移动机器人SLAM优化：精确稀疏扩展信息滤波与地图特征点优化

"精确稀疏扩展信息滤波的地图优化研究 (2011年) - 康丹, 石守东, 徐斌斌" 本文详细探讨了移动机器人同时定位与地图创建（SLAM）问题中一种高效的地图优化算法——精确稀疏扩展信息滤波（ESEIF）。SLAM是自主移动机器人技术中的核心问题，它涉及到机器人在未知环境中实时定位自身位置的同时构建环境地图。1988年由Smith等人首次提出，最初采用扩展卡尔曼滤波器（EKF）来解决，但EKF的高计算复杂度限制了其在特征点密集环境中的应用。 EKF的时间复杂度与地图特征点数量的平方成正比，这在特征点丰富的环境中成为一大挑战。为了解决这个问题，研究者们提出了各种优化方法，其中包括Thrun等人提出的扩展信息滤波（EIF）和其稀疏算法。ESEIF作为EIF的一个变种，旨在通过更精确的稀疏策略降低计算复杂度，同时保持高精度的定位和建图效果。 文章中，作者利用信息熵这一度量变量不确定性的工具，对地图特征点进行分类。信息熵是一种衡量信息不确定性或信息量的统计概念，它可以帮助区分不同特征点的重要性和不确定性程度。通过这种分类，ESEIF算法能够针对不同类型的特征点执行不同的更新过程，优化活动地图，并确保SLAM更新可以在恒定时间内完成。 通过仿真验证，作者证明在特征点众多的环境下，经过特征点优化的ESEIF算法具有更强的实时性，且估计精度得到显著提升。这表明ESEIF算法在处理大规模、高密度特征点的地图时，相比传统方法更具优势，对于移动机器人在复杂环境下的自主导航和地图构建具有重要意义。 关键词：同时定位与地图构建，精确稀疏扩展信息滤波，信息熵，活动地图 这篇文章发表在《宁波大学学报（理工版）》2011年第24卷第2期，荣获首届中国高校优秀科技期刊奖和浙江省优秀科技期刊一等奖，展示了在SLAM领域的创新研究和技术进步。