吴正越,张 超,林 岩

(北京航空航天大学 自动化科学与电气工程学院,北京 100191)

0 概述

同时定位与建图(Simultaneous Location and Mapping,SLAM)是机器人自主导航的基础,也是实现机器人智能化的关键技术。激光SLAM是目前较稳定和主流的机器人定位导航方法,相比于视觉SLAM,激光SLAM的观测精度更高,其在简单的室内环境中具有明显优势[1]。目前,激光SLAM算法大都基于粒子滤波器(Particle Filter,PF),这种SLAM算法被称为PF-SLAM算法。由于环境中可能存在大量路标,使得PF-SLAM算法状态向量维数非常高,计算较复杂。为解决该问题,文献[2]将Rao-Blackwellised粒子滤波器(Rao-Blackwellised Particle Filter,RBPF)应用于SLAM算法中,提出一种RBPF-SLAM算法。该算法将机器人定位和建图进行分解[3-4],用粒子滤波器对机器人实现定位,用卡尔曼滤波器进行建图。RBPF-SLAM使基于粒子滤波器的SLAM算法计算量大幅减小,促进了SLAM理论的发展[5]。文献[6]基于RBPF-SLAM提出一种激光SLAM算法Gmapping,该算法将高精度的激光测量数据加入到提议分布求取中,使提议分布更接近实际后验分布,从而提高了算法的效率。

RBPF-SLAM算法在粒子滤波过程中的简单重采样会导致样本贫化问题,致使SLAM定位和建图误差过大。为此,多种改进的重采样方法相继被提出,其中,自适应重采样方法成为研究热点之一。文献[7]对自适应重采样方法进行详细分析,文献[8]提出利用自适应方法改进重采样的SLAM算法。虽然这些算法能够缓解样本贫化问题,提高估计准确性,但计算量大幅增加,且只能达到有限精度。文献[9]提出最小采样方差(MSV)重采样方法,该方法可使采样方差最小化,保证重采样前后粒子分布的一致性,使得权值较小但更接近真实值的粒子不被删除。……