一种改进FastSLAM的移动机器人同时定位与建图算法

1 引言
SLAM指在室内[1],地下[2],水下[3]等环境下,移动机器人通过携带的传感器获得控制信息与观测信息,完成对环境地图构建,并确定机器人在地图中位置的过程[4]。其中,扩展卡尔曼滤波(ExtendKalman Filter,EKF)[5]是常用的解决SLAM的滤波类算法,然而当环境中路标过多时,EKF算法存在计算量过大的问题。为了减少SLAM算法的运行时间,文献[6]提出FastSLAM算法。FastSLAM基于Rao-Blackwellized粒子滤波算法,以及路径已知情况下路标估计相互独立的条件,结合粒子滤波器[7,8]和EKF求解SLAM后端问题。FastSLAM算法在计算速度方面相比EKF算法有明显的优势,但存在粒子退化,粒子多样性损失[9]等问题。为提高FastSLAM算法的精确度,FastSLAM2.0算法[10]在预测步骤加入观测信息, UFastSLAM[11] 结合无迹滤波器(Unscented Kalman Filter,UKF)与FastSLAM给出更加鲁棒的求解算法;此外,通过增加粒子的多样性,例如结合遗传算法[12],粒子群优化算法[13]随机改变粒子的信息,文献[14]在UFastSLAM的基础上应用模糊控制器提高了粒子对路径估计的精度。文献[15]应用自适应的渐消无迹卡尔曼滤波器替代EKF,依据自适应渐消滤波理论提出一种可自适应调节参数的提议分布。文献[16]应用自适应粒子群优化代替粒子滤波,并且引入了粒子筛选区间。需要指出的是,上述文献均没有解决FastSLAM陷入局部最优解的问题,即当多数粒子包含的信息为局部最优解时会导致FastSLAM算法的误差逐渐加大。

给定SLAM优化问题的目标函数,应用拉格朗日对偶理论[17]可求得其最小值的下界。文献[18]应用弦距离[19]表示角度之间的偏差并求解其拉格朗日对偶问题,并应用拉格朗日对偶理论验证了SLAM问题所得解的最优性。文献[20]在目标函数中引用复数形式,并进一步完善文献[18]得出的验证算法。文献[21]给出三维情况下的最优解验证方法。然而,随着状态向量维度的增加,对偶问题的求解复杂度大大增加。

本文提出一种结合FastSLAM与拉格朗日对偶理论的改进SLAM算法。首先,通过拉格朗日对偶理论获取FastSLAM算法所有粒子对应的目标函数值与对偶问题最优值的差值,进而消除陷入局部最优解的粒子。其次,提出一种判断粒子是否陷入局部最优的方法。仿真结果证明改进算法在精确度上优于传统FastSLAM算法。
2 移动机器人 SLAM 问题描述
SLAM 问题指移动机器人根据各个时刻采集到的控制信息和观测信息,完成对自身路径以及地图中观测到的路标位置的估计,如图 1 所示:

图片[1]-一种改进FastSLAM的移动机器人同时定位与建图算法
图 1 SLAM 问题框架

2.1 FastSLAM 算法
2.2 拉格朗日对偶理论
3 结合 FastSLAM 与拉格朗日对偶理论的SLAM 改进算法
3.1 SLAM 与其拉格朗日对偶问题
3.2 改进算法的实现
4 仿真实验
4.1 改进算法与 FastSLAM 算法的对比
5 结 论
参考文献(References)

一种改进FastSLAM的移动机器人同时定位与建图算法-AGV吧
一种改进FastSLAM的移动机器人同时定位与建图算法
此内容为付费资源,请付费后查看
20积分
付费资源
已售 1
© 版权声明
THE END
喜欢就支持一下吧
点赞6赞赏 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容