基于粒子滤波的移动机器人SLAM改进算法

针对未知环境中移动机器人同时定位和地图创建（Simultaneous Localization and Map Building,SLAM）由于机器人位姿和环境地图都不确定导致定位和地图创建变得更加复杂,提出一种局部最优（全局次优）参数法,即通过局部最优的位姿创建局部最优的环境地图,再通过局部最优的环境地图寻求局部最优的位姿,如此交替进行,直到得到全局确定性的位姿和确定性的环境地图。实验结果表明,同标准的基于粒子滤波的SLAM 算法（Particle Filtering-SLAM,PF-SLAM）比较,改进的算法提高了机器人SLAM过程中定位的准确度和地图创建的精确度,为机器人在未知的室外大环境同时定位和地图创建提供新的方法。     

一种改进的粒子滤波SLAM算法

传统的粒子滤波SLAM算法中,由于历史信息未被利用而导致估计精度较低。文中结合精确稀疏滞后状态信息滤波具有自然稀疏的信息矩阵因而估计精度高以及精确稀疏扩展信息滤波计算效率高的优点,将二者混合应用于粒子滤波SLAM算法中。不但充分应用信息矩阵记录的机器人位姿与特征间关系的历史信息从而提高估计的精度,而且克服机器人转动状态及环境特征疏密带来的应用缺陷。仿真与真实机器人实验的实验结果均表明文中算法的有效性与可行性。     

一种新的粒子滤波SLAM算法

粒子滤波SLAM算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是这些算法不能长时间满足一致性要求.将边缘粒子滤波技术(marginal particle filtering,MPF)运用到SLAM技术中,并利用Unscented Kalman滤波(UKF)来计算提议分布,得到了一种新的粒子滤波SLAM算法.新算法避免了从不断增长的高维状态空间采样,非常有效地提高了算法中的有效粒子数,大大降低了粒子的权值方差,保证了粒子的多样性,同时也满足一致性要求.该算法克服了一般粒子滤波SLAM算法的缺点,性能优势十分明显.     

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建（SLAM）算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。     

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.     

基于精确稀疏扩展信息滤波的粒子滤波SLAM算法研究

传统粒子滤波算法的单次迭代过程以及小权值粒子在重采样中被删除都使得机器人位姿的历史信息不能充分利用,因而会出现粒子的退化现象,从而导致滤波算法的估计精度较低。本文提出基于精确稀疏扩展信息滤波的粒子滤波SLAM算法,利用精确稀疏扩展信息滤波的信息矩阵反映机器人位姿相对变化的同时,也对应于状态后验概率的条件概率的性质,应用Gibbs采样直接从SLAM完全后验分布产生样本,充分利用了信息矩阵包含的不确定信息,粒子分布均匀,且保持了多样性,缓解了粒子退化现象。实验结果表明所提算法的粒子集能够更好地描述真实后验分布,显著提高了SLAM算法的估计精度。     

基于中心差分粒子滤波的SLAM算法

针对移动机器人同时定位与地图创建(Simultaneous localization and mapping, SLAM)中的FastSLAM算法, 存在非线性系统线性化处理和计算雅可比矩阵的缺点, 本文提出了基于Sterling多项式插值处理非线性系统的SLAM方法. 该方法基于Rao-Blackwellized粒子滤波框架, 利用中心差分滤波方法产生改进的建议分布函数, 提高了机器人位姿估计的精度; 利用中心差分滤波初始化特征和更新地图中的特征, 提高了地图创建的精度; 针对实际应用中存在虚假特征的情况 提出了一种有效的地图管理方法. 在同等粒子数的情况下, 该方法改进了SLAM结果的精度. 基于仿真和实际数据的实验结果验证了该方法的有效性.     

基于混合信息滤波的粒子滤波SLAM算法

为解决粒子滤波SLAM中存在的计算效率高及粒子退化造成的估计精度低等问题, 结合精确稀疏滞后状态信息滤波估计精度高以及精确稀疏扩展信息滤波计算效率高的优点, 将两者混合应用于粒子滤波SLAM算法中, 不但在保证计算效率的条件下提高了状态估计精度, 并且还克服了机器人转动状态以及环境特征疏密带来的应用缺陷。实验结果表明了该方法的有效性与可行性。     

平方根容积Rao-Blackwillised粒子滤波SLAM算法

面向大尺度环境中的移动机器人同时定位与地图构建（Simultaneous localization and mapping,SLAM）问题,提出平方根容积Rao-Blackwillised粒子滤波SLAM算法. 算法主要特点在于：1）采用容积律计算SLAM中的非线性函数高斯权重积分,达到减小SLAM非线性模型线性化误差、提高SLAM精度的目的;2）在SLAM中直接传播误差协方差矩阵的平方根因子,避免了耗费时间的协方差矩阵分解与重构过程,提高了SLAM计算效率. 通过仿真、实验将提出的SLAM算法与FastSLAM2.0、UFastSLAM两种算法进行对比,结果表明本文算法在SLAM性能上优于另两者.     

快速SLAM算法的一种新的滤波架构

FastSLAM算法是同时定位与地图创建领域的一类重要方法,UPF-IEKFFastSLAM2.0算法采用UPF估计机器人的路径,地图估计则采用IEKF算法。UPF算法使粒子向后验概率高的区域运动,提高了估计精度,并且UPF算法比普通粒子滤波算法需要更少的粒子数,因而可以降低计算复杂度;IEKF算法通过迭代观测更新过程来提高估计精度。仿真实验表明,当迭代次数小于等于2时,UPF-IEKFFastSLAM2.0算法的地图估计累计时间比UPF-UKFFastSLAM2.0算法短;当迭代次数为2时,其估计精度高于UPF-UKFFastSLAM2.0算法。综合考虑估计精度和计算复杂度,认为"UPF-IEKF"是一种更合理的FastSLAM算法滤波架构。     

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.     

粒子滤波算法综述

对粒子滤波算法的原理和应用进行综述．首先针对非线性非高斯系统的状态滤波问题．阐述粒子滤波的原理;然后在分析采样-重要性-重采样算法基础上．讨论粒子滤波算法存在的主要问题和改进手段;最后从概率密度函数的角度出发．将粒子滤波方法与其他非线性滤波算法进行比较．阐明了粒子滤波的适应性．给出了粒子滤波在一些研究领域中的应用．并展望了其未来发展方向．     

基于自适应渐消无迹粒子滤波的UnscentedFastSLAM算法

针对机器人导航无迹快速同步定位与地图构建（Unscented FastSLAM）算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使系统具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented FastSLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。     

Amortized constant time state estimation in Pose SLAM and hierarchical SLAM using a mixed Kalman-information filter

The computational bottleneck in all information-based algorithms for simultaneous localization and mapping (SLAM) is the recovery of the state mean and covariance. The mean is needed to evaluate model Jacobians and the covariance is needed to generate data association hypotheses. In general, recovering the state mean and covariance requires the inversion of a matrix with the size of the state, which is computationally too expensive in time and memory for large problems. Exactly sparse state representations, such as that of Pose SLAM, alleviate the cost of state recovery either in time or in memory, but not in both. In this paper, we present an approach to state estimation that is linear both in execution time and in memory footprint at loop closure, and constant otherwise. The method relies on a state representation that combines the Kalman and the information-based approaches. The strategy is valid for any SLAM system that maintains constraints between marginal states at different time slices. This includes both Pose SLAM, the variant of SLAM where only the robot trajectory is estimated, and hierarchical techniques in which submaps are registered with a network of relative geometric constraints.     

利用粒子滤波求解旅行商问题

针对现有优化算法求解旅行商问题(TSP)时容易陷入局部极值的缺点,提出一种基于粒子滤波的优化搜索算法,该算法将TSP最优路径的搜索过程看成是一个动态时变系统。阐述了利用粒子滤波求解TSP最优路径的基本思想,给出了该方法的具体实现步骤。为了增强算法跳出局部极值的能力,在采样过程中引入了遗传算法的交叉和变异操作来丰富样本的多样性。最后为了验证新算法的有效性,进行了仿真实验,结果表明基于粒子滤波的优化算法能够找到比其他优化算法更好的解。     

一种抗遮挡与重采样的粒子滤波跟踪算法研究

针对经过多次迭代之后粒子滤波因粒子匮乏,对于光照、遮挡与旋转等问题会出现跟踪精度下降,甚至失败等问题,提出了一种似然分布自适应调整ALD方法,根据噪声因子的大小来自适应调整似然分布状态,增加先验和似然的重叠区域,有效提高滤波的稳定性,减少重采样次数;在跟踪精度不高或失败时,用局部三值模式LTP来判定所要跟踪区域,根据有效粒子所占用的面积采用动态的粒子阈值来减少重采样次数,采用模板更新来继续跟踪。实验结果表明,该算法的采样次数更少,在遮挡、旋转等条件下能有效地跟踪目标。     

增量学习Rao-Blackwellized粒子滤波的跟踪算法

基于特征子空间的目标跟踪方法能适应目标状态的变化,并对光照等外部环境不敏感,但通常假定特征子空间的基向量固定,这样不仅需要离线训练,而且在目标姿态发生较大改变时,跟踪精度会降低。提出一种基于增量学习的Rao-Blackwellized粒子滤波算法,通过在线学习获得特征子空间的基向量,并用解析的方法对目标在子空间的投影参数进行在线更新。实验表明,新算法在目标有较大形变、姿态变化和光照等条件变化时,能保持较高跟踪精度,具有较强的鲁棒性。     

On the behaviour of low cost laser scanners in HW/SW particle filter SLAM applications

Particle filters (PFs) are computationally intensive sequential Monte Carlo estimation methods with applications in the field of mobile robotics for performing tasks such as tracking, simultaneous localization and mapping (SLAM) and navigation, by dealing with the uncertainties and/or noise generated by the sensors as well as with the intrinsic uncertainties of the environment. However, the application of PFs with an important number of particles has traditionally been difficult to implement in real-time applications due to the huge number of operations they require. This work presents a hardware implementation on FPGA (field programmable gate arrays) of a PF applied to SLAM which aims to accelerate the execution time of the PF algorithm with moderate resource. The presented system is evaluated for different sensors including a low cost Neato XV-11 laser scanner sensor. First the system is validated by post processing data provided by a realistic simulation of a differential robot, equipped with a hacked Neato XV-11 laser scanner, that navigates in the Robot@Factory competition maze. The robot was simulated using SimTwo, which is a realistic simulation software that can support several types of robots. The simulator provides the robot ground truth, odometry and the laser scanner data. Then the proposed solution is further validated on standard laser scanner sensors in complex environments. The results achieved from this study confirmed the possible use of low cost laser scanner for different robotics applications which benefits in several aspects due to its cost and the increased speed provided by the SLAM algorithm running on FPGA.