曲丽萍，王宏健，边信黔

（1.哈尔滨工程大学自动化学院，黑龙江 哈尔滨 150001；2.北华大学电气信息工程学院，吉林 吉林 132021）

0 引言

移动机器人同步定位与地图构建（Si multaneous Localization And Mapping，简称SLA M），是指机器人在自身位置不确定条件下，在部分已知或完全未知环境中运动时，根据位置估计和传感器数据进行自身定位、同时建造增量式地图［1－2］。

SLAM问题研究中，应用较多的是扩展卡尔曼滤波（EKF）SLAM和粒子滤波SLAM解决方案。EKF利用非线性函数泰勒展开式的一阶偏导部分（忽略高阶项），常常导致在状态的后验分布的估计上产生较大的误差，影响滤波算法的性能。另外，EKF算法要求状态的概率密度函数满足高斯分布，但实际系统往往是非高斯、非线性的（即系统状态／量测模型是非线性的，模型／量测噪声不服从高斯分布）。

对于非线性、非高斯系统的状态估计问题，比较有发展前途的是基于序贯蒙特卡罗方法和SIS的粒子滤波方法。该方法对系统噪声没有任何限制，它通过预测和更新来自于系统概率密度函数的采样集来近似非线性系统的随机贝叶斯估计。粒子滤波方法的优点是采样集中在高概率的区域，采样计算的过程也很简单，是一种非线性、非高斯系统的贝叶斯估计［2］。

但是，粒子滤波SLAM在进行机器人路径估计和路标位置估计过程中，经过几次迭代，粒子的权值会集中到少数粒子上，使得大量的计算工作都被浪费在用来更新那些对估计几乎不起作用的粒子上，这就是粒子退化问题，粒子滤波SLA M中的最经典的算法Fast SLA M也不例外。……