CN110263905B - 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 - Google Patents

基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 Download PDF

Info

Publication number
CN110263905B
CN110263905B CN201910473312.7A CN201910473312A CN110263905B CN 110263905 B CN110263905 B CN 110263905B CN 201910473312 A CN201910473312 A CN 201910473312A CN 110263905 B CN110263905 B CN 110263905B
Authority
CN
China
Prior art keywords
particle
particles
firefly
optimized
calculating
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
CN201910473312.7A
Other languages
English (en)
Other versions
CN110263905A (zh
Inventor
崔昊杨
张宇
刘昊
秦伦明
杨强强
卞正兰
唐忠
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.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201910473312.7A priority Critical patent/CN110263905B/zh
Publication of CN110263905A publication Critical patent/CN110263905A/zh
Application granted granted Critical
Publication of CN110263905B publication Critical patent/CN110263905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于萤火虫优化粒子滤波的机器人定位与建图方法及装置，其中方法包括：步骤S1：获得采样初始时刻粒子；步骤S2：通过机器人运动模型和观测模型得到t时刻的目标值，并通过重要性采样得到t时刻的粒子集合；步骤S3：利用改进后的萤火虫算法优化采样粒子的位置，分别得到所有粒子t+1时刻优化后的位置；步骤S4：计算优化后的粒子权重并进行归一化，筛选有效粒子，并基于有效粒子进行重采样，直至粒子总数达到设定数目；步骤S5：根据步骤S4得到的粒子群进行机器人位姿与环境估计。与现有技术相比，本发明解决了固定步长因子导致的收敛速度慢、在极值点附近易“振荡”等问题，提高了粒子全局寻优和局部寻优的精度与效率。

Description

基于萤火虫优化粒子滤波的机器人定位与建图方法及装置
技术领域
本发明涉及智能移动设备环境感知与自动化作业领域，尤其是涉及一种基于萤火虫优化粒子滤波的机器人定位与建图方法及装置。
背景技术
智能移动巡检设备中的同时定位和地图创建(Simultaneous Localization AndMapping,SLAM)技术是实现电力设备状态信息智能感知与自动化作业的核心问题，SLAM既是移动机器人自主移动的前提，又是后续路径规划与运动控制的基础，其难点在于如何通过自身携带的传感器，采用滤波方法实现未知环境地图构建和精准定位。
标准粒子滤波(Particle Filter,PF)在重要性采样时遵循次优选择原则，会导致样本有效性的遗失，引起样本贫化现象；同时标准PF是以牺牲小权值粒子为代价来进行重采样，经过多次循环迭代会导致粒子退化，降低了采样粒子的多样性，导致定位预测精度难以满足高性能机器人精确定位的要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于萤火虫优化粒子滤波的机器人定位与建图方法及装置。
本发明的目的可以通过以下技术方案来实现：
一种基于萤火虫优化粒子滤波的机器人定位与建图方法，包括：
步骤S1：获得采样初始时刻粒子；
步骤S2：通过机器人运动模型和观测模型得到t时刻的目标值，并通过重要性采样得到t时刻的粒子集合；
步骤S3：利用改进后的萤火虫算法优化采样粒子的位置，分别得到所有粒子t+1时刻优化后的位置；
步骤S4：计算优化后的粒子权重并进行归一化，筛选有效粒子，并基于有效粒子进行重采样，直至粒子总数达到设定数目；
步骤S5：根据步骤S4得到的粒子群进行机器人位姿与环境估计。
所述步骤S3具体包括：
步骤S31：根据重定义后的相对亮度公式计算t+1时刻粒子i、j的相对亮度：
Figure GDA0002131518030000021
其中：I为相对亮度，pdist(·)euc为欧氏距离，
Figure GDA0002131518030000022
为第i粒子的预测观测值，
Figure GDA0002131518030000023
为第i粒子的最新观测值，
Figure GDA0002131518030000024
为第i粒子的预测状态值，
Figure GDA0002131518030000025
为第i粒子的最新状态值；
步骤S32：计算粒子t+1时刻粒子i、j的欧式距离；
步骤S33：根据改进后的位置方程来更新粒子i的位置：
Figure GDA0002131518030000026
其中：xi'为更新后的粒子i所在的空间位置，xi为粒子i所在的空间位置，β0为萤火虫最大吸引度，γ为光强吸收系数，rij为粒子i、j的空间距离，xj为粒子j所在的空间位置，Rt为观测过程的噪声值，I(i)为粒子i相对亮度，I(j)为粒子j相对亮度，rand为服从均值为0、方差为1的均匀分布随机数。
所述步骤S4具体包括：
步骤S41：计算粒子权重并按升序排列，采用基于偏差修正的指数加权平均算法计算排序后粒子集的平均值δ，并将权重小于该平均值δ的粒子舍弃，并将剩余的粒子作为有效粒子；
步骤S42：按照有效粒子的权重大小，对各有效粒子进行复制；
步骤S43：对各粒子权值降序排列，并利用高斯变异算子依次对粒子i位姿xi进行随机扰动从而产生新粒子x′i，直至满足总数N。
所述步骤S42中，各粒子的复制次数为：
Figure GDA0002131518030000027
其中：ni为粒子i的复制次数，g(·)为向上取整函数，
Figure GDA0002131518030000028
为粒子i的权重，δ为粒子权重的平均值。
所述步骤S43中新添粒子公式如下：
xi'＝xi+xi×μ×M(0,1)
其中：xi'为加入随机扰动后的粒子i的位置，xi为加入随机扰动前的粒子i的位置，μ为扰动控制因子，M(0,1)为均值为0、方差为1的高斯分布随机变量。
一种基于萤火虫优化粒子滤波的机器人定位与建图装置，包括处理器、存储器，以及存储于存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：
步骤S1：获得采样初始时刻粒子；
步骤S2：通过机器人运动模型和观测模型得到t时刻的目标值，并通过重要性采样得到t时刻的粒子集合；
步骤S3：利用改进后的萤火虫算法优化采样粒子的位置，分别得到所有粒子t+1时刻优化后的位置；
步骤S4：计算优化后的粒子权重并进行归一化，筛选有效粒子，并基于有效粒子进行重采样，直至粒子总数达到设定数目；
步骤S5：根据步骤S4得到的粒子群进行机器人位姿与环境估计。
与现有技术相比，本发明具有以下有益效果：
1)重定义后的荧光亮度公式中加入了最新时刻观测与状态值，重定义后的步长因子公式中加入了观测过程的噪声值和重定义后的荧光亮度，分步重采样环节采用基于偏差修正的指数加权平均算法筛选粒子，分步重采样环节利用高斯变异算子依次对筛选后的大权值粒子进行随机扰动从而产生新粒子。通过重定义萤火虫算法中的亮度公式提高了融合算法的寻优精度；同时改进了步长因子调整机制，解决了固定步长因子导致的收敛速度慢、在极值点附近易“振荡”等问题，提高了粒子全局寻优和局部寻优的精度与效率。
2)采用分步重采样环节考虑到了大权值粒子是影响估计精度的决定性因素，提高了粒子筛选的准确性，也保证了复制与新添粒子的有效性，解决重采样造成的样本退化和预估精度降低等问题。
附图说明
图1为本发明方法的主要步骤流程示意图；
图2为本发明萤火虫算法优化采样粒子位姿过程示意图；
图3为本发明分步重采样的粒子位姿优化过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
针对标准粒子滤波运行机制存在的缺陷，本申请提出了一种机器人定位与建图算法中的仿生滤波方法。仿生滤波方法将每个粒子当成群体中的个体，通过完成个体间的消息交替与更新，使粒子快速且智能得集中至高似然区域实现粒子位置优化。
本申请将萤火虫优化算法(Firefly Algorithm,FA)与粒子滤波算法相结合，提出一种改进的萤火虫优化粒子滤波算法，并将改进算法应用到机器人SLAM中，核心是提高算法的熟练能力与预测精度，优化机器人对运行轨迹与环境路标的预测精度与稳定性。
一种基于萤火虫优化粒子滤波的机器人定位与建图方法，在采用萤火虫优化粒子滤波算法进行移动机器人定位与建图时，通过实时反馈最新时刻观测与状态值重定义亮度公式、构建加入观测过程噪声值和相对亮度信息的非线性衰减函数；同时采用基于偏差修正的指数加权平均算法和高斯扰动系数的分步重采样策略进一步优化粒子分布，具体如下：相比邻近粒子，若当前粒子预测值和真实结果偏差较大，说明邻近粒子位置更优，即当前粒子移动至邻近粒子位置，通过循环迭代得到全部采样粒子的优化结果；进而再采用基于偏差修正的指数加权平均算法得到优化粒子的筛选结果，由于筛选后已不满足粒子总数N，因此设计复制和利用高斯变异算子的新添过程使粒子增加至N。具体的，该方法以计算机程序的形式由计算机系统实现，对应的装置，包括处理器、存储器，以及存储于存储器中并由处理器执行的程序，如图1所示，处理器执行程序时实现以下步骤：
步骤S1：获得采样初始时刻粒子；
步骤S2：通过机器人运动模型和观测模型得到t时刻的目标值，并通过重要性采样得到t时刻的粒子集合；
步骤S3：利用改进后的萤火虫算法优化采样粒子的位置，分别得到所有粒子t+1时刻优化后的位置，具体包括：
步骤S31：根据重定义后的相对亮度公式计算t+1时刻粒子i、j的相对亮度：
Figure GDA0002131518030000041
其中：I为相对亮度，pdist(·)euc为欧氏距离，
Figure GDA0002131518030000042
为第i粒子的预测观测值，
Figure GDA0002131518030000043
为第i粒子的最新观测值，
Figure GDA0002131518030000051
为第i粒子的预测状态值，
Figure GDA0002131518030000052
为第i粒子的最新状态值，在机器人定位与建图时
Figure GDA0002131518030000053
代表第i粒子的预测路标值、最新时刻路标值、预测位姿值和最新时刻位姿值；
步骤S32：计算粒子t+1时刻粒子i、j的欧式距离；
步骤S33：根据改进后的位置方程来更新粒子i的位置：
Figure GDA0002131518030000054
其中：xi'为更新后的粒子i所在的空间位置，xi为粒子i所在的空间位置，β0为萤火虫最大吸引度，γ为光强吸收系数，rij为粒子i、j的空间距离，xj为粒子j所在的空间位置，Rt为观测过程的噪声值，I(i)为粒子i相对亮度，I(j)为粒子j相对亮度，rand为服从均值为0、方差为1的均匀分布随机数。
步骤S4：计算优化后的粒子权重并进行归一化，筛选有效粒子，并基于有效粒子进行重采样，直至粒子总数达到设定数目，具体包括：
步骤S41：计算粒子权重并按升序排列，采用基于偏差修正的指数加权平均算法计算排序后粒子集的平均值δ，并将权重小于该平均值δ的粒子舍弃，并将剩余的粒子作为有效粒子；
步骤S42：按照有效粒子的权重大小，对各有效粒子进行复制，各粒子的复制次数为：
Figure GDA0002131518030000055
其中：ni为粒子i的复制次数，g(·)为向上取整函数，
Figure GDA0002131518030000056
为粒子i的权重，δ为粒子权重的平均值。
步骤S43：对各粒子权值降序排列，并利用高斯变异算子依次对粒子i位姿xi进行随机扰动从而产生新粒子x′i，直至满足总数N。新添粒子公式如下：
xi'＝xi+xi×μ×M(0,1)
其中：xi'为加入随机扰动后的粒子i的位置，xi为加入随机扰动前的粒子i的位置，μ为扰动控制因子，M(0,1)为均值为0、方差为1的高斯分布随机变量。
步骤S5：根据步骤S4得到的粒子群进行机器人位姿与环境估计。

Claims (8)

1.一种基于萤火虫优化粒子滤波的机器人定位与建图方法，其特征在于，包括：
步骤S1：获得采样初始时刻粒子，
步骤S2：通过机器人运动模型和观测模型得到t时刻的目标值，并通过重要性采样得到t时刻的粒子集合，
步骤S3：利用改进后的萤火虫算法优化采样粒子的位置，分别得到所有粒子t+1时刻优化后的位置，
步骤S4：计算优化后的粒子权重并进行归一化，筛选有效粒子，并基于有效粒子进行重采样，直至粒子总数达到设定数目，
步骤S5：根据步骤S4得到的粒子群进行机器人位姿与环境估计；
所述步骤S3具体包括：
步骤S31：根据重定义后的相对亮度公式计算t+1时刻粒子i、j的相对亮度：
Figure FDA0002793584730000011
其中：I为相对亮度，pdist(·)euc为欧氏距离，
Figure FDA0002793584730000012
为第i粒子的预测观测值，
Figure FDA0002793584730000013
为第i粒子的最新观测值，
Figure FDA0002793584730000014
为第i粒子的预测状态值，
Figure FDA0002793584730000015
为第i粒子的最新状态值，
步骤S32：计算粒子t+1时刻粒子i、j的欧式距离，
步骤S33：根据改进后的位置方程来更新粒子i的位置：
Figure FDA0002793584730000016
其中：xi'为更新后的粒子i所在的空间位置，xi为粒子i所在的空间位置，β0为萤火虫最大吸引度，γ为光强吸收系数，rij为粒子i、j的空间距离，xj为粒子j所在的空间位置，Rt为观测过程的噪声值，I(i)为粒子i相对亮度，I(j)为粒子j相对亮度，rand为服从均值为0、方差为1的均匀分布随机数。
2.根据权利要求1所述的一种基于萤火虫优化粒子滤波的机器人定位与建图方法，其特征在于，所述步骤S4具体包括：
步骤S41：计算粒子权重并按升序排列，采用基于偏差修正的指数加权平均算法计算排序后粒子集的平均值δ，并将权重小于该平均值δ的粒子舍弃，并将剩余的粒子作为有效粒子；
步骤S42：按照有效粒子的权重大小，对各有效粒子进行复制；
步骤S43：对各粒子权值降序排列，并利用高斯变异算子依次对粒子i位姿xi进行随机扰动从而产生新粒子x′i，直至满足总数N。
3.根据权利要求2所述的一种基于萤火虫优化粒子滤波的机器人定位与建图方法，其特征在于，所述步骤S42中，各粒子的复制次数为：
Figure FDA0002793584730000021
其中：ni为粒子i的复制次数，g(·)为向上取整函数，
Figure FDA0002793584730000022
为粒子i的权重，δ为粒子权重的平均值。
4.根据权利要求2所述的一种基于萤火虫优化粒子滤波的机器人定位与建图方法，其特征在于，所述步骤S43中新添粒子公式如下：
xi'＝xi+xi×μ×M(0,1)
其中：xi'为加入随机扰动后的粒子i的位置，xi为加入随机扰动前的粒子i的位置，μ为扰动控制因子，M(0,1)为均值为0、方差为1的高斯分布随机变量。
5.一种基于萤火虫优化粒子滤波的机器人定位与建图装置，其特征在于，包括处理器、存储器，以及存储于存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：
步骤S1：获得采样初始时刻粒子，
步骤S2：通过机器人运动模型和观测模型得到t时刻的目标值，并通过重要性采样得到t时刻的粒子集合，
步骤S3：利用改进后的萤火虫算法优化采样粒子的位置，分别得到所有粒子t+1时刻优化后的位置，
步骤S4：计算优化后的粒子权重并进行归一化，筛选有效粒子，并基于有效粒子进行重采样，直至粒子总数达到设定数目，
步骤S5：根据步骤S4得到的粒子群进行机器人位姿与环境估计；
所述步骤S3具体包括：
步骤S31：根据重定义后的相对亮度公式计算t+1时刻粒子i、j的相对亮度：
Figure FDA0002793584730000023
其中：I为相对亮度，pdist(·)euc为欧氏距离，
Figure FDA0002793584730000024
为第i粒子的预测观测值，
Figure FDA0002793584730000025
为第i粒子的最新观测值，
Figure FDA0002793584730000026
为第i粒子的预测状态值，
Figure FDA0002793584730000027
为第i粒子的最新状态值，
步骤S32：计算粒子t+1时刻粒子i、j的欧式距离，
步骤S33：根据改进后的位置方程来更新粒子i的位置：
Figure FDA0002793584730000031
其中：xi'为更新后的粒子i所在的空间位置，xi为粒子i所在的空间位置，β0为萤火虫最大吸引度，γ为光强吸收系数，rij为粒子i、j的空间距离，xj为粒子j所在的空间位置，Rt为观测过程的噪声值，I(i)为粒子i相对亮度，I(j)为粒子j相对亮度，rand为服从均值为0、方差为1的均匀分布随机数。
6.根据权利要求5所述的一种基于萤火虫优化粒子滤波的机器人定位与建图装置，其特征在于，所述步骤S4具体包括：
步骤S41：计算粒子权重并按升序排列，采用基于偏差修正的指数加权平均算法计算排序后粒子集的平均值δ，并将权重小于该平均值δ的粒子舍弃，并将剩余的粒子作为有效粒子；
步骤S42：按照有效粒子的权重大小，对各有效粒子进行复制；
步骤S43：对各粒子权值降序排列，并利用高斯变异算子依次对粒子i位姿xi进行随机扰动从而产生新粒子x′i，直至满足总数N。
7.根据权利要求6所述的一种基于萤火虫优化粒子滤波的机器人定位与建图装置，其特征在于，所述步骤S42中，各粒子的复制次数为：
Figure FDA0002793584730000032
其中：ni为粒子i的复制次数，g(·)为向上取整函数，
Figure FDA0002793584730000033
为粒子i的权重，δ为粒子权重的平均值。
8.根据权利要求6所述的一种基于萤火虫优化粒子滤波的机器人定位与建图装置，其特征在于，所述步骤S43中新添粒子公式如下：
xi'＝xi+xi×μ×M(0,1)
其中：xi'为加入随机扰动后的粒子i的位置，xi为加入随机扰动前的粒子i的位置，μ为扰动控制因子，M(0,1)为均值为0、方差为1的高斯分布随机变量。
CN201910473312.7A 2019-05-31 2019-05-31 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 Active CN110263905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910473312.7A CN110263905B (zh) 2019-05-31 2019-05-31 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910473312.7A CN110263905B (zh) 2019-05-31 2019-05-31 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置

Publications (2)

Publication Number Publication Date
CN110263905A CN110263905A (zh) 2019-09-20
CN110263905B true CN110263905B (zh) 2021-03-02

Family

ID=67916374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910473312.7A Active CN110263905B (zh) 2019-05-31 2019-05-31 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置

Country Status (1)

Country Link
CN (1) CN110263905B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111174782B (zh) * 2019-12-31 2021-09-17 智车优行科技（上海）有限公司 位姿估计方法、装置、电子设备及计算机可读存储介质
CN112070201A (zh) * 2020-08-26 2020-12-11 成都睿芯行科技有限公司 一种基于Gmapping提升建图速度的方法
CN112014854B (zh) * 2020-08-31 2024-09-06 华通科技有限公司 一种基于粒子群定位算法的定位方法
CN113341975B (zh) * 2021-06-08 2022-05-27 长沙理工大学 基于变目标函数萤火虫优化路径的机器人移动方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103968841A (zh) * 2014-06-03 2014-08-06 哈尔滨工程大学 一种基于改进萤火虫算法的auv三维航路规划方法
CN104978613A (zh) * 2015-07-28 2015-10-14 国家电网公司 一种考虑组件温度的光伏出力短期预测方法
CN106384152A (zh) * 2016-09-09 2017-02-08 哈尔滨工业大学 基于萤火虫群优化的pf空间非合作目标轨道预测方法
CN106908762A (zh) * 2017-01-12 2017-06-30 浙江工业大学 一种针对uhf‑rfid系统的多假设ukf目标跟踪方法
CN108629797A (zh) * 2018-04-28 2018-10-09 四川大学 一种基于粒子滤波的视觉目标跟踪方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9584969B2 (en) * 2014-12-23 2017-02-28 Alcatel-Lucent Usa Inc. Systems and methods for localization
CN107992040B (zh) * 2017-12-04 2020-08-04 重庆邮电大学 基于地图栅格与qpso算法结合的机器人路径规划方法
CN108446808A (zh) * 2018-04-08 2018-08-24 广东电网有限责任公司 一种萤火虫算法优化神经网络的短期负荷预测方法
CN109556611B (zh) * 2018-11-30 2020-11-10 广州高新兴机器人有限公司 一种基于图优化和粒子滤波的融合定位方法
CN109443354B (zh) * 2018-12-25 2020-08-14 中北大学 基于萤火虫群优化pf的视觉-惯性紧耦合组合导航方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103968841A (zh) * 2014-06-03 2014-08-06 哈尔滨工程大学 一种基于改进萤火虫算法的auv三维航路规划方法
CN104978613A (zh) * 2015-07-28 2015-10-14 国家电网公司 一种考虑组件温度的光伏出力短期预测方法
CN106384152A (zh) * 2016-09-09 2017-02-08 哈尔滨工业大学 基于萤火虫群优化的pf空间非合作目标轨道预测方法
CN106908762A (zh) * 2017-01-12 2017-06-30 浙江工业大学 一种针对uhf‑rfid系统的多假设ukf目标跟踪方法
CN108629797A (zh) * 2018-04-28 2018-10-09 四川大学 一种基于粒子滤波的视觉目标跟踪方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"Application of Improved Particle Swarm Optimization Algorithm Based on GSO in Optimization Design of FIR Digital Filter";Dong Hang et al;《IEEE》;20190415;全文 *
"Firefly algorithm (FA) based particle filter method for visual tracking";Ming-LiangGao et al;《ELSEVIER》;20150930;第126卷(第18期);全文 *
"一种基于萤火虫和SVM的图像检索相关反馈方法";王爱芳 等;《小型微型计算机系统》;20170831(第8期);全文 *
"基于改进的FA优化二维Otsu图像分割算法";吴俊辉 等;《新疆大学学报（自然科学版）》;20180228;第35卷(第1期);全文 *
"基于混合引导策略的高精度萤火虫优化粒子滤波算法";毕晓君 等;《上海交通大学学报》;20190228;第53卷(第2期);全文 *
"基于萤火虫算法改进移动机器人定位方法研究";朱奇光 等;《仪器仪表学报》;20160228;第37卷(第2期);第323-329页 *
杨松." 混凝土裂缝和动三轴试验土样变形测量的图像处理技术研究".《中国博士学位论文全文数据库 信息科技辑》.2018,(第07期), *

Also Published As

Publication number Publication date
CN110263905A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110263905B (zh) 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置
Liang et al. A deep reinforcement learning network for traffic light cycle control
CN111300390B (zh) 基于蓄水池采样和双经验池的机械臂智能控制系统
CN110070224A (zh) 一种基于多步骤递归预测的空气质量预测方法
CN109800898A (zh) 一种智能短期负荷预测方法及系统
CN113741486B (zh) 基于多约束的空间机器人智能运动规划方法及系统
CN116382304B (zh) 基于dqn模型的多巡检机器人协同路径规划方法及系统
CN117374956A (zh) 一种针对综合能源站光伏发电的短期预测方法
CN115906626A (zh) 一种基于人工智能的地下水有机污染互馈反演溯源方法
CN116597244A (zh) 一种基于元学习方法的小样本目标检测方法
CN113050658B (zh) 一种基于狮群算法优化的slam算法
CN117806340B (zh) 基于强化学习的空域训练飞行路径自动规划方法和装置
CN110163224B (zh) 一种可在线学习的辅助数据标注方法
CN118034373A (zh) 一种平流层飞艇环境最优智能区域驻留控制方法及系统
CN107124761B (zh) 融合pso和ss-elm的蜂窝网无线定位方法
CN117170408A (zh) 基于无人机的光伏板场地巡检路径智能规划系统及方法
CN113837046A (zh) 一种基于迭代特征分布学习的小样本遥感图像场景分类方法
CN110021168B (zh) 一种车联网下实现实时智能交通管理的分级决策方法
van Horssen Data-intensive feedback control: switched systems analysis and design
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN116663637A (zh) 一种多层级智能体同步嵌套训练方法
CN107590346B (zh) 基于空间多重相关解集算法的降尺度校正模型
CN116307018A (zh) 一种基于wrf模式敏感性调参的风速预测方法及系统
CN112884160B (zh) 一种元学习方法及相关装置
CN115293427A (zh) 一种针对城市早高峰最优出行路线的规划方法及系统

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
CP01 Change in the name or title of a patent holder

Address after: 200090 No. 2103, Pingliang Road, Shanghai, Yangpu District

Patentee after: Shanghai University of Electric Power

Address before: 200090 No. 2103, Pingliang Road, Shanghai, Yangpu District

Patentee before: SHANGHAI University OF ELECTRIC POWER

CP01 Change in the name or title of a patent holder