改进的FastSLAM算法：基于SR-UKF的高效定位与建图

本文研究了一种改进的FastSLAM算法，该算法主要关注解决标准FastSLAM方法中遇到的粒子集退化和线性化误差累积的问题。FastSLAM是一种同时定位与地图创建（Simultaneous Localization and Mapping, SLAM）的技术，它通过移动机器人实时构建环境地图并进行自定位。标准的FastSLAM依赖于扩展卡尔曼滤波（Extended Kalman Filter, EKF），然而EKF在处理非线性系统时，由于线性化过程可能导致精度下降和稳定性问题。 作者提出了一种基于平方根无迹卡尔曼滤波（Square Root Unscented Kalman Filter, SR-UKF）的FastSLAM算法。SR-UKF相较于EKF有显著优势，它通过选取一组能够代表状态向量统计特性的代表点，这些点被非线性函数处理后重新构建状态的统计特性。这种方法提高了粒子采样精度，从而减缓了粒子集退化的速度，有助于保持算法的性能稳定。SR-UKF还确保了协方差矩阵的非负定性，这对于SLAM算法的收敛性和稳定性至关重要。 与传统的FastSLAM 2.0算法相比，基于SR-UKF的FastSLAM算法在估计精度和鲁棒性上表现更优。该算法在处理复杂非线性动态和传感器模型时，显示出更好的适应性和抗噪声能力。通过仿真实验验证了新算法的有效性，结果显示，SR-UKF能够在多变环境中提供更为精确的位姿估计和地图构建结果。 此外，本文的研究还得到了高等学校博士点专项基金和国家自然科学基金的支持，分别资助了作者吕太之和赵春霞在同时定位与地图创建、机器人自主导航以及模式识别、智能机器人等领域的研究工作。 总结来说，这篇论文介绍了一种利用SR-UKF改进的FastSLAM算法，通过提升粒子采样质量和保持算法稳定性，为机器人自主导航任务提供了更高效和可靠的解决方案。其研究成果对于提高SLAM技术在实际应用中的性能具有重要意义。