CN111595354A - 一种自适应动态观测域的ekf-slam算法 - Google Patents

一种自适应动态观测域的ekf-slam算法 Download PDF

Info

Publication number
CN111595354A
CN111595354A CN202010463590.7A CN202010463590A CN111595354A CN 111595354 A CN111595354 A CN 111595354A CN 202010463590 A CN202010463590 A CN 202010463590A CN 111595354 A CN111595354 A CN 111595354A
Authority
CN
China
Prior art keywords
observation
feature points
state vector
vehicle
ekf
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.)
Granted
Application number
CN202010463590.7A
Other languages
English (en)
Other versions
CN111595354B (zh
Inventor
耿可可
李尚杰
殷国栋
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202010463590.7A priority Critical patent/CN111595354B/zh
Publication of CN111595354A publication Critical patent/CN111595354A/zh
Application granted granted Critical
Publication of CN111595354B publication Critical patent/CN111595354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3446Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3407Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提出了一种自适应动态观测域的EKF‑SLAM算法,以解决标准EKF‑SLAM算法在大而复杂的环境中,由于状态向量和误差协方差维数过多而计算效率低的问题。通过实时调整观测范围,确保任意时刻观测的特征点数量均在某一设定的区间内,并从状态向量和误差协方差中剔除超出约束范围的多余特征点。在此基础上,再对车辆位姿和特征点位置进行估计。本发明的算法比标准EKF‑SLAM算法节省60%以上的计算时间;在保证较高估计精度的同时,大大提高计算效率。而且可以推测,当环境中的特征点数量和密度进一步增加时,本算法的优势将更加明显。

Description

一种自适应动态观测域的EKF-SLAM算法
技术领域
本发明属于导航技术领域,具体涉及一种自适应动态观测域的EKF-SLAM算法。
背景技术
近年来,同步定位与地图构建(SLAM)概念已经发展得足够成熟。目前可以将SLAM问题描述为车辆在一个完全未知的环境中,从某一初始位置开始运动,在运动期间用车载传感器观测环境中的特征点并建立环境地图,同时不断更新车辆自身在环境中的位置和姿态。在众多SLAM算法中,基于扩展卡尔曼滤波的SLAM算法(EKF-SLAM)被广泛应用。然而,标准EKF-SLAM算法存在一个缺陷:在环境范围大、特征点密度高的情况下,随着所观测特征点的扩充,算法中的状态向量和误差协方差的维数会变得非常大,进而导致计算效率降低,影响算法的实时计算性能。
发明内容
为解决上述问题,本发明公开了一种自适应动态观测域的EKF-SLAM算法,在保证较高估计精度的同时,大大提高计算效率;当环境中的特征点数量和密度进一步增加时,本算法的优势将更加明显。
为达到上述目的,本发明的技术方案如下:
一种自适应动态观测域的EKF-SLAM算法,包括以下步骤:
STEP1.预测状态向量X-(k)和误差协方差P-(k);
STEP2.计算卡尔曼增益K和偏差信息ZZ,并更新状态向量X+(k)和误差协方差P+(k);
STEP3.自适应调整观测范围,并从状态向量和误差协方差中剔除超出约束范围的多余特征点;
STEP4.增广状态向量X+(k)和误差协方差P+(k)。
以进行SLAM任务的四轮车辆为例,设有以下前提条件:车辆位姿向量Xv=[xv,yvv]′,特征点位置向量Xm=[xm1,ym1,…,xmn,ymn]′。其中,(xv,yv)为车辆在世界坐标系中的坐标,θv为车辆纵轴线与世界坐标系x轴正向的夹角(亦即偏航角),(xmi,ymi)为特征点i在世界坐标系中的坐标。在车辆行驶的过程中,由速度指令v和转向角指令γ控制车辆朝向下一个路径点行驶。指令向量U=[v,γ]′,速度指令噪声标准差为σv,转向角指令噪声标准差为σγ,指令向量噪声方差
Figure BDA0002511882810000011
由车载传感器观测附近特征点相对车辆的距离r和相对车辆纵轴线的角度
Figure BDA0002511882810000021
观测向量
Figure BDA0002511882810000022
观测距离噪声标准差为σr,观测角度噪声标准差为
Figure BDA0002511882810000023
观测向量噪声方差
Figure BDA0002511882810000024
将k时刻的状态向量X(k)和误差协方差P(k)分别记为
Figure BDA0002511882810000025
Figure BDA0002511882810000026
则本发明所提出的算法包括以下步骤:
STEP1.预测状态向量X-(k)和误差协方差P-(k):
Figure BDA0002511882810000027
Figure BDA0002511882810000028
式(3)和(4)中,f为车辆位姿状态转移函数,T为连续两帧数据的时间间隔,FX为f关于X的雅可比矩阵,FU为f关于U的雅可比矩阵,I为单位矩阵。
STEP2.计算卡尔曼增益K和偏差信息ZZ,并更新状态向量X+(k)和误差协方差P+(k):
车载传感器对附近第i个特征点的观测结果可表示为
Figure BDA0002511882810000029
式中,hi为观测函数。
将观测结果中的每个特征点和状态向量中包含的每个特征点进行匹配,即当计算得到的距离误差小于某阈值时,认为二者匹配成功。由
Figure BDA00025118828100000210
记录观测且匹配的特征点,由
Figure BDA00025118828100000211
记录观测而没有匹配的特征点。
对于观测的状态向量中包含的特征点,亦即观测且匹配的特征点,需要利用其计算卡尔曼增益K和偏差信息ZZ,并更新状态向量X+(k)和误差协方差P+(k):
Figure BDA0002511882810000031
Figure BDA0002511882810000032
X+(k)=X-(k)+K·ZZ (8)
Figure BDA0002511882810000033
式(6)中,Hai为hai关于X的雅可比矩阵。
STEP3.自适应调整观测范围,并从状态向量和误差协方差中剔除超出约束范围的多余特征点:
以一个局部圆形约束范围来估计车辆在世界坐标系中的位姿信息,同时更新全局地图,如图1所示。图中,S为局部圆形约束范围,S1为观测范围,黑色“·”表示特征点。
EKF-SLAM算法对附近特征点的观测和估计是一个动态过程。一方面,不断有新的特征点进入观测范围S1。另一方面,上一时刻估计的特征点可能在当前时刻超出局部圆形约束范围S。本算法在每次EKF递归更新后均对状态向量中包含的每个特征点i进行判断,若该特征点的位置已超出S,则将其从状态向量和误差协方差中剔除,不再进行更新,并将其保存到已形成的静态地图中。设S的半径为ARange,则上述判断条件为
Figure BDA0002511882810000034
在每次EKF递归更新后统计S1内的特征点数量Num,并与所设定的观测特征点数量区间比较。如果Num>Nummax,则减少ARange。如果Num<Nummin,则增大ARange。当然,ARange的变化需满足其实际约束条件,即ARange<ARangemax
STEP4.增广状态向量X+(k)和误差协方差P+(k):
对于观测的新特征点,亦即观测而没有匹配的特征点,需要将其依次添加到状态向量和误差协方差中。例如,对特征点
Figure BDA0002511882810000035
增广状态向量X+(k)和误差协方差P+(k):
Figure BDA0002511882810000041
Figure BDA0002511882810000042
式(11)和(12)中,j为特征点位置初始化函数,JX为j关于X的雅可比矩阵,JZ为j关于Z的雅可比矩阵,I为单位矩阵。
本发明的有益效果是:
本发明所述的一种添加自适应动态观测域的约束以改进标准EKF-SLAM算法。为了保证观测的特征点数量既不过多也不过少,设置一个合理的观测特征点数量区间。通过实时调整观测范围,确保任意时刻观测的特征点数量均在该区间内。通过判断所估计的特征点位置,从状态向量和误差协方差中剔除位于约束范围之外的特征点,在此基础上,再对车辆位姿和特征点位置进行估计。本发明的算法比标准EKF-SLAM算法节省60%以上的计算时间;在保证较高估计精度的同时,大大提高计算效率。而且可以推测,当环境中的特征点数量和密度进一步增加时,本算法的优势将更加明显。
附图说明
图1为本发明的算法流程图;
图2为本发明所述的局部圆形约束范围图;
图3为仿真结果对比图
图4为平均车辆位姿误差对比图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
以进行SLAM任务的四轮车辆为例,设有以下前提条件:车辆位姿向量Xv=[xv,yvv]′,特征点位置向量Xm=[xm1,ym1,…,xmn,ymn]′。其中,(xv,yv)为车辆在世界坐标系中的坐标,θv为车辆纵轴线与世界坐标系x轴正向的夹角(亦即偏航角),(xmi,ymi)为特征点i在世界坐标系中的坐标。在车辆行驶的过程中,由速度指令v和转向角指令γ控制车辆朝向下一个路径点行驶。指令向量U=[v,γ]′,速度指令噪声标准差为σv,转向角指令噪声标准差为σγ,指令向量噪声方差
Figure BDA0002511882810000051
由车载传感器观测附近特征点相对车辆的距离r和相对车辆纵轴线的角度
Figure BDA0002511882810000052
观测向量
Figure BDA0002511882810000053
观测距离噪声标准差为σr,观测角度噪声标准差为
Figure BDA0002511882810000054
观测向量噪声方差
Figure BDA0002511882810000055
将k时刻的状态向量X(k)和误差协方差P(k)分别记为
Figure BDA0002511882810000056
Figure BDA0002511882810000057
则本发明所提出的算法包括以下步骤:
STEP1.预测状态向量X-(k)和误差协方差P-(k):
Figure BDA0002511882810000058
Figure BDA0002511882810000059
式(3)和(4)中,f为车辆位姿状态转移函数,T为连续两帧数据的时间间隔,FX为f关于X的雅可比矩阵,FU为f关于U的雅可比矩阵,I为单位矩阵。
STEP2.计算卡尔曼增益K和偏差信息ZZ,并更新状态向量X+(k)和误差协方差P+(k):
车载传感器对附近第i个特征点的观测结果可表示为
Figure BDA00025118828100000510
式中,hi为观测函数。
将观测结果中的每个特征点和状态向量中包含的每个特征点进行匹配,即当计算得到的距离误差小于某阈值时,认为二者匹配成功。由
Figure BDA00025118828100000511
记录观测且匹配的特征点,由
Figure BDA00025118828100000512
记录观测而没有匹配的特征点。
对于观测的状态向量中包含的特征点,亦即观测且匹配的特征点,需要利用其计算卡尔曼增益K和偏差信息ZZ,并更新状态向量X+(k)和误差协方差P+(k):
Figure BDA0002511882810000061
Figure BDA0002511882810000062
X+(k)=X-(k)+K·ZZ (8)
Figure BDA0002511882810000063
式(6)中,Hai为hai关于X的雅可比矩阵。
STEP3.自适应调整观测范围,并从状态向量和误差协方差中剔除超出约束范围的多余特征点:
以一个局部圆形约束范围来估计车辆在世界坐标系中的位姿信息,同时更新全局地图,如图2所示。图中,S为局部圆形约束范围,S1为观测范围,黑色“·”表示特征点。
EKF-SLAM算法对附近特征点的观测和估计是一个动态过程。一方面,不断有新的特征点进入观测范围S1。另一方面,上一时刻估计的特征点可能在当前时刻超出局部圆形约束范围S。本算法在每次EKF递归更新后均对状态向量中包含的每个特征点i进行判断,若该特征点的位置已超出S,则将其从状态向量和误差协方差中剔除,不再进行更新,并将其保存到已形成的静态地图中。设S的半径为ARange,则上述判断条件为
Figure BDA0002511882810000064
在每次EKF递归更新后统计S1内的特征点数量Num,并与所设定的观测特征点数量区间比较。如果Num>Nummax,则减少ARange。如果Num<Nummin,则增大ARange。当然,ARange的变化需满足其实际约束条件,即ARange<ARangemax
STEP4.增广状态向量X+(k)和误差协方差P+(k):
对于观测的新特征点,亦即观测而没有匹配的特征点,需要将其依次添加到状态向量和误差协方差中。例如,对特征点
Figure BDA0002511882810000065
增广状态向量X+(k)和误差协方差P+(k):
Figure BDA0002511882810000071
Figure BDA0002511882810000072
式(11)和(12)中,j为特征点位置初始化函数,JX为j关于X的雅可比矩阵,JZ为j关于Z的雅可比矩阵,I为单位矩阵。
算法流程如图1所示。
为了验证本发明算法的优越性,将本文算法与标准EKF-SLAM算法进行比较,两种算法各进行10次蒙特卡罗仿真实验,并记录平均车辆位姿误差和平均单次仿真时间。在本发明的算法中,设定观测特征点数量区间为Num∈[6,8],ARange初始化为ARange=10m。
两种算法的仿真结果如图3所示。仿真环境中分布着296个特征点,用黑色“·”符号表示。绿色实线表示规定的一条路径点确定的路线,原点坐标为(0,0)。车辆从原点位置出发,顺时针沿路径行驶一周。填充黑色的矩形表示真实的车辆位姿,黑色曲线表示真实的车辆轨迹。填充红色的矩形表示估计的车辆位姿,红色曲线表示估计的车辆轨迹。从黑色矩形发出的黑色射线表示观测结果,黑色虚线表示局部圆形约束范围,红色“+”符号表示估计的特征点位置。
两种算法10次蒙特卡罗仿真实验的平均车辆位姿误差如图4所示。可以看到两种算法的峰值误差均在1.2m左右,误差变化趋势也很相似。而经过统计,自适应局部观测域的EKF-SLAM算法平均单次仿真时间为22秒,标准EKF-SLAM算法平均单次仿真时间为58秒。本发明的算法比标准EKF-SLAM算法节省62%的计算时间。可见,两种算法的平均车辆位姿误差非常接近,但是仿真过程中的计算耗时却相差很大。所以得出结论:本发明的算法可以在保证较高估计精度的同时,大大提高计算效率。而且可以推测,当环境中的特征点数量和密度进一步增加时,本发明的算法的优势将更加明显。

Claims (5)

1.一种自适应动态观测域的EKF-SLAM算法,其特征在于包括以下步骤:
STEP1.预测状态向量X-(k)和误差协方差P-(k);
STEP2.计算卡尔曼增益K和偏差信息ZZ,并更新状态向量X+(k)和误差协方差P+(k);
STEP3.自适应调整观测范围,并从状态向量和误差协方差中剔除超出约束范围的多余特征点;
STEP4.增广状态向量X+(k)和误差协方差P+(k)。
2.根据权利要求1所述的一种自适应动态观测域的EKF-SLAM算法,其特征在于所述步骤1中:
以进行SLAM任务的四轮车辆为例,设有以下前提条件:车辆位姿向量Xv=[xv,yvv]′,特征点位置向量Xm=[xm1,ym1,…,xmn,ymn]′;其中,(xv,yv)为车辆在世界坐标系中的坐标,θv为车辆纵轴线与世界坐标系x轴正向的夹角,(xmi,ymi)为特征点i在世界坐标系中的坐标;在车辆行驶的过程中,由速度指令v和转向角指令γ控制车辆朝向下一个路径点行驶。指令向量U=[v,γ]′,速度指令噪声标准差为σv,转向角指令噪声标准差为σγ,指令向量噪声方差
Figure FDA0002511882800000011
由车载传感器观测附近特征点相对车辆的距离r和相对车辆纵轴线的角度
Figure FDA0002511882800000012
观测向量
Figure FDA0002511882800000013
观测距离噪声标准差为σr,观测角度噪声标准差为
Figure FDA0002511882800000014
观测向量噪声方差
Figure FDA0002511882800000015
将k时刻的状态向量X(k)和误差协方差P(k)分别记为
Figure FDA0002511882800000016
Figure FDA0002511882800000017
预测状态向量X-(k)和误差协方差P-(k):
Figure FDA0002511882800000018
Figure FDA0002511882800000019
式(3)和(4)中,f为车辆位姿状态转移函数,T为连续两帧数据的时间间隔,FX为f关于X的雅可比矩阵,FU为f关于U的雅可比矩阵,I为单位矩阵。
3.根据权利要求1所述的一种自适应动态观测域的EKF-SLAM算法,其特征在于所述步骤2中:
车载传感器对附近第i个特征点的观测结果表示为
Figure FDA0002511882800000021
式中,hi为观测函数;
将观测结果中的每个特征点和状态向量中包含的每个特征点进行匹配,即当计算得到的距离误差小于某阈值时,认为二者匹配成功;由
Figure FDA0002511882800000022
记录观测且匹配的特征点,由
Figure FDA0002511882800000023
记录观测而没有匹配的特征点;
对于观测的状态向量中包含的特征点,亦即观测且匹配的特征点,利用其计算卡尔曼增益K和偏差信息ZZ,并更新状态向量X+(k)和误差协方差P+(k):
Figure FDA0002511882800000024
Figure FDA0002511882800000025
X+(k)=X-(k)+K·ZZ (8)
Figure FDA0002511882800000026
式(6)中,Hai为hai关于X的雅可比矩阵。
4.根据权利要求1所述的一种自适应动态观测域的EKF-SLAM算法,其特征在于所述步骤3中:
以一个局部圆形约束范围来估计车辆在世界坐标系中的位姿信息,同时更新全局地图;以S表示局部圆形约束范围,以S1表示观测范围;
EKF-SLAM算法对附近特征点的观测和估计是一个动态过程。一方面,不断有新的特征点进入观测范围S1;另一方面,上一时刻估计的特征点可能在当前时刻超出局部圆形约束范围S;本算法在每次EKF递归更新后均对状态向量中包含的每个特征点i进行判断,若该特征点的位置已超出S,则将其从状态向量和误差协方差中剔除,不再进行更新,并将其保存到已形成的静态地图中;设S的半径为ARange,则上述判断条件为
Figure FDA0002511882800000031
在每次EKF递归更新后统计S1内的特征点数量Num,并与所设定的观测特征点数量区间比较;如果Num>Nummax,则减少ARange。如果Num<Nummin,则增大ARange,ARange的变化需满足其实际约束条件,即ARange<ARangemax
5.根据权利要求1所述的一种自适应动态观测域的EKF-SLAM算法,其特征在于所述步骤4中:
对于观测的新特征点,亦即观测而没有匹配的特征点,将其依次添加到状态向量和误差协方差中;例如,对特征点
Figure FDA0002511882800000032
增广状态向量X+(k)和误差协方差P+(k):
Figure FDA0002511882800000033
Figure FDA0002511882800000034
式(11)和(12)中,j为特征点位置初始化函数,JX为j关于X的雅可比矩阵,JZ为j关于Z的雅可比矩阵,I为单位矩阵。
CN202010463590.7A 2020-05-27 2020-05-27 一种自适应动态观测域的ekf-slam算法 Active CN111595354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010463590.7A CN111595354B (zh) 2020-05-27 2020-05-27 一种自适应动态观测域的ekf-slam算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010463590.7A CN111595354B (zh) 2020-05-27 2020-05-27 一种自适应动态观测域的ekf-slam算法

Publications (2)

Publication Number Publication Date
CN111595354A true CN111595354A (zh) 2020-08-28
CN111595354B CN111595354B (zh) 2022-12-20

Family

ID=72181740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010463590.7A Active CN111595354B (zh) 2020-05-27 2020-05-27 一种自适应动态观测域的ekf-slam算法

Country Status (1)

Country Link
CN (1) CN111595354B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114370879A (zh) * 2022-01-14 2022-04-19 东南大学 基于水下环境特征的auv鲁棒vbhiakf-slam导航方法
CN114537442A (zh) * 2022-03-21 2022-05-27 中维建通信技术服务有限公司 移动智能车辆管理方法及系统
CN114701568A (zh) * 2022-03-28 2022-07-05 广东皓行科技有限公司 车辆转向角修正方法、处理器及车辆

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4239093A (en) * 1979-06-01 1980-12-16 Samsonite Corporation Luggage case with brace
CN104062973A (zh) * 2014-06-23 2014-09-24 西北工业大学 一种基于图像标志物识别的移动机器人slam方法
CN105628026A (zh) * 2016-03-04 2016-06-01 深圳大学 一种移动物体的定位定姿方法和系统
CN106197428A (zh) * 2016-07-10 2016-12-07 北京工业大学 一种利用测量信息优化分布式ekf估计过程的slam方法
CN107084714A (zh) * 2017-04-29 2017-08-22 天津大学 一种基于RoboCup3D的多机器人协作目标定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4239093A (en) * 1979-06-01 1980-12-16 Samsonite Corporation Luggage case with brace
CN104062973A (zh) * 2014-06-23 2014-09-24 西北工业大学 一种基于图像标志物识别的移动机器人slam方法
CN105628026A (zh) * 2016-03-04 2016-06-01 深圳大学 一种移动物体的定位定姿方法和系统
CN106197428A (zh) * 2016-07-10 2016-12-07 北京工业大学 一种利用测量信息优化分布式ekf估计过程的slam方法
CN107084714A (zh) * 2017-04-29 2017-08-22 天津大学 一种基于RoboCup3D的多机器人协作目标定位方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114370879A (zh) * 2022-01-14 2022-04-19 东南大学 基于水下环境特征的auv鲁棒vbhiakf-slam导航方法
CN114370879B (zh) * 2022-01-14 2023-03-10 东南大学 基于水下环境特征的auv鲁棒vbhiakf-slam导航方法
CN114537442A (zh) * 2022-03-21 2022-05-27 中维建通信技术服务有限公司 移动智能车辆管理方法及系统
CN114537442B (zh) * 2022-03-21 2022-09-23 中维建通信技术服务有限公司 移动智能车辆管理方法及系统
CN114701568A (zh) * 2022-03-28 2022-07-05 广东皓行科技有限公司 车辆转向角修正方法、处理器及车辆
CN114701568B (zh) * 2022-03-28 2023-04-25 广东皓行科技有限公司 车辆转向角修正方法、处理器及车辆

Also Published As

Publication number Publication date
CN111595354B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN111595354B (zh) 一种自适应动态观测域的ekf-slam算法
CN106114511B (zh) 一种汽车巡航系统关键目标识别方法
Rosolia et al. Autonomous racing using learning model predictive control
CN111845774B (zh) 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法
CN112758097B (zh) 一种用于无人驾驶车辆的状态预测与估计方法
CN112810630B (zh) 一种自动驾驶车辆轨迹规划方法及系统
WO2021098663A1 (zh) 一种四轮独立转向-独立驱动车辆轨迹跟踪方法和系统
CN109976321A (zh) 一种用于智能驾驶系统的轨迹规划方法及智能驾驶系统
CN110687797B (zh) 一种基于位置和姿态的自适应mpc泊车横向控制方法
CN110597262A (zh) 一种基于漂角修正的欠驱动船舶路径跟踪自适应控制方法
CN115903806A (zh) 基于自适应动态窗口法的多智能体编队避障方法
Kogan et al. Optimization-based navigation for the DARPA Grand Challenge
CN116659501A (zh) 数据处理方法、装置和车辆
CN111121804B (zh) 一种具有安全性约束的智能车辆路径规划方法及系统
CN112099515A (zh) 一种用于换道避让的自动驾驶方法
Xiao et al. Smooth trajectory tracking using longitudinal distance constraint for a 4WS4WD unmanned ground vehicle
CN114537435B (zh) 一种自动驾驶中的实时整车轨迹规划方法
CN114460933B (zh) 一种面向动态环境的移动机器人局部路径规划算法
CN113721620B (zh) 基于粒子群-遗传混合算法的车辆横向pid控制方法
CN113158415B (zh) 一种基于误差分析的车辆轨迹相似度评估方法
Güllü et al. Performance Evaluation of Reinforcement Learning and Graph Search-based Algorithm for Mobile Robot Path Planning
CN113701756B (zh) 一种新型自适应无人车辆倒车入库路径规划与跟踪方法
CN116399326B (zh) 一种基于自适应关键帧选取的机器人地图构建方法、存储介质及设备
CN117850413B (zh) 一种基于“折线”路径的车辆控制方法
CN115973162B (zh) 用于确定车辆行驶轨迹的方法、装置、电子设备和介质

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