基于改进粒子滤波算法的移动机器人定位

定位问题是实现移动机器人自主能力的基本问题,将粒子滤波算法与移动机器人的运动和感知模型相结合,形成的蒙特卡洛定位方法,能有效解决移动机器人在未知环境中的定位问题。本文在基本粒子滤波算法的基础上提出了一种改进的粒子滤波算法,并将改进的粒子滤波算法应用于移动机器人的定位,相比于基本的粒子滤波算法,改进的算法在以下几个方面做了改进： 1.将粒子滤波算法与典型的MCMC (Markov Chain Monte Carlo)方法-Metropolis Hastings (MH)抽样算法结合,对基本粒子滤波算法进行了改进,力求在保证粒子有效性的同时科学地增加粒子的多样性。同时提高了算法的精度。 2.在采样阶段,我们采用了EKF(扩展卡尔曼滤波)和UKF(Unscented Kalman Filter)算法来产生重要密度函数,从而使采样点同实际分布更为接近,较好的解决了粒子退化问题。同时将改进的算法与MH抽样算法有机结合,并进行仿真分析,仿真结果表明改进后的算法具有较好的估计精度。 3.将改进的算法应用于移动机器人全局定位的仿真实验。仿真实验显示改进的算法能较好的实现移动机器人的全局定位。