移动机器人的概率定位方法研究进展

被引：15

作者：

厉茂海

洪炳熔

机构：

[1] 哈尔滨工业大学计算机科学与技术学院,哈尔滨工业大学计算机科学与技术学院黑龙江哈尔滨,黑龙江哈尔滨

来源：

机器人 | 2005年 / 04期

关键词：

移动机器人; 概率定位; 贝叶斯规则; 卡尔曼滤波; 马尔可夫定位; 粒子滤波;

D O I：

10.13973/j.cnki.robot.2005.04.019

中图分类号：

TP242 [机器人];

学科分类号：

1111 ;

摘要：

综述了近几年来流行的移动机器人基于概率定位的各种方法,对它们的性能进行了分析比较,所有这些方法都应用贝叶斯规则作为理论基础.首先,介绍了位置跟踪广泛应用的卡尔曼滤波方法和在全局定位方面取得一定成功的马尔可夫定位方法.然后,介绍了计算效率更高的粒子滤波定位方法,即蒙特卡洛法,以及最近自适应采样的粒子滤波方法,它比简单的粒子滤波效率更高.最后,对概率定位方法的关键技术进行了分析,并探讨了未来的发展趋势.

引用

页码：380 / 384

页数：5

共 8 条

[1]

Markov localization formobile robots in dynam ic environments. Fox D,BurgardW,Thrun S. Journal of Artificial Organs . 1999

[2]

Adapting the sample size in particle filters through KLD-sampling. Fox D. The International Journal of Robotic Research . 2003

[3]

Monte Carlo localization for mobile robots. Fox D,Burgard W,Dellaert F,et al. Proceedings of the IEEE International Conference on Robotics and Automation . 1999

[4]

RobustMonte Carlo localization formobile robots. Thrun S,Fox D,BurgardW,et al. Artificial Intelligence . 2001

[5]

A tutorial on particle filters for on-line non-linear/non-Gaussian Bayesian tracking. Arulampalam S,Maskell S,Gordon N,et al. IEEE Transactions on Signal Processing . 2002

[6]

Probabilistic algorithms and the interactive museum tour-guide robotM inerva. Thrun S,Fox D,BurgardW. The International Journal ofRobotics Research . 2000

[7]

Recursive Bayesian estimation using Gaussian sums. Sorenson A,A lspach D. Automatica . 1971

[8]

Bayesian estimation and Kalman filtering: a unified framework formobile robot localization. Roumeliotis S I,Bekey G A. Proceedings of the IEEE International Conference on Robotics and Automation . 2000

← 1 →