基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法技术

本发明专利技术为基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，首先利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；根据粒子建议分布和上一时刻的粒子群状态，对当前时刻的粒子群状态进行估计，并通过重要性采样得到当前时刻的粒子群；然后，对蜜獾算法的密度因子进行改进，利用改进后的蜜獾算法优化粒子位置；接着，利用小生境理论进一步优化粒子位置；计算优化后的粒子权重并进行归一化处理；最后，根据优化的位姿，参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前估计的地图。该方法解决了经典粒子滤波算法存在固有的权值退化问题，改进蜜獾算法进一步增强了全局与局部搜索能力。与局部搜索能力。与局部搜索能力。

【技术实现步骤摘要】
基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法


[0001]本专利技术属于机器人环境感知
，特别是一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法。

技术介绍

[0002]准确构建实时环境地图是智能机器人实现未知环境感知的前提，也是机器人进行后续路径规划设计的重要基础，因此对于机器人自动导航而言，同步定位与建图技术有着重要地位。室内机器人主要依靠传感器观测信息辅助定位，最常用的是激光雷达作为传感器以其观测信息结合机器人运动模型使用粒子滤波方法构建地图。标准粒子滤波过程涉及粒子权值退化问题，即在反复推演多次之后，会出现权值集中在少数粒子、其余粒子权值极低的情况。加入粒子重采样过程可以解决粒子权值退化问题，但同时在粒子重采样过程中，大量高权值粒子被复制，低权值粒子被舍弃，导致粒子多样性丢失，引起粒子贫化问题，在定位建图过程中会丢失精度，使建图准确性降低。
[0003]为了提高建图精度，国内外许多学者及从业人员提出了很多改进粒子滤波算法，主要改进点集中于粒子重采样过程，即通过对重采样过程进行改进粒子取舍问题，但并未从根本解决粒子贫化问题。近些年结合群体智能算法是粒子滤波优化的一大方向，将粒子滤波中的粒子视为生物个体，模拟粒子状态更新过程，对粒子分布进行迭代寻优。蜜獾算法于2021年被提出，由于其具有结构简单、寻优能力强、收敛快速等优点，较之大部分群智能算法有更高性能，能够与粒子滤波相结合获得更高精度环境地图。本专利技术考虑到传统粒子滤波方法对建图精度的不利影响以及蜜獾算法与粒子滤波方法的可结合性，提出一种改进蜜獾算法优化粒子滤波的定位与建图方法，设计有关状态观测值与预测值的适应度函数，提高算法寻优效果；改进密度因子表达式并加入莱维飞行扰动以增强算法跳出局部最优值的能力；并在传统蜜獾算法中加入小生境排挤理论使其更好地与粒子滤波相结合。改进算法结果验证了本专利技术的有效性。

技术实现思路

[0004]针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法。
[0005]本专利技术解决所述技术问题采用的技术方案如下：
[0006]一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，其特征在于，该方法包括以下步骤：
[0007]步骤一：利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；根据粒子建议分布和k
‑
1时刻的粒子群状态，对k时刻的粒子群状态进行估计，并通过重要性采样得到k时刻的粒子群；
[0008]步骤二：对蜜獾算法的密度因子进行改进，利用改进后的蜜獾算法优化粒子位置；密度因子表示为：
[0009][0010]式中，α为密度因子，α
max
、α
min
为密度因子的最大值和最小值，t表示当前迭代次数，t
m
为最大迭代次数；
[0011]步骤三：利用小生境理论进一步优化粒子位置；
[0012]步骤四：计算优化后的粒子权重并进行归一化处理；
[0013]步骤五：根据优化的位姿，参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前估计的地图。
[0014]与现有技术相比，本专利技术的有益效果在于：
[0015]1、经典粒子滤波算法存在固有的权值退化问题，为解决该问题经典粒子滤波算法引入了粒子重采样过程，但在粒子重采样过程中，大量高权值粒子被复制、低权值粒子遭到舍弃，粒子的整体信息量降低，粒子多样性也受到不利影响，造成粒子退化问题，影响滤波精度。本专利技术在粒子滤波的基础上引入蜜獾算法，该算法以蜜獾个体代替粒子，通过模拟蜜獾个体捕猎行为活动引导粒子向高似然区域移动，改进粒子个体分布，可以取得更为合理的分布效果。此外，在引入蜜獾算法后，粒子滤波过程并没有进行粒子取舍，避免传统滤波方法导致的粒子退化问题。
[0016]2、针对蜜獾算法存在可能陷入局部最优的问题，为此本专利技术改进了密度因子表达式，改进后的密度因子随迭代呈非线性衰减趋势，其仿真曲线较原算法能够进一步增强全局与局部搜索能力，加入小生境排挤理论后，粒子寻优过程分布更为合理，且在加入莱维飞行扰动后，能够进一步扩大搜索空间，增强跳出局部最优解的能力。
[0017]在本专利技术所述建图方法中，以机器人激光雷达传感器探测信息及自身运动模型采样信息作为输入，通过粒子滤波过程对机器人位姿进行实时预测更新，设计包含实时预测信息与状态信息的适应度函数，以适应度函数评估机器人预测位姿信息与真实位姿信息的接近程度，使得建图方法对真实位姿的预测更为准确，使融合算法的粒子寻优过程更为准确，以最优粒子为导向，引导其他粒子更快速地移向高似然区域。此外，加入小生境排挤理论后，粒子的多样性分布更为合理，能够利用比原始建图方法更少的粒子实现同等精度甚至更高精度的地图构建。
附图说明
[0018]图1为本专利技术的整体流程图；
[0019]图2为密度因子改进前、后的对比图；
[0020]图3为传统粒子滤波算法建立的地图；
[0021]图4为本专利技术方法建立的地图。
具体实施方式
[0022]下面结合附图和具体实施方式对本专利技术的技术方案进行详细说明，但并不以此限定本申请的保护范围。
[0023]本专利技术为一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，包括以下步骤：
[0024]步骤一：利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；在初始时刻随机选取N个粒子，初始时刻各粒子权重为根据粒子建议分布和k
‑
1时刻的粒子群状态，对k时刻的粒子群状态进行估计，并通过重要性采样得到k时刻的粒子群；
[0025]粒子建议分布表示为：
[0026][0027]式中，x
k
为k时刻粒子群的状态，为k
‑
1时刻第i个粒子周围的地图信息，为k
‑
1时刻第i个粒子的状态，z
k
为k时刻的环境观测信息，u
k
‑1为k
‑
1时刻的里程信息；表示在k
‑
1时刻的地图信息、粒子状态、里程信息以及k时刻的环境观测信息下，k时刻粒子群可能的状态概率分布；表示在k
‑
1时刻的粒子状态和里程信息下，k时刻粒子群可能的状态概率分布；表示在k
‑
1时刻的地图信息和粒子群状态下，k时刻的环境观测信息准确的概率分布；表示在k
‑
1时刻的地图信息、粒子状态以及里程信息下，k时刻的环境观测信息准确的概率分布；
[0028]步骤二：对蜜獾算法进行改进，利用改进后的蜜獾算法优化粒子位置；
[0029]蜜獾算法(HBA)模拟蜜獾的觅食行为，包括挖掘阶段和采蜜阶段；在挖掘阶段蜜獾利用嗅觉搜索猎物的大致位置，在采蜜阶段蜜獾利用导蜜鸟的位置直接定位蜂巢；
[0030]2‑
1将粒子群中的每个粒子作为一个蜜本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，其特征在于，该方法包括以下步骤：步骤一：利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；根据粒子建议分布和k
‑
1时刻的粒子群状态，对k时刻的粒子群状态进行估计，并通过重要性采样得到k时刻的粒子群；步骤二：对蜜獾算法的密度因子进行改进，利用改进后的蜜獾算法优化粒子位置；密度因子表示为：式中，α...

【专利技术属性】
技术研发人员：董砚，郑文琳，梁晶，梁翱鹏，荆捷，马红灿，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：