同步定位和基于卡尔曼滤波和扩展卡尔曼滤波的映射

文摘

二十多年来,同时定位和地图(大满贯)的问题得到了更多的关注在机器人技术研究者和仍然是一个有影响力的话题。目前,移动机器人的各种算法进行了调查。然而,概率移动机器人SLAM算法往往是未知的环境中使用。在本文中,作者提出了两个主要的定位算法。首先是线性卡尔曼滤波器(KF)大满贯,这由五个阶段组成,如(a)不动机器人绝对测量,(b)与绝对测量移动车辆,(c)不动机器人相对测量,与相对测量(d)移动车辆,(e)移动车辆相对测量机器人位置时没有检测到。第二个定位算法是大满贯的扩展卡尔曼滤波(EKF)。最后,提出了SLAM算法测试模拟是有效的和可行的。大满贯给出的仿真结果表明,该方法能够准确地定位地标和移动机器人。

1。介绍

无线传感器网络(网络)把握潜在的各种新应用领域的管理和控制。此类应用程序的示例包括检测、目标跟踪、居所监视、灾难管理和环境管理,如温度和湿度。驱动传感器应用程序的开发的关键技术是数字电路混合的快速增长。在最近的将来,这些应用程序将提供一个小型、廉价、高效的传感器节点。网络的各种应用程序本地化也至关重要。在通用计算和网络,已经有相当多的考虑本地化(1,2]。典型,WSN系统提供的范围和/或每个里程碑和车辆之间的方位角测量。

移动机器人定位也是一个有吸引力的研究支持一个真正的自治移动机器人的性能。各种独立工作的机器人可以在很多情况下更迅速地完成任务。然而,有可能更好的生产力如果机器人可以协同工作。协作的能力依赖于机器人的功能连接和与对方的沟通。在这部作品中,作者考虑同步定位和映射的过程(大满贯)。为了这个目的,一个线性卡尔曼滤波器(KF)大满贯和扩展卡尔曼滤波(EKF)和大满贯应用(3,4]。

摔在机器人领域中扮演着重要角色,尤其是在移动机器人系统。大满贯的关键目标是共同测量机器人的位置以及周围的地图的模型(5- - - - - -7]。安全交互操作区域内的机器人,这个信息是非常重要的。各种各样的SLAM算法提出了在过去的十年里。最早期的算法大满贯使用激光测距仪(8)为核心的传感器节点,工作和视觉传感器节点是目前最常用的选择,无论主动或被动(9,10]。与激光测距仪相比,目前,小,光,和负担得起的相机可以提供更高的确定数据和几乎无限制的估计系列。这些摄像机工作被动传感器节点,因此,不影响另一个部署在类似的操作区域。不同的光范围传感器节点设计,相机也可以申请内部和外部情况。因此,这些特性可以使相机移动机器人平台和大满贯的最佳选择。

在大满贯中,需要使用环境地图是双重的或双(11,12]。第一个是必不可少的地图通常支持或支持其他责任;例如,地图可以通知跟踪安排或提供了一个主动想象为一个工人。其次,地图或情节遵循限制故障的表现测量机器人的状态。虽然没有地图,航迹推算会迅速积极点。另一方面,通过使用一个映射,例如,一组独特的地标,机器人可以重组其定位误差重新踏入已知的领域。因此,大满贯应用程序更有用的在这种情况下,之前的计划是不存在的,需要建设。在某些方面的机器人,一组具有里程碑意义的位置之前。例如,一个机器人操作的地板上一个车间,可以提供身体组装图中的人工指导操作区域。另外,在另一个案件中,机器人有导纳对全球定位系统(GPS), GPS卫星可以选为一个移动信标在先验已知位置。 In this case, the SLAM may not be needed if the localization is done consistently concerning the prior known landmark of the robot. Through the development of indoor localization uses of mobile robots, the popularity of SLAM is increased. Most of the indoor procedures rule out the practice of GPS to assure the error of localization. The SLAM algorithm also provides an interesting substitute to the maps which is built by the user, which represents that the process of the robot is also conceivable in the nonappearance of ad hoc networks for localization [13]。

KF衍生品所关心的第一个分支的方法应用过滤器(14,15]。kf假设高斯噪声影响的数据,这并不是不可避免的准确的在我们的案例中。kf计划解决的问题线性系统的基本形式和很少用于大满贯,尽管它们有很大的收敛性质。另一方面,在大满贯等非线性滤波系统,卡尔曼滤波器是一种常见的工具。EKF介绍非线性系统线性化的一步,和一个一阶泰勒展开式进行线性化在当前的估计。只要显示了最优卡尔曼滤波器的线性化执行状态向量的精确值。它是价值评估实践中,因此不使用,这可能导致问题的准确性。尽管如此,估计接近现实,在大多数情况下,允许使用的卡尔曼滤波器。

KF是表示后验贝叶斯过滤器通过使用高斯分布(16),例如,单峰分布的多元,可以有效地表示为一个小的参数。KF大满贯是基于假设转换和评估函数是线性和高斯噪声的引入。在最先进的大满贯,KF有两个主要的变化。第一个是卡尔曼滤波器,和第二个是过滤的信息(如果有)或艾斐尔阶。卡尔曼滤波器通常适用于非线性函数逼近的移动机器人运动模型的线性函数。各种SLAM算法使用卡尔曼滤波器和如果应用传播状态误差协方差倒数(17- - - - - -19]。如果和KF相比更有利。最初,信息过滤的加法合成的向量和矩阵的信息更精确的估计。接下来,如果比KF稳定。最后,卡尔曼滤波器是相对缓慢而估算的地图维度,因为每辆车的测量通常影响到高斯参数。因此,更新需要禁止的时候面对的情况有几个地标。

近年来,大满贯和自主移动机器人组合控制灾害领域发挥重要作用。尤其是自主机器人被广泛用于维护和救援行动等灾难控制放射性物质泄漏。自区域是遥不可及的,同时映射环境和机器人定位确定确切的点(源至关重要20.- - - - - -23]。因此,大满贯一直是一个重要的问题是本地化程度挂在活跃的映射。然而,大满贯实现通过使用卡尔曼滤波器是非常令人兴奋的,因为传感器噪声和实时的近似高斯随机系统。因此,不恰当的改变噪声协方差随着时间的推移可能会导致滤波器发散,导致整个系统变得不稳定。研究人员提出了一些替代方法比较简单但是严重的计算,有利于适应UKF等其他比高斯噪声模型,FastSLAM,蒙特卡罗定位(24- - - - - -26]。

1.1。贡献

在上面的段落中,作者调查了大满贯KF和卡尔曼滤波器。这种模式下的性能定位还没有深思熟虑的。因此,在这部作品中,作者分析了大满贯的起诉线性KF和卡尔曼滤波器。这项工作的基本贡献包括一维(1 d)使用一个线性KF大满贯(a)不动机器人绝对测量,(b)与绝对测量移动车辆,(c)不动机器人相对测量,与相对测量(d)移动车辆,(e)移动车辆相对测量机器人位置时没有检测到。此外,作者分析了本地化大满贯和卡尔曼滤波器的性能。拟议中的SLAM-based算法相互评价和比较以及与其他算法对于大满贯。更准确地说,拟议的SLAM算法写出好的精度,同时保持一个合理的计算复杂性。

1.2。论文的组织

本文的结构如下:部分2演示了大满贯和部分工作3展示了该算法。的部分3分别用卡尔曼滤波器,大满贯和KF大满贯。部分4演示的提议和其他算法进行了比较。最后,部分5演示的结论和未来方向提出的算法。

2。相关工作

之前提出的SLAM算法,最好提供一些背景知识和相关工作SLAM算法。在这一节中,作者提出一个大满贯的详细描述,提出的大满贯的基础算法。当前的解决方案相比,许多人仍然没有高度精确的仪器;他们仍有挑战性的驾驶能力,可以解决SLAM问题。他们的映射,因此,取决于韧性的政策作为替代精确的世界的定义。与线性KF,这种方法是一种新的研究概念大满贯。

对于大满贯,读者可能不熟悉的起源和其派生可能参考标准和目前的工作在大满贯27,28]。摔的问题,第一种方法介绍了在1986年和1991年之间。史密斯和Chesseman [29日)在1986年发表了一篇论文SLAM问题的解决方案。他们现在的卡尔曼滤波器来解决这个问题。纸,他们建立了一个数值依据解释地标之间的关系和操作几何不确定性。

其他一些研究人员从事各种SLAM问题。例如,在[30.- - - - - -32),作者提出了一个新的体系结构,应用一个单眼大满贯系统跟踪自由自在的移动机器人的运动。改进的面向快速旋转短暂(ORB)特征显示地标设计一个网络特性检测程序。一个增强的匹配特性系统具有增强功能匹配的强度。更新后的EKF措施自由视觉传感器的多个空间的状态,而不是标准的卡尔曼滤波器。此外,在[33,34),作者解决问题的应用导航问题。高精度的解决方案的问题,一个卡尔曼滤波器或粒子滤波(PF)算法(35经常被应用于数据处理。PF算法,通常申请G-mapping大满贯技术,是和谐的非线性系统的调查。不过,PF计算比EKF尺寸更大。因此,EKF和PF导航的过程中也有一些缺点。高斯平滑滤波器及其修改使用基于分布式计算模式。这个算法有更好的EKF和PF算法的计算速度。

KF减少线性化误差的算法,作者提出了三种技术及其可行性和效率评估大满贯(36]。在KF的衍生方法系统中,线性化误差是无法觉察的由于泰勒展开式的实践的线性化非线性运动过程。提出了三种技术减少线性化误差用雅可比矩阵观测矩阵的新配方。同样,在37),一个大满贯有限的传感应用卡尔曼滤波器提出了。机器人的问题创建一个地图,一个身份不明的气氛而调整其特定位置的基础上类似的地图和传感器信息叫做大满贯。因为传感器精度起着主要作用在这个问题上,大部分的计划方案包括高价激光传感器节点的使用,比较创新的和廉价的RGB-D相机。这些传感器太昂贵对于某些应用程序,和RGB-D相机耗电多,CPU、规格或通信车载或电脑处理的数据。因此,作者试图模型不确定的设置使用一个低成本的设备,卡尔曼滤波器,和维特性,比如墙壁和家具。

通常,典型的过滤器使用该计划模型和随机信息前近似随后机器人状态。虽然在实时条件下,健全统计财产相对不明,体系不严密地证明。因此,过滤偏差可能出现的合并计划。此外,可预测的精度可能会刺激的抓住由于不到法院接受相互的时变过程和测量噪声统计。所以,过时的方法欲望指向提供资质升级来估计这些物品。为了解决这个问题,提出了新的自适应滤波器(38命名为一个自适应平滑变结构滤波器(ASVSF)。升级SVSF间接和执行;过程和测量噪声统计数据是评价通过使用最大后验创建和加权指数的概念。作者应用ASVSF压倒的SLAM问题自主移动机器人;以后,它作为ASVSF-SLAM缩短算法。

在[39),作者提出了一个3 d合作大满贯的联合空中机器人系统接地的目的是成功一个室内quadrotor飞行完成由Mecanum-wheeled全向机器人(MWOR)在室内不明,没有GPS环境。此外,一个面向快速旋转短暂- 2.0 (ORB)大满贯方法应用于同时产生3 d图并确定室内quadrotor的位置和粒子滤波大满贯(FastSLAM 2.0)方法应用于形状的二维图普遍MWOR气氛。额外的3 d quadrotor位置准确估计技术quadrotor MWOR计划的帮助。合作大满贯提出了应用模糊卡尔曼滤波融合的作品ORB-SLAM 2.0, FastSLAM 2.0,和quadrotor位置估计方法,以本地化quadrotor进一步精确。相互,大满贯方法,quadrotor位置估算方法,合作大满贯中已经执行机器人操作系统的气氛。

最近的工作在大满贯40试图解决这一问题的大满贯地标(41]。作者提出了一个水下机器人应用大满贯,淹没的强迫的地标是利用视觉传感的向前和向下相机。相机还可以估计AUV的位置数据,连同等导航传感器节点深度传感器节点、多普勒速度日志(DVL),和一个惯性测量单元(IMU)。具有里程碑意义的检测算法被组织在一个框架的传统EKF大满贯和机器人状态测量地标。此外,部分可观察性研究移动机器人基于EKF的(42,43找到答案,可以避免错误的测量。当考虑只有某些环境地标,移动机器人可以最小化的计算成本,但由于设备的增加不确定性。模糊逻辑方法提出了保证计算获得所需的输出,即使一些地标的省略了供参考的目的。测量发明KF,模糊逻辑是用来精确移动机器人的位置和任何感觉到地标在观察的过程。

研究人员已经提出了几个大满贯的算法;其中一些已经在上面的讨论页。其中大部分集中在具有里程碑意义的评估、性能、精度,SLAM算法的有效性。然而,仍然有一些重要的基本问题需要解决,比如一个大满贯的最佳解决方案,积极大满贯大满贯发展大满贯故障检测,大满贯前端健壮的算法,和SLAM算法考虑到各个方面。因此,在本文中,作者试图提出一个修改SLAM算法采用KF和卡尔曼滤波器。作者提出了SLAM算法考虑大满贯的几个方面,比如速度,距离,覆盖面积,最大射程,定位时间。这项工作中所使用的符号表中列出1。

3所示。提出同步定位和映射算法

本节介绍了提出了基于KF SLAM算法和卡尔曼滤波器。提出的算法在接下来的部分进行了分析和评价。

3.1。同步定位和映射与卡尔曼滤波器

在下一节中,作者提出了大满贯的理论导致了网络高效的本地化和映射。具体来说,作者提出了操作环境的分析,最后讨论了该算法,并与其它算法。在高斯白噪声的存在,KF提供一个设计良好的和静态线性系统的最佳解释。它是一种技术,它使用线性估计的状态和误差协方差矩阵为目的产生增益表示的卡尔曼增益。这样的好处是添加到之前估计的条件,从而生成的后验估计44]。以下方程定义系统的动态模型和测量模型用于线性近似一般由两个状态和功能。 管理国家扩散和状态测量,在哪里是输入的过程,和状态向量和测量噪声,而代表了离散时间。在上面的方程中,和通常基于一组离散差分方程控制的动力学和观察方法。

这些方程KF-based方法迭代地结合方程(1)和(2)。方程(3)概括之前状态估计和方程(4)代表等价状态误差协方差。的增益卡尔曼可以估计方程(5),应用于更新状态近似和协方差误差,由方程(6)和(7),相应。卡尔曼滤波器实际上是与迭代KF方法,有时,它是用于非线性系统。通过应用雅可比矩阵,这是一个一阶偏导数,测量和非线性系统矩阵是线性化。

一维与KF大满贯是申请不动机器人,和测量被认为是一个绝对测量。使用1-DoF移动机器人不动在固定位置的一条直线。移动机器人是用于检测静止/固定地标。移动机器人的速度和位置地标的计算采用线性KF大满贯。十多的被认为是具有里程碑意义的位置。对于真正的轨迹,机器人是静止在一个给定的位置 。具有里程碑意义的距离相对于移动机器人的位置/位置有一个温和的测量噪声,如图1。状态向量是对角的对应于机器人的现状,预测下一个。使用的矢量控制为空;这表明没有外部输入来改变移动机器人的状态;我。e,机器人的速度和位置是常数。最初的协方差矩阵并不普遍;它的特点是广泛的对角线歧义在机器人的具有里程碑意义的位置和状态,等于模棱两可/不确定性。移动机器人定位的结果绝对测量如图2。

接下来,一维与KF大满贯是申请一个移动的车辆和测量被认为是一个绝对测量。1-DoF移动机器人直线路径的旅行。移动机器人传感静止/固定地标。机器人速度和具有里程碑意义的位置/速度计算通过使用线性KF大满贯,在这种情况下,所有的测量都是绝对的,见图3。具有里程碑意义的位置都是一样的。

此外,一维与KF大满贯是申请不动机器人,和测量被认为是相对测量。这里,1-DoF移动机器人中使用不动和固定位置的直车道检测静止/固定地标。机器人速度和位置/地标位置计算通过使用KF的大满贯,见图4。第四个是一维线性KF大满贯。在这种情况下,一个移动的车辆被认为是相对测量和1-DoF旅行机器人的直线检测静止/固定地标。机器人的位置/位置、速度和具有里程碑意义的位置计算通过与线性KF的大满贯。在这里,所有的措施都是比较的位置/移动机器人的位置,见图5。

最后一个几乎是不同于以前的四大满贯算法。在这种情况下,一维线性KF大满贯是考虑和车辆移动相对/相对运动。位置/移动机器人的位置不是在这种情况下观察到。移动机器人是在一条直线,它检测到的地标一动不动,如图6。机器人的速度和它的具有里程碑意义的计算采用线性KF大满贯。如前所述,这个职位不是观察和测量是相对比较到移动机器人位置/位置。

4所示。仿真结果和讨论

拟议的SLAM算法仿真评估。在这个模拟,作者评估SLAM算法进行不同的尝试不同的地标。仿真分为5个步骤,如不动机器人绝对测量,一个移动的车辆绝对测量,不动机器人相对测量,一个移动的车辆相对测量,和一个移动的车辆相对测量机器人位置时没有检测到。记下的数量是1200年的地图维度[180]。具有里程碑意义的位置设置 这是用 。真正的轨迹、速度和位置 和 ,分别在国家 和 ,即。,motionless at a given position having a moderate measurement noise as shown in Figure1。这个过程和测量噪声添加,具有里程碑意义的距离相对于机器人的位置,见图2。状态方程是斜的,确保下一个状态的估计或预测等于当前状态。控制向量为空;这表明没有外部输入,不同机器人的状态,因为,正如我们前面所述,速度和位置是常数。同时,主协方差矩阵由更高的对角不确定性相互定义的地标的位置和机器人状态类似的不确定性,这意味着没有盛行。

过程噪声矩阵为代表和测量噪声矩阵为代表计算的地标性建筑是静止的。未来状态的预测,测量是在预测位置,完成的测量和观察,它在正确的位置/位置 , ,和 。具有里程碑意义的位置为所有5个方法是相似的。然而,对于这种情况,一辆汽车被认为是恒定的速度 和这个职位 。同时,在这种情况下,具有里程碑意义的距离是绝对的。第三,机器人不动和测量是相对的在一个给定的速度和位置 和 ,分别。第四个是线性的大满贯KF的车辆移动和测量是相对的。具有里程碑意义的距离相对于机器人的位置和车辆的一个恒定的速度 位置,见图5,红线表示的位置。最后一个是线性KF的大满贯和车辆移动,和测量是相对的。注意,在这种情况下,位置并不像先前的观察。车辆的恒定速度设置 位置是20,可以看到在图6。上述算法的大满贯KF深入详细地评估。作者认为不同的方面对于大满贯本地化。提供大满贯算法提供一个高水平的准确性在各种条件和表现良好的速度,距离、覆盖范围等。

4.1。同步定位和映射与扩展卡尔曼滤波器

卡尔曼滤波器是著名的广泛解决移动机器人定位的问题。在这一节中,作者实现了卡尔曼滤波器SLAM-based算法的移动机器人遵循一个特定的轨迹。卡尔曼滤波器大满贯依赖于当前元素的导航系统被称为地标改变机器人的位置。卡尔曼滤波器大满贯的移动机器人执行定义的字段与一个特定的功能。作者考虑了两种基本的数学模型,如卡尔曼滤波器的状态和观测模型表示如下。 在哪里 和 描述过程和观测噪声。在这里,表示估计状态向量 。时间是一个已知的离散时间输入假设所有的噪音 。在方程(9),代表了当时估计测量向量 ,在哪里观测噪声。和分别表示预测的协方差矩阵和观测。卡尔曼滤波器提供了一个近似最优状态估计。EKF-SLAM目标是估计递归地具有里程碑意义的状态如上所述的测量。卡尔曼滤波器基本上是分为几个步骤,表示为初始状态,状态向量将成为

在预测阶段,预测协方差矩阵可以表示成

在上面的方程中,和表示函数的雅可比矩阵有关的状态向量 。用状态转移矩阵 ,和是状态方程可以表示如下:

因此,状态方程的雅可比矩阵 和全球雅可比矩阵初始化可以写成:

在观察和更新阶段,观察模型在可以表示成

应用KF更新周期,即和 ,KF增益可以计算。 在哪里卡尔曼增益。与测量 ,更新后的估计可以

如果测量可用,EKF的矩阵计算卡尔曼增益和集成的发明测量获得的近似状态 ,伴随着状态误差矩阵的更新。因此,从上面的方程将成为测量更新步骤

因此,更新协方差₁可以表示成 在哪里卡尔曼增益和吗是新的状态协方差矩阵。雅可比矩阵测量或线性化矩阵和表示状态向量估计。

后评估EKF陷入细节,作者得出的结论是,卡尔曼滤波器也有一些缺点,如果这个过程和测量噪声不准确显示,机器人将偏离其路线合成给一个矛盾。特别是在机器人速度的情况下,机器人速度敏感,不同速度的机器人不同路线如图7。然而,在第一种情况下,速度 如图8。

5。仿真结果和讨论

提出了大满贯EKF算法是通过模拟评估。在这个模拟,作者评估大满贯EKF算法和各种因素进行模拟。首先,时间 ,结束时间是 ,而全球时间 在这个模拟中,状态向量 在这一 ,在航迹状态 。具有里程碑意义的坐标是(xy),也就是说, 最大的范围是在初始阶段和参数设置是20 。输入参数,设置时间 ,速度是 ,和 。在初始阶段,速度是有限的 我们可以看到在图8;然而,在接下来的阶段,速度是不同的。

在不同的速度,可以看到图7,速度 , , ,和 。通过改变机器人的速度,机器人是不同的路线,因此,减少了覆盖范围,可以看到图7(一)- - - - - -7 (d)。此外,真正的里程碑和预测之间的误差具有里程碑意义的增加。另一方面,更高的速度(比 ),该算法不适用,因为在大满贯,之前定义的映射后的机器人和机器人与周围保持沟通。然而,在我们之前的研究中,我们提到了更高的速度机器人的EKF、UKF、PF、覆盖区域,定位被增加的速度增加。此外,最大射程是20,如图6,但通过修改最大射程30或以上,在这种情况下,机器人发散路线的定位,如图9。合成,作者得出结论,该算法更适合恒定速度,提出了一种高水平的准确性。

6。建议和其他算法的比较

在上面的部分中,作者调查和评估对拟议的SLAM算法。然而,展示规划算法的有效性和更好的性能,作者提出一个简短的比较提出的算法与其他算法在本节中。

在[45),作者提出了一个neurofuzzy-based自适应卡尔曼滤波器的方法。这种方法的目的是评估的正确值矩阵在每一个阶段。他们计划一个自适应neurofuzzy EKF减少理论和实际之间的方差协方差矩阵。这种技术的参数然后熟练离线使用粒子群优化方法。一个移动机器人转向的地标在两种情况下进行评估。应用这项技术,自适应neurofuzzy卡尔曼滤波器性能提供了开发效率。

一个EKF-based大满贯的移动机器人传感器系统偏差估计提出了(46]。作者卡尔曼滤波器,提出了一种改进的方法是实用的移动机器人SLAM问题考虑传感器偏差问题。移动机器人先锋3作为模型研究理论推导和验证的调查工作。首先,介绍了先锋3移动机器人的运动学模型;然后,改进的卡尔曼滤波器的方法,考虑到偏差估计和补偿的问题,预计增加的位置估计的精度。此外,一项研究探讨了自主定位和大气的映射搅拌下粉尘物质和低照明情况下地下隧道。典型的EKF算法有问题机器噪声和观测噪声的先验统计特性无法预测准确。因此,作者提出了一个增强的EKF算法实现模糊自适应大满贯(45,47,48]。因此,预测位置,激光匹配应用于卡尔曼滤波器预测过程,和加权平均位置作为最终的预测组件的位置。机器噪音和经验的加权值噪声变得模糊不清地辨认通过观察均值和协方差的变化。改进的滤波算法应用于大满贯模拟研究和测量对位置估计的影响四个不同的具有里程碑意义的测量。

最近的方法强跟踪二阶中心差分大满贯(STSO)提出了(49),它是基于二阶中心差分KF跟踪。提出过程收集二阶中心差过滤器(SOCDF)、强跟踪滤波器(31)和PF。使用柯列斯基分解,该算法使用英镑二阶插值方法解决非线性系统问题。这种方法直接传输概率估计的大满贯通过添加协方差的平方根的因素。此外,在[50),一个visual-inertial大满贯反馈机制提出了实时运动评估的大满贯地图。这个机制的主要方面是,前端和后端可以在VISLAM相互支持。的输出端是美联储KF-based前端减少运动估计误差产生的KF估计量的线性化。另一方面,这个更精确的前端运动估计将改善后端优化,因为它为后端提供一个精确的初级状态。同样,EKF-based大满贯方法介绍(33,51,52专注于性能和大满贯的有效性。每个算法提出了在其域,但提出的SLAM算法相比其他大满贯算法表现良好。

7所示。结论和未来的发展方向

在这部作品中,SLAM算法与线性KF在大满贯等两种不同的方法,与EKF大满贯。首先,与线性KF实现大满贯五种不同的方法如不动机器人绝对测量、移动车辆与绝对测量,不动机器人相对测量,与相对测量移动车辆,移动车辆相对测量机器人位置时没有检测到。具有里程碑意义的位置将是10 5例。移动机器人的位置或速度和具有里程碑意义的位置计算通过使用线性KF大满贯。其次,与卡尔曼滤波器实现大满贯,EKF-based SLAM算法推导的解析表达式和他们的表现评估。SLAM算法与卡尔曼滤波器评估在各个场景,和几个迭代应用于解释EKF-based大满贯的性能。该算法模拟不同的速度,他们的表现呈现在图8。每个进程的定位是有效的领域。在这一分析,许多本地化等因素速度,覆盖范围,定位时间和截面面积考虑。提出SLAM-based算法性能集中评估通过执行许多迭代在上面的数据中可以看出。计划SLAM-based算法精度高,同时保留现实的计算复杂度。仿真结果表明,该计划SLAM算法可以准确定位地标和移动机器人。

未来的研究将使用更多的仿真和测试在不同的场景中展现大满贯的健壮性和地标。我们将努力使机器人飞行员更最初也适用大满贯UKF和PF算法。此外,提高估算大满贯的一些标准方法的发展,尤其是大规模的大满贯在动态情况下,同样重要的是大满贯算法更有价值的结果。

数据可用性

因为资金项目不是关闭,相关专利评估,仿真数据用于支持本研究的发现正在禁运而研究成果商业化。请求数据,根据批准的专利在项目结束后,将由通讯作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究是国家重点支持的研究和发展项目拨款2018 yfc0407101和部分由中国国家自然科学基金资助61801166。基础研究基金支持的同时也为中央大学在2019年授予b22214和部分基础科学研究项目通过韩国国家研究基金会(NRF)由教育部拨款联盟- 2018 r1d1a1b07043331。

引用

1. Ullah,苏x, y . Liu和p·金,“高效、准确的目标定位在水下环境中,“IEEE访问7卷,第101426 - 101415页,2019年。视图:出版商的网站|谷歌学术搜索
2. k .沙t·a·杨w·魏和美国达,对物联网安全边缘computing-based设计的调查、数字通信和网络,2019年。视图:出版商的网站
3. g .詹德m . Taherkhani, r . Safabakhsh”小说同步定位和映射,框架”2015信号处理和智能系统会议(spi),页109 - 113,德黑兰,伊朗,2015年12月。视图:出版商的网站|谷歌学术搜索
4. y . x, r . Wang, c .江h·阿巴斯说,“一个名字消歧模块工业物联网、智能机器人顾问”机械系统和信号处理第106413条,卷。136年,2020年。视图:出版商的网站|谷歌学术搜索
5. t . Pire t·菲舍尔j . Civera p . De Cristoforis和j·j . Berlles”立体平行对机器人定位、跟踪和映射”2015年IEEE / RSJ智能机器人和系统国际会议(——)德国汉堡,页1373 - 1378,,2015年10月。视图:出版商的网站|谷歌学术搜索
6. t·a·约翰森·e·布莱克,“全局指数稳定的卡尔曼滤波对于明显的大满贯,”2016年19国际会议信息融合(融合)海德堡,页909 - 916年,德国,2016年7月。视图:谷歌学术搜索
7. s . Safavat n n Sapavath, d . b . Rawat”最新进展在移动计算和内容缓存,”数字通信和网络,2019年。视图:出版商的网站|谷歌学术搜索
8. 美国富,H.-y。刘,L.-f。高,和y。时至今日,“大满贯移动机器人使用激光测距仪和单眼视觉,”2007年第14届国际会议在机电一体化和机器视觉在实践中厦门,页91 - 96年,中国,2007年12月。视图:出版商的网站|谷歌学术搜索
9. c . Kerl j . Sturm d·克莱莫,“密集的视觉大满贯rgb-d相机,”2013年IEEE / RSJ智能机器人和系统国际会议,页2100 - 2106,东京,日本,2013年11月。视图:出版商的网站|谷歌学术搜索
10. y,夏,m .郑曹,和刘问:“基于李雅普诺夫优化政策的权衡移动云卸载在异构无线网络中,“IEEE云计算,2019年。视图:出版商的网站|谷歌学术搜索
11. c . Cadena l . Carlone h . Carrillo et al .,“过去、现在和未来的同步定位和映射:向robust-perception时代,“IEEE机器人,32卷,不。6,1309 - 1332年,2016页。视图:出版商的网站|谷歌学术搜索
12. m·拉贾”,认知无线电的应用和在l波段干扰取消未来空对地通信系统的基础上,“数字通信和网络,5卷,不。2、111 - 120年,2019页。视图:出版商的网站|谷歌学术搜索
13. Ullah, j . Chen x苏,c·埃斯波西托崔和c”的目标定位和检测水下无线传感器使用基于距离和角度的算法,”IEEE访问7卷,第45704 - 45693页,2019年。视图:出版商的网站|谷歌学术搜索
14. g . Bresson z Alsayed、l . Yu和美国格拉泽,“同步定位和映射:在自主驾驶的调查目前的趋势,”IEEE智能车辆,卷2,不。3、194 - 220年,2017页。视图:出版商的网站|谷歌学术搜索
15. 温y, h . f .秋z . Wang和h·阿巴斯,“Ibike:智能公共自行车服务辅助数据分析,“未来一代计算机系统卷,95年,第197 - 187页,2019年。视图:出版商的网站|谷歌学术搜索
16. j . Aulinas y . r . Petillot j . Salvi x Llado,“大满贯的问题:一项调查,”CCIA,卷184,不。1,第371 - 363页,2008。视图:谷歌学术搜索
17. p . Jensfelt d Kragic、j . Folkesson和m . Bjorkman”框架基于视觉的轴承只有3 d大满贯”学报2006年IEEE机器人与自动化国际会议上2006年。ICRA 20061950年,页1944 - 2006年5月美国佛罗里达州奥兰多市。视图:出版商的网站|谷歌学术搜索
18. a·j·戴维森和d . w . Murray”同步定位和map-building使用积极的愿景。”IEEE模式分析与机器智能,24卷,不。7,865 - 880年,2002页。视图:出版商的网站|谷歌学术搜索
19. s . Se、d·劳和j .小“移动机器人定位和映射使用尺度不变的视觉地标,与不确定性”国际机器人研究杂志》上,21卷,不。8,735 - 758年,2016页。视图:出版商的网站|谷歌学术搜索
20. m . n . Santhanakrishnan j .比比Rayappan Kannan r .,“基于过滤器扩展卡尔曼滤波实现同步定位和映射:特征点的方法,”Sādhanā,42卷,不。9日,第1504 - 1495页,2017年。视图:出版商的网站|谷歌学术搜索
21. t·拉赫曼,x姚明,道,“一致的数据收集和分类在连续对象在物联网的发展,“IEEE访问》第六卷,第51885 - 51875页,2018年。视图:出版商的网站|谷歌学术搜索
22. j . y . Li刘、曹b和c .王”联合优化无线电和虚拟机资源与用户需求不确定移动云计算,“IEEE多媒体,20卷,不。9日,第2438 - 2427页,2018年。视图:出版商的网站|谷歌学术搜索
23. 刘i Ullah苏x, x, d . Choi”的水下定位技术,算法,和挑战,”杂志上的传感器卷。2020年,24页,2020。视图:出版商的网站|谷歌学术搜索
24. p·杨和w·吴“高效粒子滤波定位算法在密集的无源rfid标签的环境中,“IEEE工业电子产品,卷61,不。10日,5641 - 5651年,2014页。视图:出版商的网站|谷歌学术搜索
25. p .杨”,有效的超声波传感器2 d粒子滤波算法测距同步应用程序本地化和映射,”专业无线传感器系统,卷2,不。4、394 - 401年,2012页。视图:出版商的网站|谷歌学术搜索
26. g .卡徒诺l . D 'Alfonso w·卢西亚·Muraca和p . Pugliese”扩展和无味卡尔曼滤波器在移动机器人定位和环境重建,”21日地中海会议控制和自动化页19-26有关,希腊,2013年6月。视图:出版商的网站|谷歌学术搜索
27. 黄和g .艺术观”批判当前发展同步定位和映射,”国际先进的机器人系统杂志》上,13卷,不。5,1729881416669482条,2016年。视图:出版商的网站|谷歌学术搜索
28. g .艺术观、黄,z . Wang和r . Ranasinghe”回顾最近的发展同步定位和映射,”2011年第六届国际会议上工业和信息系统康堤,页477 - 482年,2011年8月斯里兰卡。视图:出版商的网站|谷歌学术搜索
29. r·c·史密斯和p . Cheeseman”空间的表示和估计的不确定性,”国际机器人研究杂志》上,5卷,不。4,56 - 68,2016页。视图:出版商的网站|谷歌学术搜索
30. K.-K。曾,j . Li y, k . l .容c . y . Chan和彭译葶。许”,一个新的架构同步定位和映射:行星探测器的应用程序,“企业信息系统,1卷,2019页。视图:出版商的网站|谷歌学术搜索
31. z Miljković:Vuković,m . Mitić”神经扩展卡尔曼滤波器对单眼大满贯在室内环境中,“美国机械工程师学会学报》上,C部分:机械工程科学》杂志上,卷230,不。5,856 - 866年,2015页。视图:出版商的网站|谷歌学术搜索
32. 普拉卡什和g .顾同步定位和映射为无人机使用胶囊与深度预测网络,2018,http://arxiv.org/abs/1808.05336。
33. n . Ayadi n . Derbel n . Morette c .代g .泊松,“仿真和实验评价wifibot ekf同步定位和映射算法的移动机器人,”人工智能和软计算研究杂志》上,8卷,不。2、91 - 101年,2018页。视图:出版商的网站|谷歌学术搜索
34. g . Wang和a . Fomichev”同步定位和映射方法行星探测器基于高斯滤波器,”InAIP会议论文集,卷2171,不。1、第160003条每年出版,2019。视图:出版商的网站|谷歌学术搜索
35. 苏x沈Ullah, y, c·埃斯波西托崔和c“本地化基于无味卡尔曼滤波和粒子滤波定位算法,”IEEE访问,8卷,不。1,第2246 - 2233页,2020。视图:出版商的网站|谷歌学术搜索
36. f . f . Yadkuri和m . j . Khosrowjerdi”方法来提高扩展卡尔曼滤波器的线性化问题,“《智能与机器人系统,卷78,不。3 - 4、485 - 497年,2015页。视图:出版商的网站|谷歌学术搜索
37. o . Ozisik和s•同步定位和映射使用扩展卡尔曼滤波和有限的传感哈夫变换,“Tehnicki vjesnik——技术公报,23卷,不。6,1731 - 1738年,2016页。视图:出版商的网站|谷歌学术搜索
38. y, h . Suwoyo w . Wang和l·李”asvsf-slam算法与基于地图的创建和时变噪声统计加权指数,”数学问题在工程卷。2019年,17页,2019。视图:出版商的网站|谷歌学术搜索
39. c c。蔡,张炳扬。许,X.-C。林,F.-C。大,“合作大满贯使用模糊卡尔曼滤波协作空中机器人系统,”中国工程师学院杂志》上,43卷,不。1,第79 - 67页,2020。视图:出版商的网站|谷歌学术搜索
40. d·j·荣格,y李,d . Kim Lee h . Myung H.-T。崔”Auv大满贯使用向前/向下看相机和人工路标,”2017年IEEE水下技术(UT),1 - 3页,2017年2月,韩国釜山。视图:出版商的网站|谷歌学术搜索
41. h . Abdelnasser r·穆罕默德·a·Elgohary et al .,“Semanticslam:使用无监督室内定位环境标志,”IEEE移动计算,15卷,不。7,1770 - 1782年,2016页。视图:出版商的网站|谷歌学术搜索
42. h·艾哈迈德·n·A·奥斯曼,m . s . Ramli”部分可观测性的解决方案的扩展卡尔曼滤波器移动机器人导航,”Telkomnika,16卷,不。1,第141 - 134页,2018。视图:出版商的网站|谷歌学术搜索
43. p . Thulasiraman和k . a .白色”战术无线传感器网络拓扑控制使用节能路由,”数字通信和网络,卷2,不。1、1 - 14,2016页。视图:出版商的网站|谷歌学术搜索
44. f . Demim a . Nemra k . Louadj z Mehal, m . Hamerlain和a . Bazoula”同步定位和映射算法对于svsf过滤器的无人地面车辆,”2016年第八届国际会议上造型、识别和控制(ICMIC)阿尔及尔,页155 - 162年,阿尔及利亚,2016年11月。视图:出版商的网站|谷歌学术搜索
45. c . h . H.-Y。林”,整合与扩展卡尔曼滤波器去噪同步定位和映射,”国际先进的机器人系统杂志》上,16卷,不。5,1729881419874645条,2019年。视图:谷歌学术搜索
46. 谢x, y、x林和c .太阳,”一个卡尔曼滤波器slam算法的移动机器人传感器偏差估计,”2017年第32青年学术年会的中国自动化协会(YAC)合肥,页281 - 285年,中国,2017年5月。视图:出版商的网站|谷歌学术搜索
47. Z.-L。任,L.-G。王,l . Bi“改进的扩展卡尔曼滤波器基于模糊适应摔在地下隧道,”国际期刊的精密工程和制造业,20卷,不。12日,第2127 - 2119页,2019年。视图:出版商的网站|谷歌学术搜索
48. c . h .做H.-Y。林和研究。黄”,同时定位和映射与去噪辅助扩展卡尔曼滤波,”2017年IEEE /马夫系统集成(他们)国际研讨会,页393 - 398,台北,台湾,2017年12月。视图:出版商的网站|谷歌学术搜索
49. 李x, j·戴,k . Wang和y .梁,“小说stsoslam算法基于强跟踪二阶中心差分卡尔曼滤波器,”机器人和自治系统卷,116年,第125 - 114页,2019年。视图:出版商的网站|谷歌学术搜索
50. 林j·巴姨,j .高,y, z . Liu丽安,和刘,“小说反馈系统,音响visual-inertial大满贯,”IEEE访问7卷,第147731 - 147721页,2019年。视图:出版商的网站|谷歌学术搜索
51. f . Scortecci a Giannitrapani:切,a . Garulli”比较ekf与ukf的航天器通过角测量定位,“IEEE航空航天和电子系统卷,47号1,第84 - 75页,2011。视图:出版商的网站|谷歌学术搜索
52. d . Fethi a . Nemra k Louadj, m . Hamerlain”同步定位、映射和路径规划对于使用最优控制的无人驾驶车辆,”机械工程的发展,10卷,不。1,文章ID 168781401773665, 2018。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Inam Ullah等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。