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.
