改进的平方根容积模糊自适应卡尔曼滤波SLAM算法-AGV吧

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。