一种改进的RBPF激光SLAM算法

  • 一种改进的RBPF激光SLAM算法已关闭评论
  • 65 views
  • A+
所属分类:AGV设计资料
摘要

为了实现在复杂环境中移动机器人精确高效的同时定位与地图构建(SLAM),提出了一种改进重采样Rao-Blackwellized粒子滤波的同步定位与地图构建(RBPF-SLAM)算法。该算法在重采样过程中引入粒子权重平衡策略改善粒子权重退化和粒子匮乏造成栅格地图构建不精确的问题,然后将所提算法与基本RBPF-SLAM算法分别在仿真环境和实体环境下进行实验对比,实验结果表明了改进的RBPF-SLAM算法的可行性和有效性。

1 引 言

定位和地图构建一直是移动机器人导航领域[1 - 3]的核心问题与研究热点,是移动机器人各种行为能力的基础,移动机器人的定位依赖于精确的环境地图,而环境地图的准确构建又需要精确的定位,两者缺一不可,为了解决这个问题,Montemerlo[4]等提出了同时定位与地图构建( SimultaneousLocalization and Mapping,SLAM) ,SLAM 就是移动机器人利用系统运动模型,不断计算其自身在新时刻的位置得到估计观测值,利用其传感器观测到的环境信息估计环境特征得到实际观测值,根据实际观置进行校正,并将环境特征加入地图,通过不断迭代更新环境信息最终构建出完整地图。SLAM 根据使用不同的传感器分为激光 SLAM 和视觉 SLAM,由于激光传感器的探测范围广,精确度比最高,能够获得准确全面的环境信息,故本文采用激光传感器的方式来实现同时定位与地图构建。

目前机器人导航领域的定位算法与建模都是基于概率算法,常用 SLAM 方法有基于扩展卡尔曼滤波的 SLAM[5]( Extended Kalman Filter SLAM,EKF -SLAM) 和基于粒子滤波的 SLAM[6] ( Particle FilterSLAM,PF - SLAM) ,EKF - SLAM 需要不断处理协方差矩阵,计算复杂度高,不易扩展应用,因此很难应用于大规模环境中。随着深入的研究,针对上述问题,Thrun [7]等人提出了粒子滤波定位,使用若干个粒子估计机器人所有可能存在的位姿,融合传感器观测信息对先验概率进行更新校正得到后验概率,使定位更加精确。基于粒子滤波的 SLAM,由于对非线性、非高斯系统估计问题的有效性,能够适应任意噪声分布且较易实现,应用广泛,成为目前研究热点。但是 PF - SLAM 要想获得很好地近似系统的后验概率密度,就需要使用大量粒子,但随着粒子数目的增多,计算复杂度也随之增加,针对上述问题,Murphy 等[8,9]提出了 Rao - Blackwellised 粒子滤波器 ( RBPF) 来 处 理 SLAM 问 题,基 于 此 思 想,Montemerlo 等[4] 提 出 了 FastSLAMl. O ( RBPF -SLAM) 算法,该算法将 SLAM 问题分解为机器人自身定位和环境特征估计两个问题,用粒子滤波器进行路径的估计,用卡尔曼滤波器进行环境特征即路标位置的估计,由于粒子退化 Montemerlo 等[10,11]又提出了改进的 FastSLAM2. 0 算法,引入高斯分布函数来作为采样重要性函数。陈白帆[12]提出了一种基于粒子群优化的同时定位与建图方法,通过粒子群优化方法改进重要性概率密度函数,使得粒子集聚集在机器人的真实位置。周武[13]提出一种遗传快速 SLAM 算法,在重采样中,权值大的粒子参与遗传,经过变异等操作保证了粒子多样性。

与上述改进方法不同,本文针对解决基本 RBPF - SLAM 的粒子权值退化和样本枯竭问题,直接从粒子重采样入手,改进重采样的方法来提高粒子集的多样性。经实验对比,改进的 RBPF - SLAM 效果优于基本的 RBPF - SLAM。

2 基本 RBPF - SLAM 算法描述

2. 1 基本 RBPF - SLAM 算法原理

贝叶斯( Bayes) 滤波大多用于解决一般的线性,高斯系统的后验概率的问题,对于一些非线性,非高斯系统的后验概率的问题,引入蒙特卡洛( Monte -Carlo) 算法,蒙特卡洛采用样本形式而不是以函数形式对先验和后验概率进行求解,不需要积分等复杂计算,RBPF - SLAM 算法的实现[14,15]正是通过非参数化的蒙特卡洛代替贝叶斯方法来解决在大型复杂环境下概率估计问题,因此 RBPF - SLAM 问题被分解为计算机器人位姿估计 x 部分和环境地图估计 m 部分。其联合后验概率密度分布如下:

一种改进的RBPF激光SLAM算法


余下部分请下载观看

抱歉,此资源仅限赞助会员下载,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。