基于改进粒子滤波的SLAM算法研究

孙 昊，周 阳，李丽娜

(辽宁大学 物理学院，辽宁 沈阳 110036)

随着机器人技术成熟，移动机器人在家政服务，无人驾驶，监控跟踪等方面发挥出越来越重要的作用。移动机器在固定区域内的自我定位和环境构建成为机器人领域的关键技术。基于粒子滤波〔1-2〕的Slam〔3〕算法证明移动机器根据周围环境自我定位和映射周围环境信息在理论上可行，但存在着两个致命缺陷，一是建图对机器人位姿有较高的要求〔4〕，二是频繁的重采样会导致粒子耗散。GMapping正是针对这两处缺陷，提出了具有针对性的解决方案。改进一：改善粒子采样选择；改进二：选择性重采样。本文通过改进的GMapping构建了室内全局地图。

1 粒子滤波理论描述

1.1 粒子滤波原理

在把粒子滤波原理应用到slam问题中时，一个粒子需要同时保存所有历史时刻的机器人位姿和整个地图信息。粒子滤波是贝叶斯滤波〔5〕在特殊条件下一种特殊方式。

根据条件贝叶斯法则，有：

p(x1：t,m|z1：t，u1：t-1) =p(m|x1：t，z1：t)·

p(x1：t|z1：t，u1：t-1)

(1)

这一分解可看成把SLAM分解为定位与建图两部分，该方法称为粒子滤波方法(RBPF)。

1.2 粒子滤波缺陷

粒子滤波(RBPF)为slam提供了理论的支撑，在实践上遇到两个主要的问题：

(1)通过机器人运动模型和特征点法采样局部关键帧，可以得到非常多的粒子。而这些粒子分布又很分散，与真实分布相差过大。要想提高真实分布附近的粒子数，就一定要整体增加粒子数，而运算过程中涉及到求矩阵逆，粒子数越多计算量指数倍增大。(2)在机器人的行走过程屡次采样会引起粒子耗散。……