基于稀疏扩展信息滤波和粒子滤波的SLAM算法

被引：3

作者：

朱代先 ^{[1
]}

王晓华 ^{[2
]}

机构：

[1] 西安科技大学通信与信息工程学院

[2] 西安工程大学电子信息学院

来源：

计算机应用 | 2012年 / 32卷 / 05期

关键词：

同时定位与地图创建; 稀疏扩展信息滤波器; 粒子滤波器; Gibbs采样;

D O I：

暂无

中图分类号：

TP242 [机器人];

学科分类号：

1111 ;

摘要：

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建(SLAM)算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。

引用

页码：1325 / 1328

页数：4

共 13 条

[1] 基于固定滞后Gibbs采样粒子滤波的移动机器人SLAM [J].

张恒 ;

刘艳丽 ;

樊晓平 ;

瞿志华 .

计算机应用研究, 2008, (11) :3292-3295

[2]

Filtering via simulation: auxiliary particle filters. Pitt M K,Shephard N. Journal of the American Statistical Association . 1999

[3] 改进的极小连通支配集SLAM数据关联方法 [J].

王晓华 ;

傅卫平 .

计算机应用, 2010, 30 (09) :2294-2296+2304

[4]

Unscented fast SLAM:Arobust algorithm for the simultaneous localization and mapping prob-lem. KIM C,SAKTHIVEL R,CHUNG WK. IEEE International Conference on Robotics and Automa-tion . 2007

[5]

A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking. M Sanjeev Arulampalam,Simon Maskell,Neil Gordon,et al. IEEE Transactions on Signal Processing . 2002

[6]

FastSLAM 2.0: An Improved Particle Filtering Algorithm for Simultaneous Localization and Mapping that Provably Converges. Montemerlo M,Thrun S,Koller D, et al. Proceedings of the International Joint Conference on Artificial Intelligence . 2003

[7] 用改进的Rao-Blackwellized粒子滤波器实现移动机器人同时定位和地图创建 [J].

厉茂海 ;

洪炳熔 ;

罗荣华 .

吉林大学学报(工学版), 2007, (02) :401-406

[8]

Iterative relief for feature weighting:Algorithms,theo-ries,and applications. SUN Y J. IEEE Transactions on Pattern Analysisand Machine Intelligence . 2007

[9]

Improving regularized par-ticle filters. MUSSO C,OUDJANE N,LEGLAND F. Sequential Monte Carlo Methods in Practicle . 2001

[10]

SLAM updatesrequire constant time. THRUM S,KOLLE D,GHAHMARANI Z,et al. . 2002

← 1 2 →