自适应渐消无迹粒子滤波在Unscented FastSLAM中的应用

"基于自适应渐消无迹粒子滤波的UnscentedFastSLAM算法" 本文探讨了机器人导航中的一个重要问题，即无迹快速同步定位与地图构建（Unscented FastSLAM）算法中存在的粒子退化问题，以及由此导致的估计精度下降。为解决这一问题，研究人员提出了一种创新的算法——基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。 传统的Unscented FastSLAM算法依赖于粒子滤波框架，其中粒子群代表可能的系统状态。然而，随着迭代次数的增加，由于重采样过程，高权重的粒子会逐渐占据主导，低权重的粒子逐渐消失，导致粒子退化，这直接影响了估计的准确性。为应对这一挑战，新的算法融合了无迹粒子滤波与渐消滤波的思想，生成自适应建议分布函数，以改善粒子的分布特性。 在新算法中，粒子不是简单地按照权重进行平均或重采样，而是进行了优化组合。这一过程保留了多样性，使得系统具有更高的自适应性。同时，只对组合后不稳定的部分粒子进行系统重采样，减少了不必要的计算负担，有效地缓解了粒子退化的现象。通过这种方式，新算法能够在保持估计精度的同时，减少所需的粒子数量，降低了算法的计算复杂度。 仿真实验结果验证了新算法的有效性。与传统的Unscented FastSLAM算法相比，该算法能够在使用较少的粒子情况下，实现更高的SLAM（Simultaneous Localization And Mapping，同步定位与地图构建）估计精度，显著降低了算法的运行成本，提高了实时性能。 这项研究由国家自然科学基金、江苏省自然科学基金、江苏省国际科技合作项目和镇江市国际科技合作项目资助，由来自江苏科技大学电子信息学院和计算机科学与工程学院的研究团队完成。研究团队成员包括王倩、曾庆军、张家敏、姚金艺、周启润和戴晓强，他们专注于机器人导航与控制、现代测控、智能系统、声纳目标识别、跟踪技术以及惯性导航等领域。 关键词：同步定位与地图构建、粒子退化、自适应渐消无迹粒子滤波、自适应部分系统重采样 这篇论文对于理解如何改进SLAM算法以提高其在机器人导航中的效率和精度具有重要意义，同时也为未来在相关领域的研究提供了新的思路和技术基础。