CN110427520B - 一种基于自适应局部和分组关联策略的slam数据关联方法 - Google Patents

一种基于自适应局部和分组关联策略的slam数据关联方法 Download PDF

Info

Publication number
CN110427520B
CN110427520B CN201910599928.9A CN201910599928A CN110427520B CN 110427520 B CN110427520 B CN 110427520B CN 201910599928 A CN201910599928 A CN 201910599928A CN 110427520 B CN110427520 B CN 110427520B
Authority
CN
China
Prior art keywords
group
association
local
observation
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910599928.9A
Other languages
English (en)
Other versions
CN110427520A (zh
Inventor
罗元
杨成杰
张毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910599928.9A priority Critical patent/CN110427520B/zh
Publication of CN110427520A publication Critical patent/CN110427520A/zh
Application granted granted Critical
Publication of CN110427520B publication Critical patent/CN110427520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明请求保护一种基于自适应局部和分组关联策略的SLAM数据关联方法。具体步骤为：首先，根据移动机器人当前时刻的位置、传感器的量测范围以及当前时刻观测值的分布情况自适应地确定局部数据关联区域；然后，根据局部关联区域以及当前观测值的数量和分布自适应地确定观测值的分组数，并以此为基础利用高斯混合聚类算法将当前观测值分组；接着，使用联合兼容分支定界算法完成各组中观测值和局部区域中特征点之间的数据关联并筛选出各组最优关联解；最后，整合各组最优解得到最终的数据关联结果。实验结果证实了本方法能够在能够在保证高关联正确率的同时降低关联计算量。

Description

一种基于自适应局部和分组关联策略的SLAM数据关联方法
技术领域
本发明属于移动机器人自主导航领域，特别是一种基于自适应局部和分组关联策略的SLAM数据关联方法。
背景技术
同时定位与地图构建(simultaneous localization and mapping,SLAM)是移动机器人实现自主导航的关键。该方案由Smith等人于1986年首先提出，具体是移动机器人在未知环境中利用自身搭载的传感器(如深度相机，激光测距仪，声呐等)观测环境特征，并根据观测值递增式地构建周围环境地图，同时运用所建地图估计自身位姿。
数据关联是SLAM问题中的难点，指移动机器人将当前时刻传感器的观测值与已知局部地图中的特征进行匹配，从而确定观测值对应的是已知特征还是新增特征。错误的数据关联会导致建图和定位出现偏差，严重时会造成整个SLAM算法的发散。目前，SLAM数据关联算法大多是基于门限选择思想，其中具有代表性的是独立兼容最近邻算法和联合兼容分支定界算法。独立兼容最近邻算法最大的优点是计算量小，但是它忽视了传感器预测观测值误差之间的相关性，因此关联正确率低。联合兼容分支定界算法考虑了这一相关性，因此能够获得较高的关联正确率。然而，该算法的计算量与观测值数目成指数关系，这导致算法的实时性较差，在多特征环境中此问题更为严重。主流的SLAM数据关联算法不能够同时实现高关联正确率和低关联时间，导致移动机器人的实际应用效果不佳。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能够在保证高关联正确率的同时降低关联时间的基于联合兼容分支定界算法的移动机器人SLAM数据关联方法。本发明的技术方案如下：
一种基于自适应局部和分组关联策略的SLAM数据关联方法，其包括以下步骤：
S1，根据机器人当前位置、传感器量测范围以及当前观测值分布，自适应地确定局部关联区域；
S2，根据S1中划定的局部关联区域以及当前观测值的数量和分布，自适应地确定观测值的分组数；
S3，以S2中的分组数为基础，使用高斯混合聚类算法计算得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组；
S4，利用联合兼容分支定界算法完成各组观测值和局部区域特征之间的数据关联，在各组中选取联合Mahalanobis距离最小的关联结果作为该组最优解；
S5，整合各组最优解得到最终的SLAM数据关联结果。
进一步的，步骤S1根据机器人当前位置、传感器量测范围以及当前观测值分布，自适应地确定局部关联区域，具体步骤为：
S11：在t时刻，机器人根据t-1时刻自身位置和t-1到t时刻内部控制信息计算得到自身当前位置；
S12：根据如下公式计算局部关联区域的补偿距离：
d＝dmin+αpr
其中，dmin＝0.1米，表示最小补偿距离；α表示比例调节系数，取值范围[0.050.1]，环境特征越密集，α取值越大；r表示传感器有效量测距离；p表示当前时刻与传感器间的距离大于90％r的观测值的数目占观测值总数目的比例，可以看出，每一时刻p的取值与观测值分布有关。
S13：根据移动机器人当前时刻的位置、传感器量测范围以及S12中计算得到的补偿距离最终确定局部关联区域，公式如下：
(xR-xf)2+(yR-yf)2≤(r+d)2
其中，(xR,yR)表示当前时刻移动机器人的坐标，(xf,yf)表示已知地图中某个特征点的坐标，r表示传感器有效量测距离，d表示补偿距离。
进一步的，步骤S2根据S1中划定的局部关联区域以及当前观测值的数量和分布，自适应地确定观测值的分组数，具体步骤为：
S21：将局部数据关联区域平均分成8个部分，记为{Q1,Q2,...,Q7,Q8}；
S22：统计当前时刻各部分中观测值的数目，记为{m1,m2,...,m7,m8}；
S23：将各部分观测值数目mi(1≤i≤8)从大到小排序；
S24：求取排序后相邻两个观测值数目之间的差值；
S25：假定排序后相邻观测值数目ma和mb之间的差值最大，其中1≤a≤8，1≤b≤8且a≠b；
若mi≥ma，则把对应的Qi标记为密集部分；若mi≤mb，则把对应的Qi标记为稀疏部分；
S26：将局部关联区域中连续的密集部分合并成更大的密集部分，最终密集部分的数目即为当前时刻观测值的分组数K。
进一步的，所述步骤S3以S2中的分组数为基础，使用高斯混合聚类算法计算得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组，具体步骤为：
S31：计算某一个观测值属于某一个分组的后验概率，具体公式如下：
Figure BDA0002118939620000031
式中，K表示分组数；k(1≤k≤K)表示小组编号；μk和μj分别表示第k组和第j组观测值的均值；∑k和∑j分别表示第k组和第j组观测值的协方差；πk和πj分别表示第k组和第j组的权重；oi表示当前观测值中的第i个观测值；zik表示观测值oi属于第k组；N表示高斯分布。
S32：根据S31中的后验概率分别更新πk，μk和∑k，具体公式如下：
Figure BDA0002118939620000032
Figure BDA0002118939620000033
Figure BDA0002118939620000041
此步骤中，p(zik)表示观测值oi属于第k组的后验概率；m表示当前时刻观测值的总数目；
Figure BDA0002118939620000042
表示第k组中已有观测值的数目；
S33：迭代进行步骤S31和S32直至算法收敛，得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组。
进一步的，所述步骤S4利用联合兼容分支定界算法完成各组观测值和局部区域特征之间的数据关联，并在各组中选取联合Mahalanobis距离最小的关联结果作为该组最优解，具体步骤为：
S41：获取t时刻局部关联区域中包含的n个特征点的状态，记为：
Ft＝[f1,f2,...,fn]T
S42：获取t时刻某个分组中的m个受噪声干扰的传感器观测值，记为：
Zt＝[o1,o2,...,om]T
S43：根据局部数据关联区域中的特征点和该分组中传感器观测值生成一棵解释树，该解释树由所有可能的关联假设构成，假设存在某一个关联假设为：
Ht＝{c1,c2,...,ci,...,cm-1,cm}
式中ci表示观测值oi与特征点
Figure BDA0002118939620000043
相匹配，若ci＝0，则表示没有特征点与观测值oi相匹配；
S44：计算关联假设Ht中所涉及特征点的预测观测值，具体公式为：
Figure BDA0002118939620000044
上式中，h(·)代表机器人观测方程；
Figure BDA0002118939620000045
代表机器人本体的预测位姿；
Figure BDA0002118939620000046
代表涉及特征点的预测状态；
S45：计算联合新息及其协方差，公式分别为：
Figure BDA0002118939620000051
Figure BDA0002118939620000052
其中，
Figure BDA0002118939620000053
为联合新息；
Figure BDA0002118939620000054
为联合新息的协方差；
Figure BDA0002118939620000055
Figure BDA0002118939620000056
为Jacobian矩阵；
Figure BDA0002118939620000057
为预测误差协方差矩阵；
Figure BDA0002118939620000058
为观测误差协方差矩阵。
S46：根据联合新息
Figure BDA0002118939620000059
及其协方差
Figure BDA00021189396200000510
确定联合兼容性判别准则，如下：
Figure BDA00021189396200000511
其中，
Figure BDA00021189396200000512
表示联合Mahalanobis距离，
Figure BDA00021189396200000513
表示自由度为
Figure BDA00021189396200000514
置信水平为α的卡方分布，若
Figure BDA00021189396200000515
满足条件，则关联假设Ht中所有匹配对
Figure BDA00021189396200000516
之间是联合兼容的；
S47：以联合兼容性判别准则为限制条件，采用分支定界搜索方法自上而下递增式地搜索解释树，直至到达树的底部；
S48：完成搜索后，选取联合Mahalanobis距离最小的关联假设作为该分组的最优解；
S49：分别对其余每个分组中的观测值进行S41～S48的操作，最终得到每个分组的最优关联解。
进一步的，所述步骤S5整合各组最优解得到最终的SLAM数据关联结果。
本发明的优点及有益效果如下：
本发明针对目前主流的移动机器人SLAM数据关联方法存在不能同时实现高关联正确率和低关联时间的问题，提出一种优化的数据关联方法。该方法采用了局部数据关联策略。根据机器人当前位置、传感器量测范围以及当前观测值分布确定局部关联区域，并在此区域中进行数据关联操作，从而缩减计算开销。此外，本发明中涉及的局部关联区域的范围会根据每一时刻观测值分布自适应缩放，不包含无用特征点的同时也不遗漏有用特征点，从而确保高关联正确率。该方法也采用了分组关联策略，观测值分组关联可以减小数据关联时间，但是，分组是否合乎逻辑关系到关联正确率。本发明中，首先根据局部关联区域以及当前观测值的数量和分布自适应确定分组数，然后以此为基础使用高斯混合聚类算法完成观测值的分组。这样做确保每一时刻的分组符合每一时刻观测值的分布情况，保证关联正确率。
附图说明
图1是本发明提供优选实施例的基于自适应局部关联策略和自适应分组关联策略的移动机器人SLAM数据关联方法实现框架(包含边界过程)；
图2为局部数据关联区域示意图；
图3为局部数据关联区域分割示意图；
图4为解释树模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本方法的主要步骤为：
S1，根据机器人当前位置、传感器量测范围以及当前观测值分布，自适应地确定局部关联区域；
S2，根据S1中划定的局部关联区域以及当前观测值的数量和分布，自适应地确定观测值的分组数；
S3，以S2中的分组数为基础，使用高斯混合聚类算法计算得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组；
S4，利用联合兼容分支定界算法完成各组观测值和局部区域特征之间的数据关联，并在各组中选取联合Mahalanobis距离最小的关联结果作为该组最优解；
S5，整合各组最优解得到最终的SLAM数据关联结果。
步骤S1的具体实施过程为：
S11：在t时刻，机器人根据t-1时刻自身位置和t-1到t时刻内部控制信息计算得到自身当前位置；
S12：根据如下公式计算局部关联区域的补偿距离：
d＝dmin+αpr
其中，dmin＝0.1米，表示最小补偿距离；α表示比例调节系数，取值范围[0.050.1]，环境特征越密集，α取值越大；r表示传感器有效量测距离；p表示当前时刻与传感器间的距离大于90％r的观测值的数目占观测值总数目的比例，可以看出，每一时刻p的取值与观测值分布有关。
S13：根据移动机器人当前时刻的位置、传感器量测范围以及S12中计算得到的补偿距离最终确定局部关联区域，如图2所示，公式如下：
(xR-xf)2+(yR-yf)2≤(r+d)2
其中，(xR,yR)表示当前时刻移动机器人的坐标，(xf,yf)表示已知地图中某个特征点的坐标，r表示传感器有效量测距离，d表示补偿距离。
步骤S2的具体实施过程为：
S21：将局部关联区域按图3所示平均分成8个部分，记为{Q1,Q2,...,Q7,Q8}；
S22：统计当前时刻各部分中观测值的数目，记为{m1,m2,...,m7,m8}；
S23：将各部分观测值数目mi(1≤i≤8)从大到小排序；
S24：求取排序后相邻两个观测值数目之间的差值；
S25：假定排序后相邻观测值数目ma和mb之间的差值最大，其中1≤a≤8，1≤b≤8且a≠b；
若mi≥ma，则把对应的Qi标记为密集部分；若mi≤mb，则把对应的Qi标记为稀疏部分；
S26：将局部关联区域中连续的密集部分合并成更大的密集部分，最终密集部分的数目即为当前时刻观测值的分组数K。
步骤S3的具体实施过程为：
S31：计算某一个观测值属于某一个分组的后验概率，具体公式如下：
Figure BDA0002118939620000081
式中，K表示分组数；k(1≤k≤K)表示小组编号；μk和μj分别表示第k组和第j组观测值的均值；∑k和∑j分别表示第k组和第j组观测值的协方差；πk和πj分别表示第k组和第j组的权重；oi表示当前观测值中的第i个观测值；zik表示观测值oi属于第k组；N表示高斯分布。
S32：根据S31中的后验概率分别更新πk，μk和∑k，具体公式如下：
Figure BDA0002118939620000082
Figure BDA0002118939620000083
Figure BDA0002118939620000084
此步骤中，p(zik)表示观测值oi属于第k组的后验概率；m表示当前时刻观测值的总数目；
Figure BDA0002118939620000085
表示第k组中已有观测值的数目；
S33：迭代进行步骤S31和S32直至算法收敛，得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组。
步骤S4的具体实施过程为：
S41：获取t时刻局部关联区域中包含的n个特征点的状态，记为：
Ft＝[f1,f2,...,fn]T
S42：获取t时刻某个分组中的m个受噪声干扰的传感器观测值，记为：
Zt＝[o1,o2,...,om]T
S43：根据局部数据关联区域中的特征点和该分组中传感器观测值生成一棵解释树，如图4所示，该解释树由所有可能的关联假设构成，假设存在某个关联假设为：
Ht＝{c1,c2,...,ci,...,cm-1,cm}
式中ci表示观测值oi与特征点fci相匹配，若ci＝0，则表示没有特征点与观测值oi相匹配；
S44：计算关联假设Ht中所涉及特征点的预测观测值，具体公式为：
Figure BDA0002118939620000091
上式中，h(·)代表机器人观测方程；
Figure BDA0002118939620000092
代表机器人本体的预测位姿；
Figure BDA0002118939620000093
代表涉及特征点的预测状态；
S45：计算联合新息及其协方差，公式分别为：
Figure BDA0002118939620000094
Figure BDA0002118939620000095
其中，
Figure BDA0002118939620000096
为联合新息；
Figure BDA0002118939620000097
为联合新息的协方差；
Figure BDA0002118939620000098
Figure BDA0002118939620000099
为Jacobian矩阵；
Figure BDA00021189396200000910
为预测误差协方差矩阵；
Figure BDA00021189396200000911
为观测误差协方差矩阵。
S46：根据联合新息
Figure BDA00021189396200000912
及其协方差
Figure BDA00021189396200000913
确定联合兼容性判别准则，如下：
Figure BDA00021189396200000914
其中，
Figure BDA00021189396200000915
表示联合Mahalanobis距离，
Figure BDA00021189396200000916
表示自由度为
Figure BDA00021189396200000917
置信水平为α的卡方分布，若
Figure BDA00021189396200000918
满足条件，则关联假设Ht中所有匹配对
Figure BDA00021189396200000919
之间是联合兼容的；
S47：以联合兼容性判别准则为限制条件，采用分支定界搜索方法自上而下递增式地搜索解释树，直至到达树的底部；
S48：完成搜索后，选取联合Mahalanobis距离最小的关联假设作为该分组的最优解；
S49：分别对其余每个分组中的观测值进行S41～S48的操作，最终得到每个分组的最优关联解。
完成上述所有步骤之后，整合各组最优解得到当前时刻最终的SLAM数据关联结果。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种基于自适应局部和分组关联策略的SLAM数据关联方法，其特征在于，包括以下步骤：
S1，根据机器人当前位置、传感器量测范围以及当前观测值分布，自适应地确定局部关联区域；
S2，根据S1中划定的局部关联区域以及当前观测值的数量和分布，自适应地确定观测值的分组数；
S3，以S2中的分组数为基础，使用高斯混合聚类算法计算得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组；
S4，利用联合兼容分支定界算法完成各组观测值和局部区域特征之间的数据关联，并在各组中选取联合Mahalanobis距离最小的关联结果作为该组最优解；
S5，整合各组最优解得到最终的SLAM数据关联结果；
步骤S1根据机器人当前位置、传感器量测范围以及当前观测值分布，自适应地确定局部关联区域，具体步骤为：
S11：在t时刻，机器人根据t-1时刻自身位置和t-1到t时刻内部控制信息计算得到自身当前位置；
S12：根据如下公式计算局部关联区域的补偿距离：
d＝dmin+αpr
其中，dmin＝0.1米，表示最小补偿距离；α表示比例调节系数，取值范围[0.050.1]，环境特征越密集，α取值越大；r表示传感器有效量测距离；p表示当前时刻与传感器间的距离大于90％r的观测值的数目占观测值总数目的比例，可以看出，每一时刻p的取值与观测值分布有关；
S13：根据移动机器人当前时刻的位置、传感器量测范围以及S12中计算得到的补偿距离最终确定局部关联区域，公式如下：
(xR-xf)2+(yR-yf)2≤(r+d)2
其中，(xR,yR)表示当前时刻移动机器人的坐标，(xf,yf)表示已知地图中某个特征点的坐标，r表示传感器有效量测距离，d表示补偿距离；
步骤S2根据S1中划定的局部关联区域以及当前观测值的数量和分布，自适应地确定观测值的分组数，具体步骤为：
S21：将局部数据关联区域平均分成8个部分，记为{Q1,Q2,...,Q7,Q8}；
S22：统计当前时刻各部分中观测值的数目，记为{m1,m2,...,m7,m8}；
S23：将各部分观测值数目mi(1≤i≤8)从大到小排序；
S24：求取排序后相邻两个观测值数目之间的差值；
S25：假定排序后相邻观测值数目ma和mb之间的差值最大，其中1≤a≤8，1≤b≤8且a≠b；
若mi≥ma，则把对应的Qi标记为密集部分；若mi≤mb，则把对应的Qi标记为稀疏部分；
S26：将局部关联区域中连续的密集部分合并成更大的密集部分，最终密集部分的数目即为当前时刻观测值的分组数K。
2.根据权利要求1所述的一种基于自适应局部和分组关联策略的SLAM数据关联方法，其特征在于，所述步骤S3以S2中的分组数为基础，使用高斯混合聚类算法计算得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组，具体步骤为：
S31：计算某一个观测值属于某一个分组的后验概率，具体公式如下：
Figure FDA0003661924890000021
式中，K表示分组数；k(1≤k≤K)表示小组编号；μk和μj分别表示第k组和第j组观测值的均值；∑k和∑j分别表示第k组和第j组观测值的协方差；πk和πj分别表示第k组和第j组的权重；oi表示当前观测值中的第i个观测值；zik表示观测值oi属于第k组；N表示高斯分布；
S32：根据S31中的后验概率分别更新πk，μk和∑k，具体公式如下：
Figure FDA0003661924890000022
Figure FDA0003661924890000031
Figure FDA0003661924890000032
此步骤中，p(zik)表示观测值oi属于第k组的后验概率；m表示当前时刻观测值的总数目；
Figure FDA0003661924890000033
表示第k组中已有观测值的数目；
S33：迭代进行步骤S31和S32直至算法收敛，得到每一个观测值属于每一个分组的概率，并将每一个观测值归为其所属概率最大的分组。
3.根据权利要求2所述的一种基于自适应局部和分组关联策略的SLAM数据关联方法，其特征在于，所述步骤S4利用联合兼容分支定界算法完成各组观测值和局部区域特征之间的数据关联，并在各组中选取联合Mahalanobis距离最小的关联结果作为该组最优解，具体步骤为：
S41：获取t时刻局部关联区域中包含的n个特征点的状态，记为：
Ft＝[f1,f2,...,fn]T
S42：获取t时刻某个分组中的m个受噪声干扰的传感器观测值，记为：
Zt＝[o1,o2,...,om]T
S43：根据局部数据关联区域中的特征点和该分组中传感器观测值生成一棵解释树，该解释树由所有可能的关联假设构成，假设存在某一个关联假设为：
Ht＝{c1,c2,...,ci,...,cm-1,cm}
式中ci表示观测值oi与特征点
Figure FDA0003661924890000034
相匹配，若ci＝0，则表示没有特征点与观测值oi相匹配；
S44：计算关联假设Ht中所涉及特征点的预测观测值，具体公式为：
Figure FDA0003661924890000035
上式中，h(·)代表机器人观测方程；
Figure FDA0003661924890000036
代表机器人本体的预测位姿；
Figure FDA0003661924890000041
代表涉及特征点的预测状态；
S45：计算联合新息及其协方差，公式分别为：
Figure FDA0003661924890000042
Figure FDA0003661924890000043
其中，
Figure FDA0003661924890000044
为联合新息；
Figure FDA0003661924890000045
为联合新息的协方差；
Figure FDA0003661924890000046
Figure FDA0003661924890000047
为Jacobian矩阵；
Figure FDA0003661924890000048
为预测误差协方差矩阵；
Figure FDA0003661924890000049
为观测误差协方差矩阵；
S46：根据联合新息
Figure FDA00036619248900000410
及其协方差
Figure FDA00036619248900000411
确定联合兼容性判别准则，如下：
Figure FDA00036619248900000412
其中，
Figure FDA00036619248900000413
表示联合Mahalanobis距离，
Figure FDA00036619248900000414
表示自由度为
Figure FDA00036619248900000415
置信水平为α的卡方分布，若
Figure FDA00036619248900000416
满足条件，则关联假设Ht中所有匹配对
Figure FDA00036619248900000417
之间是联合兼容的；
S47：以联合兼容性判别准则为限制条件，采用分支定界搜索方法自上而下递增式地搜索解释树，直至到达树的底部；
S48：完成搜索后，选取联合Mahalanobis距离最小的关联假设作为该分组的最优解；
S49：分别对其余每个分组中的观测值进行S41～S48的操作，最终得到每个分组的最优关联解。
4.根据权利要求3所述的一种基于自适应局部和分组关联策略的SLAM数据关联方法，其特征在于，所述步骤S5整合各组最优解得到最终的SLAM数据关联结果。
CN201910599928.9A 2019-07-04 2019-07-04 一种基于自适应局部和分组关联策略的slam数据关联方法 Active CN110427520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910599928.9A CN110427520B (zh) 2019-07-04 2019-07-04 一种基于自适应局部和分组关联策略的slam数据关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910599928.9A CN110427520B (zh) 2019-07-04 2019-07-04 一种基于自适应局部和分组关联策略的slam数据关联方法

Publications (2)

Publication Number Publication Date
CN110427520A CN110427520A (zh) 2019-11-08
CN110427520B true CN110427520B (zh) 2022-08-23

Family

ID=68408932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910599928.9A Active CN110427520B (zh) 2019-07-04 2019-07-04 一种基于自适应局部和分组关联策略的slam数据关联方法

Country Status (1)

Country Link
CN (1) CN110427520B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966123A (zh) * 2015-07-16 2015-10-07 北京工业大学 基于模糊-自适应的slam数据关联方法
CN107590827A (zh) * 2017-09-15 2018-01-16 重庆邮电大学 一种基于Kinect的室内移动机器人视觉SLAM方法
CN108139225A (zh) * 2015-07-29 2018-06-08 大众汽车有限公司 确定机动车的布局信息
CN108287550A (zh) * 2018-02-01 2018-07-17 速感科技（北京）有限公司 基于数据关联及错误检测的slam***和构造数据关联的方法
WO2018142395A1 (en) * 2017-01-31 2018-08-09 Arbe Robotics Ltd A radar-based system and method for real-time simultaneous localization and mapping
CN109241228A (zh) * 2018-09-04 2019-01-18 山东理工大学 一种多移动机器人协作同步定位与地图构建策略
CN109459033A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种多重渐消因子的机器人无迹快速同步定位与建图方法
CN109572857A (zh) * 2018-12-26 2019-04-05 石家庄铁道大学 一种麦克纳姆轮智能仓储agv及其路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10019801B2 (en) * 2016-03-11 2018-07-10 Kabushiki Kaisha Toshiba Image analysis system and method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966123A (zh) * 2015-07-16 2015-10-07 北京工业大学 基于模糊-自适应的slam数据关联方法
CN108139225A (zh) * 2015-07-29 2018-06-08 大众汽车有限公司 确定机动车的布局信息
WO2018142395A1 (en) * 2017-01-31 2018-08-09 Arbe Robotics Ltd A radar-based system and method for real-time simultaneous localization and mapping
CN107590827A (zh) * 2017-09-15 2018-01-16 重庆邮电大学 一种基于Kinect的室内移动机器人视觉SLAM方法
CN108287550A (zh) * 2018-02-01 2018-07-17 速感科技（北京）有限公司 基于数据关联及错误检测的slam***和构造数据关联的方法
CN109241228A (zh) * 2018-09-04 2019-01-18 山东理工大学 一种多移动机器人协作同步定位与地图构建策略
CN109459033A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种多重渐消因子的机器人无迹快速同步定位与建图方法
CN109572857A (zh) * 2018-12-26 2019-04-05 石家庄铁道大学 一种麦克纳姆轮智能仓储agv及其路径规划方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Novel Association Approach for SLAM of Mobile Robot;yidong Du 等;《2018 37th Chinese Control Conference》;20181008;4744-4749 *
SLAM Data Association of Mobile Robot Based on Improved JCBB Algorithm;Chengjie Yang 等;《2020 IEEE 5th Imformation Technology and Mechatronics Engineering Conference》;20200716;363-368 *
一种基于聚类分组的快速联合兼容SLAM数据关联算法;刘丹 等;《机器人》;20180315;第40卷(第02期);158-168，177 *
基于嵌入式平台和子地图局部关联算法的AGV设计;胡佳辉 等;《电子测量技术》;20190608;第42卷(第11期);51-55 *
基于高斯分布重采样的Rao-Blackwellized粒子滤波SLAM算法;罗元 等;《控制与决策》;20161011;第31卷(第12期);2299-2304 *
室内多障碍物环境下移动机器人自主导航***的研究;杨成杰;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20210215(第02期);I140-808 *

Also Published As

Publication number Publication date
CN110427520A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110514206B (zh) 一种基于深度学习的无人机飞行路径预测方法
CN109186610B (zh) 一种auv地形匹配导航的鲁棒bslam方法
CN110726415B (zh) 一种自适应的水下多波束同步定位与建图方法
CN111930844B (zh) 基于区块链和人工智能的金融预测***
CN112116593A (zh) 一种基于基尼指数的领域自适应语义分割方法
CN113238232B (zh) 面向海洋静态目标的自主水下航行器***目标搜索方法
CN110986956A (zh) 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
CN117314891B (zh) 一种基于图像处理的光学镜头表面缺陷检测方法及***
Wang et al. An adaptive particle swarm optimization for underwater target tracking in forward looking sonar image sequences
CN113903395A (zh) 一种改进粒子群优化的bp神经网络拷贝数变异检测方法与***
CN114299442A (zh) 一种行人重识别方法、***、电子设备及存储介质
Leung et al. An improved weighting strategy for rao-blackwellized probability hypothesis density simultaneous localization and mapping
CN116912568A (zh) 基于自适应类别均衡的含噪声标签图像识别方法
CN116882574A (zh) 一种基于神经网络模型的碳排放预测方法及***
CN110427520B (zh) 一种基于自适应局部和分组关联策略的slam数据关联方法
CN109492816B (zh) 一种基于混合智能的煤与瓦斯突出动态预测方法
CN117237902B (zh) 基于深度学习的机器人物体识别***
Wang et al. Robust exploration with multiple hypothesis data association
CN111275748B (zh) 动态环境下基于激光雷达的点云配准方法
CN115932913B (zh) 一种卫星定位伪距修正方法及装置
CN116861985A (zh) 一种基于卷积层相对信息熵的神经网络剪枝子网搜索方法
CN116563341A (zh) 一种处理复杂环境下动态物体的视觉定位与建图方法
CN116242381A (zh) 一种路径规划方法、***、电子设备及存储介质
Xi et al. Simulation research for active simultaneous localization and mapping based on extended kalman filter
CN112927085A (zh) 基于区块链、大数据和算法的股票风险预警***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant