基于SSPF算法的移动机器人全局定位研究

论文摘要

粒子滤波（particle filter,PF）算法是一种基于贝叶斯推理和蒙特卡罗方法的实时在线推理算法,因其具有并行化、易于实现以及有效处理非线性问题等特点,受到了越来越广泛的重视,成为统计学、自动控制、机器人学等领域新的研究热点,同时伴随着计算机计算能力的超指数增长以及应用统计学、概率论等一些学科的不断进步,使该领域的研究得到了迅速发展。虽然目前已在理论和应用方面取得了一些研究成果,但粒子滤波器的发展仍处于初级阶段,其中许多关键技术至今仍没有公认有效的解决方法。传统粒子滤波算法在移动机器人全局定位时会出现粒子退化及粒子耗尽问题,导致定位失败。本文研究了提高粒子滤波器性能的关键技术及其在移动机器人全局定位中应用。在提高性能方面主要对粒子滤波器中存在的粒子退化和粒子耗尽问题进行了研究。实验结果表明改进的粒子滤波算法提高了移动机器人全局定位的准确性。本文作者主要研究工作和取得的工作成果主要体现在以下几个方面:首先,提出了一种智能采样粒子滤波（smart sampling particle filter,SSPF）算法。相比于基本的PF算法,SSPF算法在以下三个方面做了改进:第一,在采样阶段,采用了无迹卡尔曼滤波算法来产生重要性提议分布,从而使采样点同实际分布更为接近,较好的解决了粒子退化问题。第二,在重采样阶段,采用了基于相关熵的自适应重采样方法,该方法可有效减少重采样的执行步骤,使PF算法更具智能性,并在一定程度上可缓解重采样步骤损失粒子多样性的问题。第三,由于重采样有可能会产生粒子耗尽这一极端情况,采用了Metropolis-Hastings（MH）算法较好的解决了粒子耗尽问题,使得定位更加准确。通过仿真结果对比,SSPF算法的估计性能最优。其次,研究了移动机器人的全局定位。移动机器人全局定位是自治式智能机器人领域中的一个基本但又非常重要的问题。我们研究了基于SSPF算法的移动机器人的全局定位研究,仿真实验表明该方法可以实现准确性较高的移动机器人全局定位。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究目的及意义
• 1.2 移动机器人概述及其发展现状
• 1.2.1 移动机器人概述
• 1.2.2 国内外研究现状
• 1.3 移动机器人定位方法及研究现状
• 1.3.1 移动机器人定位方法
• 1.3.2 国内外研究现状
• 1.4 本文的主要工作与成果
• 1.5 本文内容的组织与安排
• 第二章 粒子滤波算法基本原理
• 2.1 引言
• 2.2 背景知识
• 2.2.1 马尔可夫过程
• 2.2.2 状态—空间模型
• 2.2.3 贝叶斯滤波原理
• 2.2.4 卡尔曼滤波器
• 2.2.5 蒙特卡罗方法
• 2.2.6 重要性采样方法
• 2.3 粒子滤波器
• 2.3.1 贝叶斯重要性采样（BIS）
• 2.3.2 序贯重要性采样（SIS）
• 2.3.3 退化现象
• 2.3.4 选择步骤
• 2.3.5 粒子滤波算法描述
• 2.4 重要性函教的选择
• 2.4.1 先验分布
• 2.4.2 最优分布
• 2.4.3 混合分布
• 2.4.4 粒子滤波器存在的问题
• 2.5 本章小结
• 第三章 UPF算法
• 3.1 引言
• 3.2 Unscented Kalman Filter
• 3.2.1 UT变换
• 3.2.2 Sigma点采样策略
• 3.2.3 UKF算法
• 3.3 EKF，UKF，PF三种算法的比较
• 3.4 Unscented Particle Filter
• 3.5 本章小结
• 第四章 传统粒子滤波算法的改进
• 4.1 引言
• 4.2 基于相关熵的自适应重采样算法 REAPF
• 4.2.1 背景知识
• 4.2.2 相关熵
• 4.2.3 REAPF算法描述
• 4.3 基于 MH算法的粒子初始化方法
• 4.4 改进的粒子滤波算法及其仿真结果
• 4.4.1 智能采样 PF算法
• 4.4.2 仿真实验
• 4.5 本章小结
• 第五章 粒子滤波算法在移动机器人定位中的应用
• 5.1 引言
• 5.2 贝叶斯滤波算法在移动机器人定位中的应用
• 5.3 MCL算法
• 5.4 实验结果及分析
• 5.4.1 实验细节
• 5.4.2 仿真结果
• 5.5 本章小结
• 第六章 本文的工作总结及研究展望
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文
• 附录A:本文图表索引