一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法技术

本发明专利技术公开了一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法，初始化机器人初始时刻位姿；根据t‑1时刻的位姿信息，得到t时刻先验概率密度函数，生成采样粒子集p；对粒子的权值进行初始化处理；选取重要性概率密度函数，生成新采样粒子集q，计算粒子权重，更新粒子权值，进行权值的归一化处理；计算当前时刻t随机样本粒子的加权和来表示后验概率密度，得到移动位姿和环境地图信息；判断是否有新观测值输入，如果有则返回，如果没有则结束循环，在返回之前，判断是否需要进行重采样。根据系统状态的不同，设定动态的阈值进行判断，并结合了遗传算法。本发明专利技术减小了粒子退化问题对SLAM的影响，减小了SLAM问题的计算量。

A method of simultaneous localization and mapping of mobile robot based on improved particle filter

The invention discloses a method for mobile robot simultaneous localization and map improved particle filter based on the initial time, initialize the robot pose; according to the position information of T 1 times, t times the prior probability density function, generating sampling particle set p; particle weights are initialized; selection of importance the probability density function of generating new particle set Q, calculate the weight of the particle, update the particle weights, normalized weights; weighted current t random sample particles to represent the posterior probability density, get mobile pose and map information; to determine whether a new input observation value, if there is a return. If there is no end of cycle, before returning, determine the need for re sampling. According to the different state of the system, the dynamic threshold is set to judge, and the genetic algorithm is combined. The invention reduces the influence of particle degeneration on SLAM, and reduces the calculation amount of SLAM problem.

【技术实现步骤摘要】
一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法
本专利技术涉及移动机器人自主定位与环境感知
，特别涉及一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法。
技术介绍
伴随着机器人技术的蓬勃发展，机器人对未知环境的自主认知能力已经成为机器人学中研究的一个热点。构建未知环境的地图，也就是移动机器人的定位与导航问题是机器人自主认知的其中一项重点研究内容和研究热点。其中，同时定位与地图构建(SLAM)则是移动机器人实现定位和导航的一种有效手段，就是机器人根据获取到的传感器相关数据，提取特征，经过特征匹配，最终自主构建机器人所处未知环境的地图并同时获取自身位置，对自身进行定位。进而，可以利用构建好的环境地图，继续进行其他的相关研究，如：路径规划，导航避障，完成任务等。早期的未知环境的地图构建常用的方式是航迹推算法，一般都是假设获得到的自身传感器数据是精确的，并且假设机器人的位姿是可以完全通过传感器数据得到。根据这种方法，提出了多种构建环境地图的方式，如：基于卡尔曼滤波的构建特征地图的方法。实际上，通过航迹推算，即只通过自身传感器获得机器人的位姿是不准确的，它会存在一定本文档来自技高网...

【技术保护点】
一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法，其特征是，包括以下步骤：S1：初始化机器人初始时刻位姿，默认起始位置为零位；S2：根据移动机器人t‑1时刻的位姿信息，即t‑1时刻的后验概率密度函数，通过已有的先验知识对当前时刻的状态进行预测，得到t时刻先验概率密度函数，根据先验概率密度函数生成采样粒子集p；采集N个粒子，对粒子的权值进行初始化处理，均为1/N；S3：选取重要性概率密度函数，即运动模型和观测值相结合的建议分布，生成新的采样粒子集q，并计算粒子权重，更新粒子权值，并进行权值的归一化处理；S4：根据外部传感器获取的观测信息，根据采样N个粒子以及得到的粒子权值，计算当前时刻...

【技术特征摘要】
1.一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法，其特征是，包括以下步骤：S1：初始化机器人初始时刻位姿，默认起始位置为零位；S2：根据移动机器人t-1时刻的位姿信息，即t-1时刻的后验概率密度函数，通过已有的先验知识对当前时刻的状态进行预测，得到t时刻先验概率密度函数，根据先验概率密度函数生成采样粒子集p；采集N个粒子，对粒子的权值进行初始化处理，均为1/N；S3：选取重要性概率密度函数，即运动模型和观测值相结合的建议分布，生成新的采样粒子集q，并计算粒子权重，更新粒子权值，并进行权值的归一化处理；S4：根据外部传感器获取的观测信息，根据采样N个粒子以及得到的粒子权值，计算当前时刻t随机样本粒子的加权和来表示后验概率密度函数估计，得到当前时刻t移动机器人的位姿和环境的地图信息，作为输出，用于同时定位与地图构建时更新地图信息；S5：判断是否有新的观测值输入，如果有新的观测值输入，判断是否有足够的有效粒子，设置有效粒子动态阈值T，将有效粒子数Neff与T进行比较，如果Neff小于T，则结合遗传算法进行重采样，然后返回S3，如果Neff大于等于T，则直接返回S3；如果没有新的观测值输入，则结束循环，得到环境地图。2.根据权利要求1所述的一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法，其特征在于：S2所述的获取t时刻的先验概率密度函数的方法为：根据t-1时刻的后验概率密度函数p(xt-1|y1:t-1)，通过已有的先验知识对t时刻的状态进行预测，得到t时刻的先验概率密度函数p(xt|y1:t-1)，服从一阶马尔科夫模型：p(xt|y1:t-1)＝∫p(xt|xt-1)p(xt-1|y1:t-1)dxt-1其中，p(xt|xt-1)为状态变量的转移概率密度函数，x为机器人的位姿估计，y为外部传感器获取到的环境观测值。3.根据权利要求1所述的一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法，其特征在于：S2所述的由t时刻先验概率密度函数生成采样粒子集p，采集N个粒子，为：4.根据权利要求1所述的一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法，其特征在于：S3具体为：引入一个已知的、容易采样的重要性概率密度函数q(x0:...

【专利技术属性】
技术研发人员：朱齐丹，王靖淇，纪勋，张欣，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23