一种改进的无人机FastSLAM1.0算法
2016-01-27沈永福王希彬
沈永福, 王希彬
(1海军军训器材研究所,北京 102301; 2海军航空工程学院控制工程系,山东 烟台 264001)
一种改进的无人机FastSLAM1.0算法
沈永福1, 王希彬2
(1海军军训器材研究所,北京102301; 2海军航空工程学院控制工程系,山东 烟台264001)
摘要:无人机FastSLAM1.0算法粒子滤波的预测过程没有考虑地标的观测值,并不能利用新的测量数据更新无人机的位姿,使得粒子集偏离无人机真实位姿,需要大量粒子改进粒子滤波的精度,增加了算法的计算复杂性。为此,提出采用模拟退火算法更新粒子的预测值,调整提议分布,使得粒子集中在无人机真实位姿的周围,并利用分层重采样解决粒子退化问题。在无人机环境下对该算法进行仿真研究,结果表明其估计精度明显优于FastSLAM2.0算法,验证了算法的有效性和可行性。
关键词:快速同时定位与地图创建; 无人机; 粒子滤波; 模拟退火; 分层重采样
1引言
FastSLAM是由Montemerlo[1-3]最早提出的,采用粒子滤波的方法,把SLAM分解为定位部分和条件地图部分,很好地克服了EKFSLAM的缺陷,能够应用在大规模的室外环境。但是FastS粒子滤波中大多数粒子经多次迭代后,只有很小的权值,产生“粒子退化”现象。重采样可以抑制“粒子退化”,但重采样选择较大权值的粒子使得粒子的多样性缺失,带来“粒子贫乏”现象,使得估计精度降低。针对存在的这些问题,目前许多学者提出了改进的FastSLAM的粒子滤波算法。Yin[4]利用遗传算法的选择、交叉和变异算子进行粒子优化;Li[5]把SLAM问题转化为基于免疫算法的多目标优化问题;Chen[6]提出基于粒子群优化的方法解决移动机器人的SLAM问题。……
