一种改进的粒子滤波SLAM算法*

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

基于势均衡多伯努利滤波的SLAM方法

针对传统的EKF-SLAM、FastSLAM等方法存在着复杂度高、需要进行数据关联、计算量大不足等问题,提出了一种基于势均衡多伯努利滤波的SLAM(Cardinality Balanced Multi-Bernoulli-SLAM,CBMBer-SLAM)算法,该方法是一种基于随机有限集理论的滤波方法,将势均衡多伯努利滤波方法运用到地图特征估计中,克服了复杂的数据关联和地图特征点数目估计过多的问题,从而提高地图估计的整体精度,是一种用来解决水下SLAM问题比较好的新方法.通过仿真实验,将所提算法与RB-PHD-SLAM算法进行比较,仿真结果表明该算法可以有效提高地图特征估计精度.     

基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速 SLAM算法

针对常规FastSLAM算法需要大量粒子创建地图以及粒子退化而导致计算复杂度高、难以提高估计精度等问题,提出了一种基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速SLAM(同步定位与地图构建)算法.首先,改进了箱粒子滤波中以箱粒子为支撑集的均匀概率密度函数,采用高斯概率密度函数进行贝叶斯滤波,提高了估计的精度.在此基础上将Dirichlet过程非参贝叶斯学习应用于高斯箱粒子的重采样,既保证了有效箱粒子数,又能让箱粒子集中在高似然区域,降低了采样枯竭的影响.然后,利用基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波进行机器人位姿估计,可有效降低地图创建所需的粒子数,并提高定位精度和实时性.进而采用无迹卡尔曼滤波更新地图特征,以提高地图创建的一致性.仿真结果和轮腿复合机器人实地实验结果验证了本文方法的可行性和有效性.     

一种改进的稀疏扩展信息滤波SLAM算法

如何得到精确一致的稀疏信息矩阵是稀疏扩展信息滤波同时定位与地图创建(SLAM)算法的关键.在对相关性进行详细深入分析的基础上,提出一种改进的信息矩阵稀疏规则.该规则利用稀疏时刻的观测信息,从全局上保留了与机器人相关性最强的特征.在不增加计算负担的情况下,提高算法的精度及一致性.最后,通过大量的Monte-Carlo仿真实验,验证该方法的有效性.     

二阶中心差分粒子滤波FastSLAM算法

为改善SLAM算法中非线性系统状态估计精度不高,计算繁杂的问题,本文创新性地提出了基于二阶中心差分滤波并融合最新观测数据来产生建议分布函数的新算法。新算法基于二阶sterling插值公式处理SLAM中的非线性系统问题,无须计算雅可比矩阵,容易实现。此外,该算法使用Cholesky分解技术,在SLAM概率估计中直接依据协方差平方根因子进行传播,保证协方差矩阵正定性的同时减小了局部线性化的截断误差。仿真试验表明,在粒子数相同的情况下,二阶中心差分FastSLAM(SOFastSLAM)在不同噪声条件下的估计精度均优于FastSLAM2.0、UFastSLAM算法,且用时最少,证实了SOFastSLAM算法的优越性。     

基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法

针对非线性系统模型,提出一种基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法.该方法采用Stirling 内插公式对非线性函数作多项式逼近,利用中心差分卡尔曼滤波和高斯混合概率假设密度滤波对后验多目标状态一阶统计量进行估计,并通过递推更新得到目标状态,以实现对多个目标的跟踪.该方法无需求解系统函数的雅可比矩阵,且具有二阶泰勒展开式精度.仿真结果表明,所提出方法能够增强算法的鲁棒性,提高目标状态和数目的估计精度.     

基于部分惯性传感器信息的单目视觉同步定位与地图创建方法

传统的单目视觉同步定位与地图创建(MonoSLAM)方法很难处理累积误差问题,如何有效地利用惯性传感器输出的运动信息辅助SLAM系统抑制累积误差是MonoSLAM研究中的一项重要内容.由于惯性传感器输出的三轴方向角中横滚角和俯仰角的精度较高,而偏航角的精度相对较低,如果在SLAM系统中直接使用惯性传感器输出的偏航角信息不但无法有效地抑制该系统中的累积误差,反而会进一步增大系统误差、降低SLAM系统的稳定性.针对这种情况,提出一种基于惯性传感器横滚角和俯仰角的MonoSLAM方法.首先利用惯性传感器输出的横滚角和俯仰角进行系统标定;然后将惯性传感器自身的偏航角作为系统状态向量的一个分量,利用扩展卡尔曼滤波器实时地估计状态向量,进而实现实时鲁棒的同步定位和地图创建.实验结果表明,该方法可以有效地抑制SLAM系统运行过程中产生的累积误差,并降低惯性传感器测量误差对SLAM系统稳定性的影响.     

面向3维空间的移动机器人快速自适应SLAM算法

针对3维空间中移动机器人同时定位与地图构建(SLAM)问题,提出了一种基于改进强跟踪滤波(STF)的快速自适应SLAM算法.该算法首先对于强跟踪滤波器的噪声协方差阵进行在线自适应估计,用于抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近;随后将状态协方差矩阵进行奇异值分解(SVD),提高算法的数值稳定性.该算法可提高对系统时变的自适应能力以及系统状态估计精度.与基于强跟踪滤波器的SLAM算法的仿真对比结果说明了该算法的有效性及其在抑噪性能和估计精度方面的优越性.     

基于雷达–扫描器/惯性导航系统的微小型无人机室内组合导航

本文提出一种基于雷达–扫描器/惯性导航系统(radar-scanner/INS)的微小型无人机室内导航方法.为提高算法的实时性,采用基于扩展卡尔曼滤波(EKF)的DC同步定位与构图技术(SLAM)实现定位和构图;在更新状态值的扫描匹配过程中提出启发性逻辑来筛选激光雷达数据,以提高算法对无人机因姿态和高度变化而引起的轮廓地图波动的抗干扰性;在特征匹配的过程中选取合理的地图轮廓特征,并利用扫描匹配的结果和特征匹配的传递性提出了精度较高的引导配对,以提高特征配对在三维环境下的准确性;最后,将DC SLAM与惯性导航系统进行基于EKF的组合滤波,给出无人机的全状态估计.通过与GPS/INS组合导航对比以及室内飞行验证,本文提出的方法能够满足无人机飞行控制对导航实时性和精度的要求.     

基于超声波的移动机器人的同时定位和地图构建

为了在移动机器人SLAM过程中得到更精确的定位和二维地图构建,对一种利用超声波传感器信息进行栅格地图创建的方法提出了改进;该方法利用Bayes法则对信息进行融合,利用粒子滤波和航位推算相结合的方法对机器人进行精确定位和创建地图,然后利用移动的栅格法进行地图的全局更新,提出了一种地图的校验方法;通过实验,在粒子数为200的情况下分别得到了算法改进前和改进后的地图构建结果,通过比较,证明了使用该算法进行移动机器人定位和地图构建更加精确。     

综合颜色和小波纹理特征的免疫粒子滤波视觉跟踪

针对标准粒子滤波视觉跟踪时的缺陷,尤其是其“样贫”和目标特征不明显等问题,提出了结合小波纹理特征的免疫粒子滤波算法.小波纹理特征的加入,使得单纯依靠颜色特征不能很好适应环境变化的情况得到了改善.同时通过加入免疫优化算法,提高了粒子的多样性,尤其是在发生遮挡时减少了“样贫”的影响.通过实验验证了所提算法的有效性和鲁棒性....     

用于前车追踪的多特征融合粒子滤波算法改进

基于特征融合的粒子滤波算法可以将多个不同的特征进行融合,增强跟踪系统鲁棒性,但是现有的算法存在着特征显著性差,算法实时性不强以及融合策略不具备通用性的缺点。针对上述问题提出了一种适用于前车追踪系统的改进融合算法,采用增强边缘信息的SULBP新特征,并通过自适应降维方法提升特征提取的实时性;利用粒子集的分布状态设计自适应融合算法解决了融合策略的通用性问题。实验结果表明,所提出的多特征融合粒子滤波算法在跟踪性能和算法实时性上均有显著地提升。     

综合颜色与梯度方向特征的粒子滤波跟踪

针对标准粒子滤波跟踪在复杂环境和光照变化下的缺陷,提出了融合颜色和梯度方向特征的粒子滤波跟踪算法,以克服单一颜色特征跟踪鲁棒性不高的问题。设计了特征融合的粒子重要性评判模型,使得单纯依靠颜色特征不能很好适应环境变化的情况得到了改善。同时通过目标模式自适应更新模型,提高了算法对复杂变化的自适应能力。实验表明,所提算法能比较可靠地实现复杂场景下的目标跟踪。     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

Effective cubature FastSLAM: SLAM with Rao-Blackwellized particle filter and cubature rule for Gaussian weighted integral

Simultaneous localization and mapping (SLAM) is a key technology for mobile robot autonomous navigation in unknown environments. While FastSLAM algorithm is a popular solution to the large-scale SLAM problem, it suffers from two major drawbacks: one is particle set degeneracy due to lack of measurements in proposal distribution of particle filter; the other is errors accumulation caused by inaccurate linearization of the nonlinear robot motion model and the environment measurement model. To overcome the problems, a new Jacobian-free cubature FastSLAM (CFastSLAM) algorithm is proposed in this paper. The main contribution of the algorithm lies in the utilization of third-degree cubature rule, which calculates the nonlinear transition density of Gaussian prior more accurately, to design an optimal proposal distribution of the particle filter and to estimate the Gaussian densities of the feature landmarks. On the basis of Rao-Blackwellized particle filter, the proposed algorithm is comprised by two main parts: in the first part, a cubature particle filter (CPF) is derived to localize the robot; in the second part, a set of cubature Kalman filters is used to estimate environment landmarks. The performance of the proposed algorithm is investigated and compared with that of FastSLAM2.0 and UFastSLAM in simulations and experiments. Results verify that the CFastSLAM improves the SLAM performance.     

一种新型非线性滤波的多特征融合跟踪算法

为有效解决非线性系统的状态估计问题,提出一种新型非线性滤波算法。该算法通过在积分卡尔曼滤波中引入修正因子,对积分点进行优化重组,并采用修正后的积分卡尔曼滤波产生优选建议分布函数,较好地克服了粒子退化现象。在新算法的框架内,利用颜色和运动边缘特征作为观测模型进行视频目标跟踪,并通过D-S证据理论的方法进行权值融合,较好地克服了单一颜色特征在姿态改变、相似背景遮挡等情况下跟踪稳定性较差的问题。实验表明本方法对复杂条件下的目标跟踪问题在保持较强鲁棒性的同时,跟踪精度提升了近32%。     

基于自适应滤波器的电网谐波电流预测法

提出一种新的基于LMS算法自适应滤波器的有源电力滤波器(APF)参考电流的预测方法，针对传统LMS算法的缺陷(如收敛速度慢、对非平稳输入信号的适应性差等)作了3点改进，这些改进措施可有效提高自适应滤波器的综合性能．仿真与实验结果证明，采用该方法可有效减小延时对APF补偿效果的影响．     

基于容积卡尔曼滤波的异类多传感器一致性融合算法

针对单一光频传感器获取目标特征信息存在的不一致性,提出一种基于容积卡尔曼滤波的异类多传感器一致性融合方法。首先,从原理上分析了激光、红外与雷达三类传感器量测信息的特征及其存在的差异,进而在容积卡尔曼滤波框架下,针对雷达、红外和激光探测等组成的典型目标侦测系统,结合一致性融合策略,通过对目标距离和方位信息融合处理改善目标状态估计精度。仿真结果表明：相对于传统的单传感器滤波方法,所提出的融合方法和策略具有较好的滤波性能。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

准米字窗口中值滤波在路面检测中的应用

针对在路面检测中传统中值滤波方法存在的不足,依据沥青路面病害图像特征分析,提出了准米字窗口中值滤波算法,并将该算法应用于沥青路面病害图像处理;仿真结果表明:准米字窗口中值滤波算法在有效抑制噪声的同时最大可能地保留了图像中病害的边缘细节信息,检测精度高,计算量小;较传统中值滤波具有更优的综合滤波性能,对沥青路面病害图像有更强的适用性。