比例最小偏度UKF-SLAM: 提高精度与稳定性的非线性定位算法

该篇论文研究主要集中在比例最小偏度单行采样的平方根UKF-SLAM算法上，针对传统UKF-SLAM在滤波增益矩阵计算中存在的问题，如计算复杂度高、易产生非局部效应等。UKF-SLAM算法是无迹卡尔曼滤波（Unscented Kalman Filter，UKF）在SLAM（同步定位与建图）中的应用，它相较于扩展卡尔曼滤波（EKF）具有更高的精度，尤其是在处理非线性系统时，能更好地描述高斯随机变量的均值和方差。 UKF-SLAM利用高斯过程近似非线性系统的状态分布，通过确定性采样（即Sigma点）来代替线性化的过程，这使得算法能够在保持精度的同时，减少截断误差和雅可比矩阵计算的负担。然而，原始的UKF-SLAM在实际应用中仍然面临计算效率和稳定性的挑战。 论文提出的新算法通过以下方式进行改进：首先，采用协方差阵的平方根代替完整的协方差阵进行迭代运算，这样可以简化计算并提高计算效率。其次，引入比例最小偏度单行采样策略，这是一种优化的采样策略，旨在进一步降低计算复杂度，同时提高估计精度和算法的稳定性。 在未知环境下的机器人定位和建图任务中，通过自身携带的传感器，该算法能够实时地构建环境特征地图并同步更新机器人位置，从而解决SLAM问题。通过仿真结果验证，改进后的UKF-SLAM算法在保持高精度的同时，显著降低了计算复杂度，使得算法在大规模环境中更具优势，适用于实时性和可靠性要求较高的应用场景。 这篇论文的研究成果对于提升非线性SLAM技术的性能具有重要意义，为机器人导航和自主定位提供了更为精确和高效的解决方案。