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-Blackw...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粒了滤波框架,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.在同等粒了数的情况下,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.展开更多
粒子滤波器能够给出移动机器人全局定位非线性非高斯模型的近似解.然而,当新感知出现在先验概率的尾部或者与先验相比感知概率太尖时,传统的粒子滤波器会退化导致定位失败.本文提出了一种重要性采样跟中心差分滤波器(cen tra l d iffere...粒子滤波器能够给出移动机器人全局定位非线性非高斯模型的近似解.然而,当新感知出现在先验概率的尾部或者与先验相比感知概率太尖时,传统的粒子滤波器会退化导致定位失败.本文提出了一种重要性采样跟中心差分滤波器(cen tra l d ifference filter,CDF)相结合的新算法,并对测量更新步的加权粒子集应用基于KD-树的加权期望最大(w e igh ted expecta tion m ax im iza tion,W EM)自适应聚类算法获得表示机器人位姿状态后验密度的高斯混合模型(G au ssian m ixtu re m od e l,GMM).实验结果表明,新方法提高了定位准确率,降低了计算复杂度.展开更多
文摘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粒了滤波框架,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.在同等粒了数的情况下,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.
文摘粒子滤波器能够给出移动机器人全局定位非线性非高斯模型的近似解.然而,当新感知出现在先验概率的尾部或者与先验相比感知概率太尖时,传统的粒子滤波器会退化导致定位失败.本文提出了一种重要性采样跟中心差分滤波器(cen tra l d ifference filter,CDF)相结合的新算法,并对测量更新步的加权粒子集应用基于KD-树的加权期望最大(w e igh ted expecta tion m ax im iza tion,W EM)自适应聚类算法获得表示机器人位姿状态后验密度的高斯混合模型(G au ssian m ixtu re m od e l,GMM).实验结果表明,新方法提高了定位准确率,降低了计算复杂度.
