基于海鸥优化改进采样过程的RBPF-SLAM算法

施振稳，张志安，黄学功，华 洪，陈冠星

(南京理工大学 机械工程学院， 南京 210094)

1 引言

随着科技水平的发展，移动机器人的智能化水平和自适应能力大大提升，如今在军事领域、工业领域、航天飞行领域以及日常生活和社会的各个层面都有着广泛的应用[1]。同时定位与建图(simultaneous location and mapping，SLAM)是移动机器人研究的热点问题，是机器人实现自主导航的关键环节。SLAM概念由文献[2]于1991年正式提出，指载体在未知环境中通过自身装备的传感器不断获取周围环境信息，构建周围环境的增量式地图，同时根据所构建的地图估计其位姿。早期，研究人员主要使用扩展卡尔曼滤波器(extended kalman filter，EKF)和粒子滤波器(particle filtering，PF)解决SLAM问题。然而EKF和PF算法都因效率低、计算复杂度大，无法很好满足SLAM实时性需求。为此，文献[3]提出基于Rao-Blackwellize粒子滤波器(rao-blackwellized particle filter，RBPF)的FastSLAM算法，将SLAM问题分解成机器机器人定位问题和基于已知机器人位姿的建图问题，解决了状态空间维数过高的问题，从而大大减少了计算量。然而传统的RBPF-SLAM方法必须用大量粒子才能很好地描述后验概率密度分布，但是粒子数越多，算法复杂度越高，导致效率低下，而且多数粒子在经过多次迭代后，其权值将不断减小，就会出现粒子退化问题。

针对传统基于RBPF粒子滤波SLAM方法的不足，国内外不少学者进行过研究。文献[4]基于FastSLAM提出一种名为Gmapping激光SLAM算法，该算法将高精度的激光测量数据加入到提议分布求取中，使提议分布更接近实际后验分布，从而提高算法的效率。文献[5-7]均尝试利用群智能算法优化RBP-SLAM算法，群智能算法与RBPF-SLAM算法结合的研究方兴未艾。……