改进的平方根容积模糊自适应卡尔曼滤波SLAM算法

  • 改进的平方根容积模糊自适应卡尔曼滤波SLAM算法已关闭评论
  • 45 views
  • A+
所属分类:AGV设计资料
摘要

针对移动机器人SLAM算法存在系统噪声对定位精度影响严重,特征点的增加导致轨迹偏移等现象。文章将迭代思想与时变渐消因子引入平方根容积卡尔曼滤波中,通过动态调节新息均值和协方差的方式,建立模糊自适应模型调整噪声权值,改善系统中存在的运动噪声和观测噪声。该算法相对于以往算法只能解决单一问题而言,具有更好的兼容性与鲁棒性。通过实验仿真结果可以看出,该算法相对于以往算法在X方向、Y方向和位姿偏移角的误差分别减小了21.59%、36.45%、32.97%。将此算法应用于实际中,具有良好的地图重建效果。

0 引言

同时定位与地图重建是指移动机器人在未知环境 下通过激光雷达进行环境地图的重建并在重建后的地 图中表示出该机器人位姿状态的过程[1]。SLAM 算法 在移动机器人中的应用是该领域的研究热点。传统的 算法将扩展卡尔曼滤波引入到 SLAM 领域,其本质就 是使用卡尔曼滤波对线性化的模型进行处理[2]。扩展 的卡尔曼滤波( EKF) 虽然能够解决非线性系统问题, 但是不能很好的处理算法中的数据关联且精度不 高[3-5]。在此基础之上,近年来许多研究学者提出了各 种改进的新型算法。针对地图重建过程中受外界环境 影响较大的问题[6],涂刚毅等人提出了一种超声概率 栅格地图环境特征点提取算法[7]。赵琳等人提出了迭 代测量更新的 UKF 算法,有效解决了无迹卡尔曼滤波 ( UKF) 中 Sigma 点会逐渐偏离真实状态估计值的问 题[8],但机器人在同时定位与地图重建过程中系统往往存在噪声,随着地图特征点的增加系统的观测维度 也会随之增加,导致定位效果不佳[9-10]。

在分析了以上研究成果后提出一种改进的平方根 容积模糊自适应卡尔曼滤波 SLAM 算法,该算法将迭 代方式与强跟踪相结合,并且针对机器人存在运动噪 声和观测噪声这一问题,采用改进的模糊自适应方式 对不同的噪声进行自适应动态调整。该算法的优点在 于大大降低了算法复杂度,解决了采样点在非线性情 况下存在失真的问题,能够很好的校正因特征点增加 引起的轨迹偏移现象,提高了位姿精度。

1 融合模糊自适应与平方根容积的 SLAM 算法

1.1 模糊自适应噪声动态调整算法

移动机器人的 SLAM 算法就是机器人与其运行的 环境组成的一个动态的控制系统。为了更好的研究此 动态控制系统,我们定义 Sr k 为移动机器人的位姿信

改进的平方根容积模糊自适应卡尔曼滤波SLAM算法

恭喜,此资源为免费资源,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。