基于全景视觉机器人的改进UKF-SLAM算法研究

  • 基于全景视觉机器人的改进UKF-SLAM算法研究已关闭评论
  • 39 views
  • A+
所属分类:AGV设计资料
摘要

标准UKF-SLAM算法根据协方差矩阵计算的Sigma点会逐渐偏离真实状态估计值,影响定位精度。针对上述问题,该文引入平方根滤波的方法,在迭代更新过程中直接传递协方差矩阵的平方根,确保协方差矩阵的非负定性,提出了一种基于全景视觉的改进UKF-SLAM算法。并通过仿真实验,验证了该文提出的改进UKF-SLAM算法具有更高的定位精度。

全景视觉传感器不仅具有普通视觉传感器信息量大、直观性好和采样周期短等优点,而且还具备全向360°的感知范围,在应用于同时定位与地图创建(SLAM)[1,2]是中时,视觉路标可在其视野范围内停留更长的时间,增强了对路标的连续观测和跟踪能力。

1988年,Smith,Self和Cheeseman在文献[3]中首次提出EKFSLAM算法,利用EKF算法对机器人位姿和地图同时估计,奠定了移动机器人SLAM的理论框架。但EKF算法在执行时需要假设系统服从高斯分布,且存在线性化问题,无法满足模块化应用。Wang等[4]将UKF算法用于解决SLAM问题,在保证计算复杂度同阶的情况下,以对非线性函数的概率密度分布近似取代对非线性函数本身近似,解决了线性化问题。

然而UKF-SLAM算法中,每次迭代都需要传递协方差矩阵且根据协方差矩阵计算的Sigma点会逐渐偏离真实状态估计值,影响定位精度。针对上述缺点,该文提出了一种直接传递协方差矩阵平方根的改进UKF-SLAM算法,提高了算法的精度。

1 UKF-SLAM 原理介绍

无迹卡尔曼滤波[5](unscented Kalman filter,UKF)是一种利用采样策略对非线性分布进行逼近的方法,它以卡尔曼滤波框架为基础,利用UT变换,通过一组确定性采样点对非线性函数的概率密度分布进行近似。

1.1 UT变换

假设 x是均值为 x、方差为Pxx的L维随机变量, y与x的非线性变换由y=g(x)确定。一般意义下UT变换的步骤如下:(1)根据变量 x 的统计量 x 和 Pxx选择一种Sigma点采样策略,

基于全景视觉机器人的改进UKF-SLAM算法研究

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。