罗元　庞冬雪　张毅　苏琴

摘要：针对基于Cubature粒子滤波的蒙特卡罗定位（CMCL）算法存在的计算量大、实时处理能力较差的问题，提出一种基于自适应多提议分布粒子滤波的蒙特卡罗定位（AMPD-MCL）算法。该算法利用Cubature卡尔曼滤波和扩展卡尔曼滤波改进提议分布，融入当前观测信息，减弱粒子退化现象；重采样部分采用Kullback-Leibler距离（KLD）采样，根据粒子在状态空间的分布状况，在线调整下一次滤波迭代所需粒子数，从而减小计算量。仿真实验验证了自适应多提议分布粒子滤波（AMPD-PF）的有效性；同时在机器人操作系统（ROS）上进行实验，结果表明改进算法的平均定位精度达到19.891cm，定位所需粒子数稳定在60，定位时间为45.543s，较CMCL算法在定位精度上提高了71.03%，时间缩短了63.10%。实验结果表明，AMPD-MCL算法减小了定位误差，能实时在线调整粒子数，有效减少了算法计算量，提高了实时处理能力。

关键词：蒙特卡洛定位；多提议分布；Cubature卡尔曼滤波；扩展卡尔曼滤波；Kullback-Leibler距离采样；机器人操作系统

中图分类号：TP242.6

文献标志码：A

0引言

移动机器人定位[1]利用先验环境地图信息、前一时刻位姿估计以及传感器的观测信息，经过一系列的处理和变换，产生对当前位姿的估计，从而确定其在工作环境中所处位置。基于粒子滤波[2]的蒙特卡罗定位（Monte Carlo Localization， MCL）算法是以先验分布代替后验分布进行采样，并结合观测似然函数来评估每个粒子的重要性权重，忽略了当前移动机器人环境的观测信息对其状态估计的修正作用，使预测粒子集分布在观测似然函数的尾部，因此导致粒子集退化问题。……