鲁棒的机器人蒙特卡洛定位算法

被引:12
作者
武二永 [1 ]
项志宇 [2 ]
刘济林 [2 ]
机构
[1] 杭州电子科技大学计算机应用技术研究所
[2] 浙江大学信息与通信工程研究所
基金
国家自然科学基金重点项目;
关键词
机器人定位; 粒子滤波; 马尔可夫-蒙特卡洛; 重采样;
D O I
暂无
中图分类号
TP242 [机器人];
学科分类号
1111 ;
摘要
提出一种基于粒子滤波器的机器人定位算法.首先利用一并行扩展卡尔曼滤波器作为粒子预测分布,将当前观测的部分信息融入,以改善滤波效果,减小所需粒子数;然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)重采样方法,以提高粒子的细化能力;最后结合普通重采样方法,提出一种改进的MCMC重采样的机器人定位算法,减少粒子匮乏效应的同时,提高了定位精度.实验结果表明,该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.
引用
收藏
页码:907 / 911
页数:5
相关论文
共 5 条
[1]   Bayesian landmark learning for mobile robot localization [J].
Thrun, S .
MACHINE LEARNING, 1998, 33 (01) :41-76
[2]  
An Algorithm for Finding Best Matches in Logarithmic Expected Time[J] . Jerome H. Friedman,Jon Louis Bentley,Raphael Ari Finkel.ACM Transactions on Mathematical Software (TOMS) . 1977 (3)
[3]  
A solution to the simultaneous localization and map building (SLAM) problem .2 M.W.M.G. Dissanayake,P.M. Newman,S. Clark,H.F. Durrant-Whyte,and M. Csorba. IEEE Transactions on Robotics and Automation . 2001
[4]  
Adapting the sample size in particle filters through KLD-sampling .2 Fox D. International Journal of Robotic Research . 2003
[5]  
Fastslam:a Factored Solution to the Simul- taneous Localization and Mapping Problem .2 Montemerlo M. Carnegie Mellon University . 2003