号的定位技术无需架设信号发送设备,成本低且可覆盖室内定位范围广。针对室内地磁定位方法采集工作繁琐复杂需反复测量才能精准映射二维平面坐标点的现状,提出一种基于移动终端图像可视化映射和自动插入采集数据的方法,快速采集室内地磁指纹,动态建立匹配室内二维地图的指纹数据库。在此基础上,定位阶段使用改进的动态时间规整(DTW)算法进行地磁序列匹配,提高大型数据库的动态定位效率。后续采用粒子滤波算法融合地磁序列定位和行人航位推算(PDR)的结果,在智能移动终端载体上实现快速精准定位。实验结果表明该动态定位方法在大型室内区域的动态实时跟踪定位效率为每步65 ms,平均定位精度为1.4 m以内。     

一种基于KL-AEPF的无人机侦察移动目标定位算法

基于EPF的无人机侦察移动目标定位算法在采样阶段需要利用EKF算法计算所有粒子的均值和协方差,导致其计算量大。本文提出了一种基于KL距离的自适应EPF改进算法,该方法在采样阶段利用EKF算法更新前半部分粒子,后半部分粒子仍通过先验概率分布更新,然后根据两个粒子集概率分布间的KL距离自适应更新当前时刻的粒子数。在保证精度的同时选择合适的粒子数目,大幅度降低计算量,提高运算速度。通过实测飞行数据验证,该算法平均每个采样周期内粒子数为40,平均每个采样周期内计算时间为8 ms。与EPF算法相比,该方法能在保证定位精度的同时明显减少计算耗时,具有一定的工程应用价值。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

基于ROS和激光雷达的室内移动机器人定位和导航系统设计与实现

根据自主运动机器人的室内定位需求,设计并实现基于机器人操作系统ROS和激光雷达的室内移动机器人定位和导航系统。机器人系统采用树莓派控制器作为控制核心平台,利用激光雷达采集环境信息,在ROS分布式框架下进行软件算法的开发,实现基于扫描匹配算法的SLAM功能、基于最优路径算法路径规划以及基于粒子滤波算法的导航功能。理论仿真及实验实测结果表明,系统可构建精度较高的环境地图,并对机器人进行定位,有效完成室内定位和导航任务,具有低成本、开源、模块化、易于拓展等优点。     

用概率假设密度滤波实现同步定位与地图创建

针对杂波环境中传统同步定位与地图创建(SLAM)算法无法有效表达传感器多种信息以及容易发生错误数据关联的问题,提出一种基于概率假设密度滤波的SLAM算法。该算法将每一时刻传感器的观测信息和环境地图表示为随机有限集,建立联合目标状态变量;通过概率假设密度(PHD)滤波对机器人位姿和环境地图状态进行同时估计,并利用粒子滤波实现PHD滤波。在进行目标状态提取时,为避免聚类算法引入的误差,对粒子集进行时滞输出。提出的SLAM算法能准确表达观测的不确定性、漏检以及杂波引起的虚警等多种传感器信息,且避免了数据关联过程,使系统状态估计更接近真实值。仿真实验结果表明:与传统SLAM算法相比,新算法的机器人定位及环境构图精度提高了50%以上,为杂波环境下SLAM问题的研究提供了新的途径。     

基于变分贝叶斯的自适应 PF-SLAM 方法研究

针对移动机器人即时定位与地图构建中时变观测噪声及粒子位置分布对SLAM精度的影响,本文提出基于变分贝叶斯的自适应PF-SLAM算法,采用高斯混合模型对时变的观测噪声建模,并通过变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权值将粒子划分为固定粒子和优化粒子,通过粒子间的近邻拓扑位置关系调整粒子分布,处理时变观测噪声与优化粒子的位置分布,使得优化的粒子集可以更好地表示机器人位置概率分布,实现观测噪声及粒子位置分布自适应。仿真实验表明本算法对比传统PF-SLAM算法定位与地图构建误差降低了76.45%。实际实验表明本算法处理下的环境轮廓误差对比传统PF-SLAM算法的环境轮廓误差减小了61.87%。该算法有效提高了移动机器人的状态估计精度,为移动机器人即时定位与地图构建提供了新的参考。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

基于PDR和RSSI的室内定位算法研究

构建了基于无线传感网络的行人航迹推算(PDR)系统,通过RSSI定位为其提供绝对定位信息。在RSSI定位中,提出基于PDR方位信息的自适应Flip-Flop RSSI信息预处理机制和RSSI指纹信息融合动态路径衰减指数的定位算法,以改善RSSI定位算法的抗噪声干扰能力。在多信息融合粒子滤波环节中,针对传统算法中滤波精度与滤波实时性很难同时得到改善的问题,提出基于PDR信息与RSSI定位信息的动态区间粒子滤波算法,通过PDR方位信息自适应控制区间衍生粒子数量以提高滤波实时性,并将建筑地图信息、RSSI定位信息及其可信度因子融入粒子权值计算中以提高定位精度。经实验验证,提出的算法在RSSI定位抗噪声能力方面,以及融合定位精度和滤波实时性方面都取得了良好的效果,与传统算法相比最大定位误差由3.16 m降低到1.81 m,滤波时间也由7.21 s降至7.01 s。     

全天候移动车间巡检机器人目标定位算法

全天候移动车间巡检机器人移动轨迹复杂,为获取高精度的巡检机器人目标定位结果,提出一种全天候移动车间巡检机器人目标定位算法。优先标定得到移动车间环境的相机,获取相机参数,通过高低纹理匹配完成移动车间环境重建。然后通过相机内外参数将匹配点的图像坐标和世界坐标相关联,以此为依据估计巡检机器人的位姿。最终将得到的移动车间环境地图和周围数据相结合,采用粒子滤波算法对全天候移动车间巡检机器人位置组建的粒子群集合优化处理,通过不断迭代更新,输出目标定位结果。结果表明,所提算法可以有效降低巡检机器人目标定位时间以及联合定位误差,获取准确率更高的目标定位结果。     

MEMS陀螺与编码器在机器人自主定位中的应用

为提高微机械陀螺仪输出精度及移动机器人定位精度,研究了基于微机械陀螺仪与光电编码器的移动机器人自主定位方法。实时小波滤波法算法去除微机械陀螺仪输出数据噪声;通过微陀螺精度校正平台,用加权最小二乘支持向量回归机算法对微机械的先验数据作回归运算,构造先验回归决策函数,运用回归决策函数补偿微机械陀螺仪输出误差,提高微机械陀螺仪的角速率输出准确度;实验证实了方法能较好提高了MEMS陀螺仪的准确度,可以应用于移动机器人的自主定位之中。     

基于惯性测量单元辅助的激光里程计求解方法

在同步定位与建图(SLAM)问题中,里程计部分的求解精度对后续建图起着至关重要的作用,惯性测量单元(IMU)可以为SLAM中里程计求解提供良好辅助.在考虑平面移动机器人运动特点及室内环境特征的基础上提出一种基于IMU松耦合的激光里程计求解方法,实现里程计部分的精准定位.第1阶段,机器人运动过程中实时处理点云信息,将地面...     

基于显著性区域加权的相关滤波目标跟踪

为了提高跟踪过程中目标位置的定位精度,提出了基于显著性区域加权的相关滤波目标跟踪算法。本文在高效卷积算子跟踪算法(Efficient Convolution Operators for Tracking,ECO)的跟踪框架基础上,首先采用预训练的改进残差网络SE-ResNet来提取不同层的多分辨率特征,充分利用浅层和深层特征的不同特性来增强特征表达,通过因式分解的卷积求出相关滤波的响应图;然后采用背景对像模型来获取目标的显著性图,并使用显著性图来对相关滤波的响应图进行加权,提高定位精度;最后,在视觉目标跟踪(Visual Object Tracking,VOT)竞赛上与8种流行的跟踪算法进行对比,在VOT2016和VOT2017竞赛上的平均重叠期望(Expected Average Overlap,EAO)得分分别达到了0.4157和0.3412,均优于其他算法。实验表明本算法可以有效提升目标跟踪中的定位精度,改善跟踪性能。     

基于标定和关节空间插值的工业机器人轨迹误差补偿

轨迹精度是工业机器人重要的动态性能,目前工业机器人的轨迹精度远低于定位精度,提出一种基于机器人运动学标定和关节空间插值误差补偿的方法来提高机器人轨迹精度。基于MD-H方法建立机器人的运动学模型,在此基础上运用机器人微分运动学理论建立末端位置误差模型和轨迹误差模型。为克服最小二乘法等传统方法在数据噪声较大且不符合高斯分布时收敛慢甚至发散的问题,提出一种基于扩展卡尔曼滤波算法的机器人运动学参数辨识方法,实现运动学参数辨识的快速收敛。经过分析发现机器人误差在关节空间具有连续性的特点,为此提出一种关节空间插值误差补偿方法,建立网格形式的误差补偿数据库,并利用关节空间距离权重函数和已知的网格顶点误差计算各控制点的关节转角误差。通过试验对所提出的参数辨识和关节空间误差补偿方法进行了验证,试验结果表明：经过运动学参数辨识和补偿后机器人的绝对定位精度由1.039 mm提高到0.226 mm,轨迹精度由2.532 mm提高到1.873 mm,应用关节空间插值误差补偿后机器人的轨迹精度进一步提高到1.464 mm。     

基于具有墙角信息的语义地图改进AMCL重定位算法

针对原始自适应蒙特卡洛定位（Adaptive monte carlo localization,AMCL）算法仅利用激光信息存在的缺陷,提出一种基于激光与视觉融合的语义地图进行全局定位,该语义地图融合基于深度学习的目标检测方法提取环境中的墙角语义;利用建立的包含墙角信息的二维语义栅格地图,结合视觉预定位方法及角点周围语义信息表来提高算法全局初始定位的效率和准确性,使得移动机器人可以在少量先验信息和运动的情况下更迅速地实现定位。提出视觉预定位的方法,改进了粒子权重更新方式,再同步结合AMCL算法与环境地图匹配进行精定位。最后通过搭建的移动机器人在不同场景下进行对比试验,验证了该方法的有效性。