CN113008223A - 基于粒子滤波与图优化的海底地形同步定位与建图方法 - Google Patents
基于粒子滤波与图优化的海底地形同步定位与建图方法 Download PDFInfo
- Publication number
- CN113008223A CN113008223A CN202110233287.2A CN202110233287A CN113008223A CN 113008223 A CN113008223 A CN 113008223A CN 202110233287 A CN202110233287 A CN 202110233287A CN 113008223 A CN113008223 A CN 113008223A
- Authority
- CN
- China
- Prior art keywords
- particle
- particles
- map
- track
- mapping
- 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
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于海底地形同步定位与建图技术领域,具体涉及一种基于粒子滤波与图优化的海底地形同步定位与建图方法。本发明设计了一种使用位姿图结构对粒子自身储存轨迹进行更新,并使用位姿图在每一时刻结束时生成此时刻输出地图的粒子滤波BSLAM算法。本发明只需要在每一时刻输入里程计数据和由多波束声获得的地形测深,在没有先验地形图的情况下实现AUV的同步定位与建图。本发明所提出的图优化混合粒子滤波BSLAM算法相较于基于子地图匹配的粒子滤波BSLAM算法,在大累积误差下仍能实时准确的提供定位与建图结果。
Description
技术领域
本发明属于海底地形同步定位与建图技术领域,具体涉及一种基于粒子滤波与图优化的海底地形同步定位与建图方法。
背景技术
测深信息同步定位与建图(BathymetricSimultaneousLocalizationandMapping,BSLAM)以多波束声呐为传感器收集海底地形信息,能够实现智能水下机器人在不依赖于外界提供信息的情况下,独立长时间的准确定位与建图,粒子滤波是实现这一方法的重要手段之一。但因为粒子滤波只能求解当前时刻的最优状态,在大累积误差的情况下会产生性能下降的问题。除此之外,因为基于子地图匹配的粒子滤波BSLAM中每一个粒子都会储存一副地图,选择这些粒子中最优地图存在问题。现有方法中使用粒子储存地图重复区域的最小均方误差作为选择的标准,但是存在着计算复杂度高,结果不稳定,误差较大的问题。因为BSLAM输出的地图需要为其它功能(如路径规划)提供信息,因此,需要一种在大累积误差下,可以准确实时生成地图的BSLAM方法。本发明在子地图匹配粒子滤波BSLAM的基础上提出了一种基于图优化理论的粒子地图更新方法与最优地图生成算法,能实现智能水下机器人在航位推算累积误差较大的情况下,能实时的提供准确的建图结果。
目前针对使用图优化理论进行地图更新与最终地图生成的粒子滤波BSLAM没有相关方法,较为相似的是:公开日为2020年1月24日,公开号为CN110726415A,发明名称为“一种自适应的水下多波束同步定位与建图方法”,该方法虽然可以使用在大累积误差下实时准确的进行定位与建图,但是无法处理粒子在重采样后聚类,由粒子集均值所生成轨迹不是最优轨迹的情况,而且需要在重采样后加入更新均值地图部分,算法较为复杂。除此之外,这种方法存在设定参数较多的问题。
发明内容
本发明的目的在于提供在没有先验地形图的情况下实现AUV的同步定位与建图的一种基于粒子滤波与图优化的海底地形同步定位与建图方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:设定粒子数N、粒子闭环检测半径R、粒子匹配子地图Mp的测线数目Np、粒子轨迹子地图Mh的测线数目Nh、算法总步数T;初始化粒子集P(1:N);对于任一粒子P(n),其内部储存粒子当前状态粒子自身历史轨迹粒子权值wn=1/N、粒子储存的闭环集合Ln;n为粒子序数;t为时间步长;
其中,ω为里程计的噪声;
步骤3:计算粒子集P(1:N)中各粒子的当前状态与粒子自身历史轨迹的最小欧氏距离rn;若rn<R,则将加入粒子P(n)储存的闭环集合Ln,执行步骤4进行地图更新;否则,忽略地图更新与观测更新且粒子P(n)不加入重采样步骤;其中,M为L中闭环的总数;为第M个闭环所对应的开始时间;为第M个闭环所对应的结束时间;
若粒子P(n)中含有M个闭环,则位姿图中有2M+1个节点、M个二元闭环边、2M-1个三元弱数据关联边;其中不同类型边的误差函数设置为:
闭环边:
弱数据关联边:
其中,m为粒子P(n)储存的闭环集合Ln中第m个闭环;tk为位姿图中第k个节点所对应的时间;
步骤5.3:使用反距离加权算法对Mp进行插值,插值位置为Mh中测点的位置,获得包含L个共有有效测点的测深序列定义为zp,定义Mh中相同位置的有效测深序列为zh,计算粒子权值wn:
步骤7:根据所有粒子储存的历史轨迹,每隔ts个时刻取一帧为待优化节点,以每个粒子在此时刻储存的对应状态与待优化节点对应时刻状态的差为边,并与弱数据关联边构成位姿图,根据位姿图求解出轨迹Trj(1:t),然后令t=t+1,返回步骤2。
本发明还可以包括:
所述的步骤6中重采样的方法具体为:
步骤6.2:定义一个在(0,E-1)之间均匀分布的随机数Rad;定义临时粒子权值和为Ws,并将其初始化为Ws=we=1,e为PE中粒子序数;初始化序数m=1;
步骤6.3:计算U=Rad+(m-1)·E-1;若U>Ws,则计算e=e+1,Ws=Ws+w(e)直到U≤Ws,转入步骤6.4;否则,直接转入步骤6.4;
所述的步骤7的具体步骤为:
步骤7.1:输入粒子集P(1:N),定义时间间隔ts,每隔ts个时刻取一轨迹点Trj(1+kts)为待优化节点,其中k为节点序数;定义K为最终位姿图中节点的总数;
步骤7.2:位姿图结构中共KN个一元边与K-2个弱数据关联边,弱数据关联边与步骤4中地图更新使用的位姿图中的弱数据关联边定义相同,一元边由计算,tk为位姿图中第k个节点所对应的时刻,0<k<K,N与n分别为粒子总数与粒子的序号,0<n≤N;
步骤7.3:求解位姿图,输出此时刻最优地图Trj(1:t)。
本发明的有益效果在于:
本发明是一种在子地图匹配粒子滤波BSLAM的基础上使用位姿图对粒子进行地图更新、以及在每一时刻结束后使用位姿图生成输出地图的BSLAM技术。本发明设计了一种使用位姿图结构对粒子自身储存轨迹进行更新,并使用位姿图在每一时刻结束时生成此时刻输出地图的粒子滤波BSLAM算法。本发明只需要在每一时刻输入里程计数据和由多波束声获得的地形测深,在没有先验地形图的情况下实现AUV的同步定位与建图。本发明所提出的图优化混合粒子滤波BSLAM算法相较于基于子地图匹配的粒子滤波BSLAM算法,在大累积误差下仍能实时准确的提供定位与建图结果。
附图说明
图1为本发明的整体流程框图。
图2为本发明中粒子地图更新位姿图结构示意图。
图3为本发明中观测更新流程框图。
图4为BSLAM最终地图生成算法所使用的位姿图结构示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明公开的是一种海底地形同步定位与建图方法,主要是一种在子地图匹配粒子滤波BSLAM的基础上使用位姿图对粒子进行地图更新、以及在每一时刻结束后使用位姿图生成输出地图的BSLAM技术。
本发明主要步骤包括:一是算法初始化:1)设定粒子数N、粒子闭环检测半径R、粒子匹配子地图(定义为Mp)的测线数目(定义为Np)、粒子轨迹子地图(定义为Mh)的测线数目(定义为Nh)、算法总步数T。2)初始化粒子集P(1:N),对于任一粒子P(n)(n为粒子序数),其内部储存粒子当前状态粒子自身t=1时刻到t-1时刻历史轨迹(t为时间步长)、粒子权值wn=1/N、粒子储存的闭环集合L。3)t=1时刻,P(1:N)的状态和自身历史轨迹被初始化为由GPS获得的这一时刻的状态,将这一时刻以及对应的粒子位姿加入集合L,t0=1,转入步骤二。二是在每个t(t>1)时刻输入对海底地形的深度测量值z(t)与里程计更新值v(t)以及里程计DR(t)后,对P(1:N)中所有粒子(以粒子n为例)进行:1)运动更新:其中ω为里程计的噪声。2)闭环检测:计算与的最小欧氏距离r,若r<R,将加入闭环集合L(其中M为L中闭环的总数, 为这一闭环对应的时间)。然后进行粒子地图更新,否则忽略地图更新与观测更新且粒子n不加入重采样步骤。3)地图更新:根据闭环集合L构建位姿图,由此更新这一粒子储存的轨迹。4)观测更新:重新对粒子进行2)闭环检测,若r<R,记录其对应的时刻tr。以与里程计的轨迹结合对应时刻观测构成Mp;以与里程计的轨迹轨迹结合对应时刻观测构成Mh,使用反距离加权算法对Mp在Mh相应位置进行插值,计算wn后将加入粒子自身历史轨迹转入步骤二进行下一个粒子的更新,否则直接转入步骤二进行下一个粒子的更新。三是当所有粒子更新完毕后,判断是否需要进行重采样,若是:将所有经过观测更新的粒子进行重采样,转入步骤四,否则直接转入步骤四。四是根据所有粒子储存的历史轨迹,构建位姿图结构生成算法此时刻输出的轨迹Trj(1:t),当t>T时,算法结束,否则t=t+1,转入步骤二。
本发明涉及海底地形同步定位与建图领域,是一种基于粒子滤波与图优化理论的海底地形同步定位与建图方法。本发明的目的在于设计一种使用位姿图结构对粒子自身储存轨迹进行更新、并使用位姿图在每一时刻结束时生成此时刻算法输出地图的粒子滤波BSLAM算法。该方法只需要在每一时刻输入里程计数据和由多波束声获得的地形测深,在没有先验地形图的情况下实现AUV的同步定位与建图。本发明所提出的图优化混合粒子滤波BSLAM算法相较于基于子地图匹配的粒子滤波BSLAM算法,在大累积误差下仍能实时准确的提供定位与建图结果。
步骤一:算法初始化:1)设定粒子数N、粒子闭环检测半径R、粒子匹配子地图(定义为Mp)的测线数目(定义为Np)、粒子轨迹子地图(定义为Mh)的测线数目(定义为Nh)、算法总步数T。2)初始化粒子集P(1:N),对于任一粒子P(n)(n为粒子序数),其内部储存粒子当前状态t=1到t-1时刻的粒子自身历史轨迹粒子权值被设定为默认值wn=1/N(t为时间步长)、粒子储存的闭环集合L。3)t=1时刻,P(1:N)的状态和自身历史轨迹被初始化为由GPS获得的先验状态(GPSt=1),t0=1,将这一时刻以及对应的粒子位姿加入集合L,转入步骤二;
步骤二:在每一时刻t(2≤t≤T)输入对海底的深度测量值z(t)与里程计更新值v(t)以及里程计DR(t)后,对P(1:N)中所有粒子(以粒子n为例)进行:
2)闭环检测:计算与粒子自身历史轨迹的最小欧氏距离r,若r<R,将加入闭环集合L(其中M为L中闭环的总数)为第M个闭环所对应的时间。然后进行粒子地图更新,否则忽略地图更新与观测更新且粒子n不加入重采样步骤。
3)地图更新:以闭环集合L中的粒子历史位姿为待优化变量,构建位姿图,若有粒子中含有M个闭环,则位姿图中有2M+1个节点,M个二元闭环边,2M-1个三元弱数据关联边。其中不同类型边的误差函数被设置为:
闭环边:
弱数据关联边:
4)观测更新:重新对粒子进行闭环检测,若r<R,记录其对应的时刻tr。以与里程计的轨迹结合对应时刻观测构成Mp;以与里程计的轨迹轨迹结合对应时刻观测构成Mh,使用反距离加权算法对Mp在Mh相应位置进行插值,并计算wn。之后,将加入粒子自身历史轨迹转入步骤二进行下一个粒子的更新,否则直接转入步骤二进行下一个粒子的更新;
步骤三:当t时刻所有粒子都进行了步骤二后,判断是否需要进行重采样。定义进行观测更新的粒子总数为Nth,定义有效粒子数:
步骤四:根据所有粒子储存的历史轨迹,每隔ts个时刻取一帧为待优化节点,以每个粒子在此时刻储存的对应状态与待优化节点对应时刻状态的差为边,并与弱数据关联边构成位姿图,根据位姿图求解出轨迹Trj(1:t)。然后t=t+1,转入步骤二。
步骤二中,观测更新算法包括如下步骤:
步骤2.2:生成粒子匹配子地图轨迹:
步骤2.3:使用反距离加权算法对Mp进行插值,插值位置为Mh中测点的位置,获得包含L个共有有效测点的测深序列定义为zp,定义Mh中相同位置的有效测深序列为zh。计算粒子权值:
步骤三中,低方差重采样算法包括以下步骤:
步骤3.2:定义一个在(0,E-1)之间均匀分布的随机数Rad;定义临时粒子权值和为Ws,并将其初始化为Ws=we=1,其中e为PE中粒子序数。初始化序数m=1,转入步骤3.3;
步骤3.3:计算值U=Rad+(m-1)·E-1,转入步骤3.4;
步骤3.4:若U>Ws,则计算e=e+1,Ws=Ws+w(e)直到U≤Ws,转入步骤3.5,否则直接转入步骤3.5;
步骤四中,BSLAM最优地图生成算法包括以下步骤:
步骤4.1:输入粒子集P(1:N),定义时间间隔ts,每隔ts个时刻取一轨迹点Trj(1+kts)为待优化节点,其中k为节点序数。定义K为最终位姿图中节点的总数。转入步骤4.2;
步骤4.2:位姿图结构中共KN个一元边与K-2个弱数据关联边,其中弱数据关联边与权利要求1所述的步骤二中地图更新使用的位姿图中的弱数据关联边定义相同,一元边由0<k<K 0<n≤N计算,其中tk为位姿图中第k个节点所对应的时刻,N与n分别为粒子总数与粒子的序号。转入步骤4.3;
步骤4.3:求解这一位姿图,输出此时刻最优地图Trj(1:t),算法结束。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于粒子滤波与图优化的海底地形同步定位与建图方法,其特征在于,包括以下步骤:
步骤1:设定粒子数N、粒子闭环检测半径R、粒子匹配子地图Mp的测线数目Np、粒子轨迹子地图Mh的测线数目Nh、算法总步数T;初始化粒子集P(1:N);对于任一粒子P(n),其内部储存粒子当前状态粒子自身历史轨迹粒子权值wn=1/N、粒子储存的闭环集合Ln;n为粒子序数;t为时间步长;
其中,ω为里程计的噪声;
步骤3:计算粒子集P(1:N)中各粒子的当前状态与粒子自身历史轨迹的最小欧氏距离rn;若rn<R,则将加入粒子P(n)储存的闭环集合Ln,执行步骤4进行地图更新;否则,忽略地图更新与观测更新且粒子P(n)不加入重采样步骤;其中,M为L中闭环的总数;为第M个闭环所对应的开始时间;为第M个闭环所对应的结束时间;
若粒子P(n)中含有M个闭环,则位姿图中有2M+1个节点、M个二元闭环边、2M-1个三元弱数据关联边;其中不同类型边的误差函数设置为:
闭环边:
弱数据关联边:
其中,m为粒子P(n)储存的闭环集合Ln中第m个闭环;tk为位姿图中第k个节点所对应的时间;
步骤5.3:使用反距离加权算法对Mp进行插值,插值位置为Mh中测点的位置,获得包含L个共有有效测点的测深序列定义为zp,定义Mh中相同位置的有效测深序列为zh,计算粒子权值wn:
步骤7:根据所有粒子储存的历史轨迹,每隔ts个时刻取一帧为待优化节点,以每个粒子在此时刻储存的对应状态与待优化节点对应时刻状态的差为边,并与弱数据关联边构成位姿图,根据位姿图求解出轨迹Trj(1:t),然后令t=t+1,返回步骤2。
2.根据权利要求1所述的一种基于粒子滤波与图优化的海底地形同步定位与建图方法,其特征在于:所述的步骤6中重采样的方法具体为:
步骤6.2:定义一个在(0,E-1)之间均匀分布的随机数Rad;定义临时粒子权值和为Ws,并将其初始化为Ws=we=1,e为PE中粒子序数;初始化序数m=1;
步骤6.3:计算U=Rad+(m-1)·E-1;若U>Ws,则计算e=e+1,Ws=Ws+w(e)直到U≤Ws,转入步骤6.4;否则,直接转入步骤6.4;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233287.2A CN113008223B (zh) | 2021-03-03 | 2021-03-03 | 基于粒子滤波与图优化的海底地形同步定位与建图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233287.2A CN113008223B (zh) | 2021-03-03 | 2021-03-03 | 基于粒子滤波与图优化的海底地形同步定位与建图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113008223A true CN113008223A (zh) | 2021-06-22 |
CN113008223B CN113008223B (zh) | 2022-10-28 |
Family
ID=76403220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110233287.2A Active CN113008223B (zh) | 2021-03-03 | 2021-03-03 | 基于粒子滤波与图优化的海底地形同步定位与建图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113008223B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114577210A (zh) * | 2022-02-24 | 2022-06-03 | 哈尔滨工程大学 | 基于地图信息矩阵的跨区域检测算法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120022784A1 (en) * | 2010-06-25 | 2012-01-26 | Thales | Navigation filter for a navigation system using terrain correlation |
US20130006528A1 (en) * | 2011-06-29 | 2013-01-03 | Ixblue | Navigation device and process integrating several hybrid inertial navigation systems |
US20130016584A1 (en) * | 2011-07-15 | 2013-01-17 | Teledyne Scientific & Imaging Llc | Methods and apparatus for obtaining sensor motion and position data from underwater acoustic signals |
CA2926732A1 (en) * | 2013-10-16 | 2015-04-23 | Xtralis Technologies Ltd | Aspirated particle detection with various flow modifications |
WO2015073406A1 (en) * | 2013-11-13 | 2015-05-21 | Elwha Llc | Dead reckoning system for vehicles |
CN107589748A (zh) * | 2017-08-21 | 2018-01-16 | 江苏科技大学 | 基于UnscentedFastSLAM算法的AUV自主导航方法 |
CN108562287A (zh) * | 2018-01-08 | 2018-09-21 | 哈尔滨工程大学 | 一种基于自适应采样粒子滤波的水下地形辅助导航方法 |
US20180328738A1 (en) * | 2017-05-15 | 2018-11-15 | Fuji Xerox Co., Ltd. | Systems and methods for utilizing graph based map information as priors for localization using particle filter |
CN109186610A (zh) * | 2018-10-15 | 2019-01-11 | 哈尔滨工程大学 | 一种auv地形匹配导航的鲁棒bslam方法 |
AU2018207854A1 (en) * | 2017-01-13 | 2019-08-01 | Carrosserie Hess Ag | Method for predicting future driving conditions for a vehicle |
CN110320520A (zh) * | 2019-06-26 | 2019-10-11 | 哈尔滨工程大学 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
CN110726415A (zh) * | 2019-10-21 | 2020-01-24 | 哈尔滨工程大学 | 一种自适应的水下多波束同步定位与建图方法 |
WO2020155543A1 (zh) * | 2019-02-01 | 2020-08-06 | 广州小鹏汽车科技有限公司 | 一种slam地图拼接方法及系统 |
-
2021
- 2021-03-03 CN CN202110233287.2A patent/CN113008223B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120022784A1 (en) * | 2010-06-25 | 2012-01-26 | Thales | Navigation filter for a navigation system using terrain correlation |
US20130006528A1 (en) * | 2011-06-29 | 2013-01-03 | Ixblue | Navigation device and process integrating several hybrid inertial navigation systems |
US20130016584A1 (en) * | 2011-07-15 | 2013-01-17 | Teledyne Scientific & Imaging Llc | Methods and apparatus for obtaining sensor motion and position data from underwater acoustic signals |
CA2926732A1 (en) * | 2013-10-16 | 2015-04-23 | Xtralis Technologies Ltd | Aspirated particle detection with various flow modifications |
WO2015073406A1 (en) * | 2013-11-13 | 2015-05-21 | Elwha Llc | Dead reckoning system for vehicles |
AU2018207854A1 (en) * | 2017-01-13 | 2019-08-01 | Carrosserie Hess Ag | Method for predicting future driving conditions for a vehicle |
US20180328738A1 (en) * | 2017-05-15 | 2018-11-15 | Fuji Xerox Co., Ltd. | Systems and methods for utilizing graph based map information as priors for localization using particle filter |
CN107589748A (zh) * | 2017-08-21 | 2018-01-16 | 江苏科技大学 | 基于UnscentedFastSLAM算法的AUV自主导航方法 |
CN108562287A (zh) * | 2018-01-08 | 2018-09-21 | 哈尔滨工程大学 | 一种基于自适应采样粒子滤波的水下地形辅助导航方法 |
CN109186610A (zh) * | 2018-10-15 | 2019-01-11 | 哈尔滨工程大学 | 一种auv地形匹配导航的鲁棒bslam方法 |
WO2020155543A1 (zh) * | 2019-02-01 | 2020-08-06 | 广州小鹏汽车科技有限公司 | 一种slam地图拼接方法及系统 |
CN110320520A (zh) * | 2019-06-26 | 2019-10-11 | 哈尔滨工程大学 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
CN110726415A (zh) * | 2019-10-21 | 2020-01-24 | 哈尔滨工程大学 | 一种自适应的水下多波束同步定位与建图方法 |
Non-Patent Citations (8)
Title |
---|
M. RAHMATI等: ""SLAM-based underwater adaptive sampling using autonomous vehicles"", 《PROC. MTS/IEEE OCEANS, CHARLESTON, SC, USA》 * |
MA, TENG等: ""AUV robust bathymetric simultaneous localization and mapping"", 《OCEAN ENGINEERING》 * |
NORGREN等: ""A Multibeam-Based SLAM Algorithm for Iceberg Mapping Using AUVs"", 《IEEE ACCESS》 * |
STEPHEN BARKBY等: ""Bathymetric particle filter SLAM using trajectory maps"", 《INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH》 * |
丛正: ""基于多波束测深的同时定位与建图研究 "", 《万方数据库》 * |
陈小龙: ""AUV水下地形匹配辅助导航技术研究"", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
鞠纯纯,等: ""基于粒子滤波器的 SLAM 的仿真研究"", 《系统仿真学报》 * |
韩月,等: ""基于改进粒子滤波的 AUV 海底地形辅助定位方法"", 《智能系统学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114577210A (zh) * | 2022-02-24 | 2022-06-03 | 哈尔滨工程大学 | 基于地图信息矩阵的跨区域检测算法 |
Also Published As
Publication number | Publication date |
---|---|
CN113008223B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
Li et al. | Robust time-varying formation control for underactuated autonomous underwater vehicles with disturbances under input saturation | |
CN109459040B (zh) | 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法 | |
CN109241552B (zh) | 一种基于多约束目标的水下机器人运动规划方法 | |
CN110181508B (zh) | 水下机器人三维航路规划方法及系统 | |
CN114199248B (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
CN110220510B (zh) | 一种考虑地图准确性的水下机器人海底地形匹配导航路径规划方法 | |
CN113052372A (zh) | 一种基于深度强化学习的动态auv追踪路径规划方法 | |
CN110716575A (zh) | 基于深度双q网络强化学习的uuv实时避碰规划方法 | |
CN114397899A (zh) | 一种仿生机器鱼三维路径跟踪控制方法及装置 | |
CN113008223B (zh) | 基于粒子滤波与图优化的海底地形同步定位与建图方法 | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
Kramer et al. | Robust small robot localization from highly uncertain sensors | |
Yan et al. | A novel fastslam algorithm based on iterated unscented kalman filter | |
CN116466701A (zh) | 一种无人水面艇能耗最小轨迹规划方法 | |
CN116243717A (zh) | 考虑海流不确定性的水下机器人时间最优路径规划方法 | |
CN110481561A (zh) | 无人驾驶车辆自动控制信号生成方法和装置 | |
Efe et al. | Adaptive Kalman filters for manoeuvring target tracking | |
CN112732854B (zh) | 一种粒子滤波bslam方法 | |
CN112904719B (zh) | 一种适用于水下机器人位置环形区域跟踪控制方法 | |
CN115562258A (zh) | 基于神经网络的机器人社会自适应路径规划方法及系统 | |
CN111221340B (zh) | 一种基于粗粒度特征的可迁移视觉导航设计方法 | |
CN116578102B (zh) | 水下自主航行器避障方法、装置、计算机设备和存储介质 | |
CN114637197A (zh) | 基于自学习的船舶协同控制方法 | |
Rhoads et al. | Efficient guidance in finite time flow fields |
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 |