李宁 章飞

（江苏科技大学 镇江 212003）

1 引言

同是定位与地图创建（Simultaneous Localization And Mapping，SLAM）方法可以描述为移动机器人在未知环境中，从一个未知的位置出发，通过携带传感器获取自身周围的环境信息，逐步构建环境地图，再根据环境地图实现机器人自身定位［1～2］。不同于许多经典的陆上传统导航方法，SLAM方法不需要机器人获取准确的先验环境信息，成为水下机器人自主导航领域的一个研究热点［3］。

由于水下环境复杂，杂波密集，导致传统SLAM算法的数据关联精度降低，计算复杂度大大提高，从而使得滤波算法的精度大幅度降低。Mahler提出了一种基于随机有限集（Random Finite Set，RFS）的多目标贝叶斯（Multi-target Bayesian filter，MTB）滤波器［4］，该滤波方法通过对测量更新中的所有可能关联求平均来规避数据关联问题。RFS是集值随机变量，即状态向量的数量以及状态向量本身是随机的。因此，RFS自然地捕获了地图的不确定性。在后续的研究中，Mahler根据这个理论先后提出了概率假设密度（PHD）［4］、势概率假设密度（CPHD）［5］、多目标多伯努利（MeMBer）［6］等滤波方法。Mullane J等首次将RFS理论应用到SLAM领域［7～9］，提出了基于Rao-Blackwellised粒子滤波器的PHD-SLAM算法，并给出了该算法高斯混合的实现。

PHD-SLAM算法在线性条件采用高斯混合实现，在非线性条件下采用序贯蒙特卡洛实现［10～11］，但这两种实现方法都采用了近似的策略来计算粒子权重，虽然避免了数据关联，但其算法估计误差较大。Mahler提出的MeMBer滤波器不同于PHD和CPHD，它是对多目标的后验概率密度进行估计，而且不用任何近似策略计算粒子权重，因此该算法的精度较高。……