引用本文:闫德立,宋永端,宋宇,康轶非.平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用[J].控制理论与应用,2014,31(8):1009~1017.[点击复制]
YAN De-li,SONG Yong-duan,SONG Yu,KANG Yi-fei.The application of square-root cubature Kalman filter and probability hypothesis density in simultaneous localization and mapping for mobile robots[J].Control Theory and Technology,2014,31(8):1009~1017.[点击复制]
平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用
The application of square-root cubature Kalman filter and probability hypothesis density in simultaneous localization and mapping for mobile robots
摘要点击 2851  全文点击 1563  投稿时间：2013-07-17  修订日期：2014-03-13
查看全文  查看/发表评论  下载PDF阅读器
DOI编号  10.7641/CTA.2014.30741
  2014,31(8):1009-1017
中文关键词  移动机器人  同时定位与地图构建  平方根容积卡尔曼滤波  概率假设密度
英文关键词  mobile robot  simultaneous localization and mapping  square-root cubature Kalman filter  probability hypothesis density
基金项目  国家自然科学基金资助项目(61134001, 60905055, 51274144); 国家“973”计划资助项目(2012CB215202); 国家“863”计划资助项 目(SS2012AA052302); 河北省自然科学基金资助项目(F2012210031); 博士后科学基金资助项目(2013T60197); 中央高校基本业务费资 助项目(2014JBM014).
作者单位E-mail
闫德立 北京交通大学 电子信息工程学院
石家庄铁道大学 电气与电子工程学院 		anndy.yan@gmail.com 
宋永端* 北京交通大学 电子信息工程学院  
宋宇 北京交通大学 电子信息工程学院  
康轶非 北京交通大学 电子信息工程学院  
中文摘要
      针对杂波环境或数据关联模糊环境下移动机器人同时定位与地图构建(SLAM)的问题, 本文提出平方根容 积卡尔曼滤波概率假设密度(SRCKF-PHD)SLAM算法, 该算法的主要特点在于: 1) 采用容积规则方法计算非线性 函数高斯权重积分以及机器人位姿粒子权重, 达到改善位姿估计性能的目的; 2) 在高斯混合概率假设密度更新过 程中, 将平方根容积卡尔曼滤波应用于高斯项权重更新及观测似然计算中, 保证了协方差矩阵的对称性和半正定 性, 提高了地图估计的精度和稳定性. 通过仿真实验及Car Park数据集, 将提出算法与RB-PHD-SLAM算法进行对 比, 结果表明该算法对机器人位姿估计精度及地图估计精度的提高是有效的.
英文摘要
      A simultaneous localization and mapping (SLAM) algorithm based on square-root cubature Kalman filter and probability hypothesis density (SRCKF-PHD) is proposed, which is applied to situations of high clutter or ambiguous data association. The main contributions are: 1) to improve the performance of robot pose estimation, the cubature rule is utilized to calculate Gaussian weighted integral of the nonlinear function and robot pose particle’s weight; 2) in the process of GM-PHD update, SRCKF is utilized for calculating measurement likelihood and Gaussian component’s weight, which guarantees the symmetry and positive semi-definiteness of the covariance matrix and improves the numerical stability and accuracy. The proposed algorithm is compared with the RB-PHD-SLAM algorithm in simulation and Car Park data set. The results show that the proposed algorithm outperforms RB-PHD-SLAM algorithm.