优化的多假设FastSLAM数据关联方法

doi:10.3969/j.issn.1000-3428.2013.10.033

计算机工程

优化的多假设FastSLAM数据关联方法

徐君，张国良，敬斌，田琦

(第二炮兵工程大学301教研室，西安 710025)

收稿日期:2012-08-13 出版日期:2013-10-15 发布日期:2013-10-14
作者简介:徐君(1986－)，男，硕士，主研方向：数据关联技术；张国良，教授、博士；敬斌，副教授、硕士；田琦，讲师、博士

Data Association Method of Optimized Multiple Hypothesis FastSLAM

XU Jun, ZHANG Guo-liang, JING Bin, TIAN Qi

(Teaching and Research Office 301, The Second Artillery Engineering University, Xi’an 710025, China)

Received:2012-08-13 Online:2013-10-15 Published:2013-10-14

摘要/Abstract

摘要： 针对机器人同时定位与地图创建(SLAM)中的数据关联问题，基于FastSLAM提出一种多假设数据关联方法，采用动态阈值滤波方法确定每个观测的可能数据关联解，结合多假设数据关联方法和FastSLAM方法，将FastSLAM的权重与多数据关联假设数据关联的后验概率乘积构成新的粒子权重，用FastSLAM的重采样进行假设组合的关联树剪枝，实现多假设数据关联。实验结果表明，与JCBB方法相比，该方法能修正错误的数据关联，提高机器人定位和建图的精度。

关键词: 机器人, 同时定位与地图创建, 联合相容性检验, 多假设数据关联, 门限滤波, 动态阈值

Abstract: Aiming at data association problems about robot Simultaneous Localization and Mapping(SLAM), this paper presents an optimized multiple hypothesis data association approach to SLAM problem based on FastSLAM. This method uses dynamic threshold to reduce the number of probable data association solution. After that, FastSLAM is combined with multiple hypothesis data association method, and a new particle weight is composed with the product of FastSLAM particle weight and multiple hypothesis data association posterior distribution probability. FastSLAM resample is used to reduce relevance trees compounding. Experimental result indicates that it can modify error data association solution in certain degree compared with JCBB, complete data association well, and improve the accuracy for localization and mapping.

Key words: robot, Simultaneous Localization and Mapping(SLAM), joint compatibility test, multiple hypothesis data association, threshold filtering, dynamic threshol

中图分类号:

TP311

徐君，张国良，敬斌，田琦. 优化的多假设FastSLAM数据关联方法[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2013.10.033.

XU Jun, ZHANG Guo-liang, JING Bin, TIAN Qi. Data Association Method of Optimized Multiple Hypothesis FastSLAM[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2013.10.033.

http://www.ecice06.com/CN/Y2013/V39/I10/156

参考文献

参考文献 [1] Durrant-Whyte H, Bailey T. Simultaneous Localization and Mapping(SLAM): Part I[J]. IEEE Robotics and Automation Magazine, 2006, 13(3): 99-107. [2] Bailey T, Durrant-Whyte H. Simultaneous Localization and Mapping(SLAM): Part II[J]. IEEE Robotics and Automation Magazine, 2006, 13(3): 108-117. [3] 沈林成, 徐昕, 朱华勇, 等. 移动机器人自主控制理论与技术[M]. 北京: 科学出版社, 2011. [4] Singer R A, Stein J J. An Optimal Tracking Filter for Processing Sensor Data of Imprecisely Determined Origin in Surveillance System[C]//Proc. of the 10th IEEE Conference on Decision and Control. [S. l.]: IEEE Press, 1971: 171-175. [5] Neira J, Tardos J D. Data Association in Stochastic Mapping Using the Joint Compatibility Test[J]. IEEE Transactions on Robotics and Automation, 2001, 17(6): 890-897. [6] 徐君, 张国良, 敬斌, 等. 一种优化的联合极大似然SLAM数据关联新方法[J]. 机器人, 2012, 34(4): 492-497. [7] Hahnel D, Thrun S, Wegbreit B, et al. Towards Lazy Data Association in SLAM[C]//Proc. of International Symposium on Robotics Research. [S. l.]: Springer, 2005: 421-431. [8] Reid D. An Algorithm for Tracking Multiple Targets[J]. IEEE Transactions on Automatic Control, 1979, 24(6): 843-854. [9] Montemerlo M, Thrun S, Koller D, et al. FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem[C]//Proc. of the 18th National Conference on Artificial Intelligence. Edmonton, Canada: American Association for Artificial Intelligence, 2002: 593-598. [10] 郭利进, 王化祥, 孟庆浩, 等. 未知环境中FastSLAM算法的数据关联问题[J]. 系统仿真学报, 2009, 21(4): 1075-1078. [11] 陈白帆, 蔡自兴, 邹智荣. 一种移动机器人SLAM中的多假设数据关联方法[J]. 中南大学学报, 2012, 43(2): 522-527. [12] 陈白帆. 动态环境下移动机器人同时定位与建图研究[D]. 长沙: 中南大学, 2009. [13] 季秀才. 机器人同步定位与建图中数据关联问题研究[D]. 长沙: 国防科学技术大学, 2008. [14] 冯林, 柴红霞, 孙焘, 等. 基于动态阈值启发式图搜索的SLAM算法[J]. 计算机工程, 2011, 37(17): 185-187. [15] 周武, 赵春霞. 一种基于遗传算法的FastSLAM2.0算法[J]. 机器人, 2009, 31(1): 25-32. 编辑顾逸斐

选择文件类型/文献管理软件名称

选择包含的内容

优化的多假设FastSLAM数据关联方法

Data Association Method of Optimized Multiple Hypothesis FastSLAM

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘国名, 李彩虹, 李永迪, 张国胜, 张耀玉, 高腾腾. 基于改进PPO算法的机器人局部路径规划[J]. 计算机工程, 2023, 49(2): 119-126,135.
[2]	刘鑫, 王忠, 秦明星. 多机器人协同SLAM技术研究进展[J]. 计算机工程, 2022, 48(5): 1-10.
[3]	钟宇, 张静, 张华, 肖贤鹏. 基于目标检测的机器人手眼标定方法[J]. 计算机工程, 2022, 48(3): 100-106.
[4]	陈学磊, 张品, 权令伟, 易超, 鹿存跃. 融合深度学习与成像模型的水下图像增强算法[J]. 计算机工程, 2022, 48(2): 243-249.
[5]	黄壹凡, 胡立坤, 薛文超. 基于改进RRT-Connect算法的移动机器人路径规划[J]. 计算机工程, 2021, 47(8): 22-28.
[6]	谭嵋, 刘士豪, 周婉, 陈国文, 胡学敏. 基于深度时空Q网络的机器人疏散人群算法[J]. 计算机工程, 2021, 47(6): 305-311.
[7]	闫皎洁, 张锲石, 胡希平. 基于强化学习的路径规划技术综述[J]. 计算机工程, 2021, 47(10): 16-25.
[8]	于涵, 李一染, 毕书博, 刘迎圆, 安康. 一种基于随动视觉的排爆机器人自主抓取系统[J]. 计算机工程, 2021, 47(1): 298-304,311.
[9]	崔坤坤, 樊绍胜. 基于动态双窗口的机器人视觉导航与特征识别方法[J]. 计算机工程, 2020, 46(9): 313-320.
[10]	毛钧毅, 韩松, 李洪乾. 适用于电网异常负荷动态判别的CNN阈值模型[J]. 计算机工程, 2020, 46(6): 308-313.
[11]	刘庆周, 吴锋. 多智能体路径规划研究进展[J]. 计算机工程, 2020, 46(4): 1-10.
[12]	裴以建,杨超杰,杨亮亮. 基于改进RRT*的移动机器人路径规划算法[J]. 计算机工程, 2019, 45(5): 285-290,297.
[13]	朱春利,李昕. 基于多特征融合与动态阈值的语音端点检测方法[J]. 计算机工程, 2019, 45(2): 250-257.
[14]	赵德超,彭力,王皓. 非完整机器人目标跟踪控制器的设计与实现[J]. 计算机工程, 2019, 45(1): 297-302.
[15]	张永,陈寿元,邵增珍. 针对多机器人追捕死角问题的自适应编队算法[J]. 计算机工程, 2018, 44(9): 1-8.

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

优化的多假设FastSLAM数据关联方法

Data Association Method of Optimized Multiple Hypothesis FastSLAM

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价