2018基于差分粒子滤波器差分滤波器的同时定位与地图创建方法

6111277

　　　摘要:针对目前FastSLAM改进算法存在复杂度高的问题,提出一种基于差分粒子滤波器(DDPF)差分滤波器(DDF)的同时定位与地图创建方法。该方法采用DDPF估计机器人路径,采用DDF估计陆标位置,同时采用可选重采样以降低样本贫化的概率。实验结果表明,该方法具有精度高、连贯性好以及复杂度适中的特点。
　　关键词:FastSLAM算法;差分粒子滤波器;差分滤波器;同时定位与地图创建;重采样
　　中图分类号:TP242.6
　　文献标志码:A
　　
　　0引言
　　
　　移动机器人的同时定位与地图创建问题(SimultaneousLocalizationandMapBuilding,SLAM)可以描述为:机器人在未知环境中从一个未知的位置开始移动,在移动过程中根据位姿估计和传感器观测进行自身定位,同时建立环境地图[1]。由于其重要的理论和应用价值,被很多学者认为是实现真正自主移动机器人的关键[2],成为移动机器人领域的研究热点。
　　近年来,由于具有追踪多重地图和机器人位姿假设的能力,RaoBlackwellised粒子滤波(RBPF)被许多学者作为解决SLAM问题的有效手段[3-5]。文献[4]最先将RBPF用于SLAM,成功解决了一个1010的栅格环境下的SLAM问题。在此基础上,文献[5]中提出了FastSLAM算法。该算法将SLAM问题分解为定位问题和建图问题,是粒子滤波(ParticleFilter,PF)和扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)的混合算法。定位问题用一个粒子滤波器实现,利用EKF产生新位姿后验概率的高斯逼近,建图问题用N个独立的EKF实现,一个陆标对应一个EKF[6]。EKF在估计中对非线性系统模型进行一阶线性化,引入了较大的线性化误差,这种误差会不断累积,甚至导致滤波器发散[7]。同时,FastSLAM算法中粒子滤波重采样容易导致样本贫化,重采样是减小样本退化的常用方法,文献[8]中采用归一化估计方差(NormalisedEstimationErrorSquared,NEES)来检验FastSLAM算法的一致性,结果证明引入重采样策略后FastSLAM算法只能在短时间内满足一致性条件。 论文网 http://

　　 论文网 http://