基于IGA算法FastSLAM算法研究.docVIP

基于IGA算法FastSLAM算法研究 　　摘 要：为了使自主移动机器人在SLAM（同步定位和地图创建）上更加准确，分析了粒子滤波器（Particle Filter，PF）的FastSlam 算法在粒子退化和粒子早熟两方面的不足，提出了一种改进算法（IGA算法）。该算法通过替代原有的重采样过程，改善了粒子多样性，提高了预测精度。在粒子早熟方面采用模?M退火思想对遗传算子进行改进，避免了遗传算法中的遗传算子易陷入局部最优解产生“早熟”现象问题。仿真结果表明，IGA算法使粒子保持的多样性更加持久，算法精度持续时间更长。 　　关键词：SLAM；Fast SLAM；IGA遗传算法粒子滤波；粒子退化；粒子早熟 　　DOI：10.11907/rjdk.172234 　　中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2017）009-0055-06 　　Abstract：In order to make the autonomous mobile robot more accurate in SLAM， an improved algorithm （IGA algorithm） is proposed based on the shortcomings of Particle Filter （PF） FastSlam algorithm in particle degradation and early maturing of particles. The algorithm is used to replace the original resampling process to improve the particle diversity and improve the prediction accuracy. The genetic algorithm is improved by using simulated annealing in the early maturing of particles， which avoids the genetic algorithm in the genetic algorithm which is easy to fall into the local optimal solution and produce premature phenomenon. The simulation results show that the IGA algorithm makes the diversity of particles more durable and the algorithm has longer duration. 　　Key Words：Synchronous location and map creation （SLAM）； genetic algorithm particle filter； particle degeneration； particle premature 　　0 引言 　　SLAM（Simultaneous Localization and Mapping） 指机器人在未知环境中通过自身传感器数据同时进行地图创建与定位导航任务。目前典型的 SLAM 算法大致分为两类，一种是概率定位模型方法，另一种是非概率定位模型方法。目前基于扩展卡尔曼滤波器（ Extended Kalman FIlter， EKF）的 EKF_SLAM 算法和基于粒子滤波器（Particle Filter， PF）的 FastSlam 算法都属于概率定位，非概率定位有数据融合、扫描匹配、SM-SLAM等。 　　移动机器人同时定位与地图创建是实现未知环境下机器人自主导航的关键技术，结合对SLAM问题的描述以及对FastSLAM1.0和FastSLAM2.0算法模型的分析，可以看出粒子早熟和粒子耗尽是困扰基于粒子群的SLAM算法的一个重要问题。GA-FastSLAM2.0算法利用遗传优化代替FastSLAM2.0的重采样过程，主流的重采样算法有重要性采样算法、残差重采样算法、优化组合重采样等等。优化组合重采样法主要思想是充分利用权值较小的粒子，在复制某个粒子点时，通过采样点和被废弃的采样点进行适当的线性组合，从而得到新的采样点。该算法生成的粒子没有重复，保证了粒子群的多样性。这种变化改善了“粒子耗尽”问题，提高了算法的精度。但是通过实验发现，GA-FastSLAM2.0算法虽然在移动机器人运行初期对粒子群的多样性保持得很好，但是到了算法运算后期，粒子退化问题仍然会出现，这对需要长时间运行的实验过程来说是行不通的。故本文提出改进遗传算法中变异和交叉过程，使粒