叶羽泠，蔡乐才，黄洪斌，肖体刚

（1.四川轻化工大学自动化与信息工程学院，四川 自贡 643000；2.宜宾学院三江人工智能与机器人研究院，四川 宜宾 644000）

引言

随着人工智能的快速发展，无人驾驶技术广泛应用于各类车辆、机械设备以及移动机器人，实时定位与地图构建（Simultaneous Localization and Mapping algorithm，SLAM）［1-3］作为自动驾驶的核心技术，逐渐成为机器人领域研究的重要组成部分。较为经典的有扩展卡尔曼滤波 SLAM算法（Extended Kalman filter-SLAM，EKFSLAM）［4］，该算法基于贝叶斯理论，建立了一种高斯函数框架，对SLAM的方法做出了基本定位。扩展卡尔曼滤波算法在面对非线性较强的定位与建图环境下，关键点寻找的计算难度会有所加大，因此定位效率显著降低；Fast-SLAM［5］算法基于一种蒙特卡洛采样定律，建立起一种数学模型。尽管相比于EKF-SLAM算法，Fast-SLAM算法能够消除非线性干扰的影响，但随着位姿计算迭代次数的增加，会出现误差累加的情况。结合上述两种算法的优势，Sun等人［6］提出了混合 SLAM算法（Hybrid-SLAM），该算法使用Fast-SLAM作为前端里程视觉器信息采集的处理方法，同时使用EKF-SLAM作为后端非线性优化的位姿矩阵函数的处理。但由于Hybrid-SLAM直接采用机器人运动方程来判断其位姿数据，一定程度上会影响位姿采样结果的精确度［7］。

而在基于前端视觉里程与后端优化的卡尔曼滤波算法的研究方面，闫德立等人［8］提出了一种新的变步长LMS算法，将恒定容积卡尔曼滤波融合于SLAM，在容积点采样方面使用李群变量实现了容积变换，并表示出各个时刻机器人的视觉位姿和协方差。……