萧志聪 苏成悦 叶 迅

（1.广东工业大学物理与光电工程学院 广州 510006）（2.华南理工大学广州学院汽车与交通工程学院 广州 510800）

1 引言

定位在机器人执行任务时起着重要作用。实时建图、路径规划和自动避障都需要机器人在世界坐标中准确的地理坐标［1～3］。其基于概率的定位算法主要有扩展卡尔曼滤波算法，无迹卡尔曼滤波算法、直方图滤波算法及粒子滤波算法。前两者需要基于特征的地标辅助，不适于全局定位［4～5］，而直方图滤波的好坏严重依赖于栅格地图的粗糙度，对于硬件低廉的普通机器人，一个精细的地图意味着需要更长的计算时间。

粒子滤波采用蒙特卡洛机制实现了递推贝叶斯滤波算法。它不受非高斯噪声和非线性模型的限制［6］，并以维护粒子集合Хt来近似后验置信度bel（xt）。目前针对粒子滤波算法的优化主要集中在滤波过程中对粒子数目的减少、粒子收敛速度的提高、粒子的抗干扰能力等方面［7］。Liu［8］等实施残差策略只对部分关键粒子进行更新，而其余粒子保持不变，减少了计算方面的冗余，但只更新部分粒子降低了算法的抗干扰能力。Li T［9～10］等考虑了粒子的空间信息，使用分组策略对粒子进行合并，保持了粒子的多样性，但计算合并过程占用了相当大的开销。文献［11］使用并行分布式计算，利用GPU为粒子滤波提高计算速度，但该改进对硬件要求过高。文献［12，15］则旨在通过对真实后验的拟合，尽可能调整粒子滤波中每次迭代所需的粒子数目。……