比例最小偏度单行采样的平方根UKF-SLAM算法

汪贵冬，陈跃东，陈孟元

安徽工程大学安徽省电气传动与控制重点实验室，安徽芜湖 241000

比例最小偏度单行采样的平方根UKF-SLAM算法

汪贵冬，陈跃东，陈孟元

安徽工程大学安徽省电气传动与控制重点实验室，安徽芜湖 241000

对于UKF-SLAM算法所存在的滤波增益矩阵计算失真，采用对称采样计算复杂度相对较高且易产生非局部效应等问题，提出基于比例最小偏度单行采样的平方根UKF-SLAM算法。改进后的算法采用协方差阵的平方根代替协方差阵带入迭代运算，并以比例最小偏度单行采样的方式优化采样策略。仿真结果表明，该算法能够有效地提高机器人位姿以及特征地图的估计精度，并降低了计算复杂度，提高算法的稳定性。

滤波增益；采样策略；平方根；计算复杂度

未知环境下，利用自身所携带的传感器，机器人递增式地创建环境的特征地图，与此同时在创建的地图中修正自身的位置，即移动机器人的同步定位与地图构建问题（Simultaneous Localization and Mapping，SLAM）[1]。应用于SLAM的经典算法是将机器人的运动模型和观测模型进行一阶泰勒级数展开，然后利用扩展卡尔曼滤波（Extended Kalman Filter，EKF）对机器人的位姿以及特征图进行同时最优估计。此模型最早是由Sm ith和Cheeseman提出[2-3]。诸多国内外学者基于EKF-SLAM框架，进行优化与改进。例如，吕太之提出的采用极坐标对比临近两次的观测值来检测与减小外部干扰，提高算法的估计精度与鲁棒性[4]；张海强等提出改进的压缩型EKF-SLAM算法来降低计算复杂度[5]；周武等则提出全局观测地图模型来改进地图的表征方式[6]。……