基于自适应渐消UKF的FastSLAM算法

作者：王秉洲; 王慧斌^*; 沈洁; 张丽丽

来源：计算机科学, 2020, 47(09): 213-218.

• 同步定位与地图构建
• 机器人
• 自适应渐消无迹卡尔曼滤波
• 粒子退化
• 建议分布函数

同时定位与地图构建(Simultaneous Lolalization And Mapping,SLAM)是未知环境下实现机器人自主导航的主要方法,FastSLAM是一个著名的SLAM问题解决方法。由于FastSLAM使用序贯重要性采样的方法,随着算法迭代计算,大部分粒子的权重值变得很小,只有很少粒子具有较大的权重,算法发生退化。为了使采样的粒子分布更加精确,避免粒子出现退化情况,从而进一步提高FastSLAM算法的估计精度,提出了一种基于自适应渐消无迹卡尔曼滤波(AFUKF)的快速同步定位和地图创建(FastSLAM)算法。针对FastSLAM的粒子退化问题,从研究粒子的建议分布函数出发,采用渐消无迹卡尔曼滤波(Adaptive Fading Unscented Kalman Filter,AFUKF)代替扩展卡尔曼滤波器(Extended Kalman Filter,EKF)来估计机器人位姿的建议分布函数,避免了EKF的线性化误差。同时,利用自适应渐消滤波思想产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。在MATLAB平台上的仿真实验结果表明,所提方法的位置估计均方误差比标准FastSLAM降低了28.7%,即估计精度提升了28.7%。在与近几年相关算法的对比实验中,所提方法也取得了较高的估计精度。改变粒子数量条件进行实验时,随着粒子数量的增加,各算法的估计精度都在提升,所提算法依然取得了最好的估计精度。实验结果充分说明,提出的算法计算建议分布函数更加精确,有效缓解了FastSLAM算法中的粒子退化问题,从而显著提高了算法的估计精度。