李志鹏，程 兰，王志飞，阎高伟

(太原理工大学 电气与动力工程学院，太原 030024)

同时定位和建图(simultaneous localization and mapping，SLAM)是机器人实现环境感知、确定自身位置的关键技术[1-3]。而机器人的位姿估计精度直接决定机器人的定位精度，进而影响建图精度。因此，提高位姿估计的精度一直是机器人领域研究者不断追求的目标。

基于卡尔曼滤波的状态估计算法是实现机器人位姿估计最常用的技术手段。文献[4]实现了基于扩展卡尔曼滤波(extended kalman filter，EKF)的移动机器人位姿估计算法，仿真结果表明EKF有良好的估计性能。文献[5]提出了迭代扩展卡尔曼滤波(iterated extended kalman filter，IEKF)，利用最新的估计结果对非线性测量函数进行线性化迭代，有效地提高了EKF的位姿估计精度。此外，文献[6]利用麦夸尔特法推导了新的滤波器LMEKF，利用迭代更新的方式改进了EKF的更新步骤，进一步提高了IEKF的位姿估计精度。但以上滤波方法都要求非线性函数可微，进行线性化时往往会产生一定的偏差，且需要计算雅可比矩阵。

为了避免线性化带来的位姿估计偏差，研究者将UKF用于位姿估计，通过对一些Sigma点的无迹变换来估计位姿，得到了基于UKF的位姿估计算法[7]。然而，基于EKF和UKF的位姿估计算法都假设状态噪声和测量噪声服从高斯分布，并不适用于非高斯噪声。然而在机器人定位与建图过程中，非高斯噪声确是客观存在的，如移动汽车的噪声、由于电磁干扰以及通信系统故障和缺陷而导致的脉冲噪声等。

针对EKF和UKF的局限性，研究者提出了适用于非高斯噪声的位姿估计算法，如基于粒子滤波(particle filter，PF)[8]的位姿估计算法、基于高斯和滤波(gaussian sum filter，GSF)[9]的位姿估计算法等。……