CN113050658B - 一种基于狮群算法优化的slam算法 - Google Patents
一种基于狮群算法优化的slam算法 Download PDFInfo
- Publication number
- CN113050658B CN113050658B CN202110389326.8A CN202110389326A CN113050658B CN 113050658 B CN113050658 B CN 113050658B CN 202110389326 A CN202110389326 A CN 202110389326A CN 113050658 B CN113050658 B CN 113050658B
- Authority
- CN
- China
- Prior art keywords
- lion
- algorithm
- particle
- improved
- king
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 143
- 241000282320 Panthera leo Species 0.000 title claims abstract description 118
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 125
- 230000015556 catabolic process Effects 0.000 claims abstract description 18
- 238000006731 degradation reaction Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 10
- 238000000034 method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 238000005070 sampling Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 8
- 238000012952 Resampling Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于狮群算法优化的SLAM算法,包括:改进狮王位置更新策略:将全局最优值做为狮王,并通过改进的狮王位置更新策略,实现粒子权值更新;改进母狮位置更新策略:通过改进的母狮狩猎法则,实现粒子集合的有效调整;改进幼狮更新策略:幼狮向狮王位置移动,通过上述调整,实现粒子集合集中分布在高斯然区域,解决粒子权值退化与粒子多样性丧失的问题,实现对机器人定位建图精度的提升。本发明的算法,解决粒子权值退化与粒子多样性丧失的问题,实现对机器人定位建图精度的提升。
Description
技术领域
本发明涉及SLAM算法,具体涉及一种基于狮群算法优化的SLAM算法。
背景技术
FastSLAM算法简述:
SLAM问题表述的是:移动机器人在未知环境下,通过此环境的相关特征(路标),构建一致地图,同时通过该地图获取自身位置。而机器人定位与建图问题是相互耦合的,机器人定位精度影响其建图准确性,同时,机器人建立地图的精度会影响机器人对自身位置的确定。在SLAM算法研究过程中,根据机器人自身携带传感器的差异可分为激光SLAM与视觉SLAM。本发明主要激光SLAM算法,在激光SLAM算法研究过程中,由于算法采用的滤波理论不同,可分为基于扩展卡尔曼滤波器的EKF-SLAM算法,与基于粒子滤波器的FastSLAM算法,其中基于扩展卡尔曼滤波器的EKF-SLAM算法在进行状态估计时,一般都假设测量嗓声服从高斯分布,然而在实际应用中,在复杂环境下,噪声分布处于非线性,非高斯状态,因而机器人定位建图精度会存在较大的误差,因此本发明针对FastSLAM算法进行优化。
其中,表示地图路标的个数。在FastSLAM算法中,粒子滤波算法用来估计机器人运动轨迹,算法中的每个粒子都保存有一份完整的地图信息;地图估计可分解成个相互独立的路标位置估计,路标的位置用扩展卡尔曼滤波器进行估计。
其中,表示第个粒子对机器人当前时刻的位姿估计值,表示机器人当前状态的协方差矩阵,表示第个粒子的权重,和分别表在第个粒子维护的地图中,第个环境特征的全局坐标和协方差。FastSLAM算法的结构如图1所示:
归纳得到FastSLAM算法步骤如下所示:
步骤1:初始化
步骤2:预测
步骤3:数据关联与获得提议分布
步骤4:重采样
步骤5:路径估计与地图更新
经典的FastSLAM算法存在以下缺点:
(1)粒子贫化问题:FastSLAM算法系统状态估计通过Rao-Blackwellised滤波器分解为路径轨迹估计和地图估计这两个两部分,用带有不同权重的粒子表示机器人运动状态以及地图特征。但由于粒子不断进行重采样,以保证粒子数目,降低了粒子的多样性,导致粒子贫化,不能正确的表示出状态后验概率分布,导致算法估计精度下降。同时算法通过重采样使的粒子向高概率区域移动,有可能会使算法陷入局部最优值,从而影响算法的最优估计。
(2)计算效率问题:对于相对复杂的机器人系统,粒子滤波SLAM算法需要大量粒子才能获得较高的估计精度。
(3)外部环境的不确实干扰问题:一般地,在外部环境有干扰的情况下,传感器的噪声特性会突然发生变化,得到建议分布函数的后验分布也具有很大的差距,滤波性能受到干扰,会加剧粒子的退化,进而导致粒子的多样性的丢失。
针对FastSLAM存在由粒子权值退化与粒子多样性丧失导致机器人定位精度下降的问题,国内外研究学者提出了不同的改进思路,思路一为通过对FastSLAM算法重要性采样过程的优化,使重采样后的粒子结合集中分布在高似然区域,从而解决粒子权值退化与粒子多样性丧失的问题,提升机器人定位建图精度。如采用萤火虫算法,粒子群算法等实现对FastSLAM算法的优化。思路二为优化FastSLAM算法重采样过程,从而解决FastSLAM算法由于重采样过程导致的粒子多样性丧失问题,同时解决粒子权值退化,最终实现机器人定位建图精度的提升,如通过遗传算法替代FastSLAM算法重采样过程,通过遗传算法来兼顾粒子权值和粒子集的多样性,解决粒子权值退化与粒子多样性丧失的问题,实现对机器人定位建图精度的提升。
发明内容
本发明的主要目的在于提供一种基于狮群算法优化的SLAM算法,解决FastSLAM2.0算法存在粒子权值退化与粒子多样性丧失的缺点。
本发明采用的技术方案是:一种基于狮群算法优化的SLAM算法,包括:
改进狮王位置更新策略:将全局最优值做为狮王,并通过改进的狮王位置更新策略,实现粒子权值更新;
改进母狮位置更新策略:通过改进的母狮狩猎法则,实现粒子集合的有效调整;
改进幼狮更新策略:幼狮向狮王位置移动,通过上述调整,实现粒子集合集中分布在高斯然区域,解决粒子权值退化与粒子多样性丧失的问题,实现对机器人定位建图精度的提升。
进一步地,所述改进狮王位置更新策略包括:
通过此步骤实现步长的自动适应,在算法的迭代初期,各个粒子距离较大,通过计算获取的移动步长势必大于阀值,采用阀值作为当前的移动步长,保证狮王在较小范围内进行精确的更新,而当算法进入后期,粒子间距缩小,移动步长小于阀值,采用当前移动步长作为狮王移动步长,保障狮王更新;
更进一步地,所述改进母狮位置更新策略包括:
采用遗传算法中交叉思想,改进后的母狮位置更新公式如下:
更进一步地,所述改进幼狮更新策略包括:
幼狮主要采取两种位置更新策略,包括:
向母狮运动,并与母狮协同狩猎;
离开狮群;
将上述两种策略应用到FastSLAM中。
本发明的优点:
本发明针对FastSLAM2.0算法存在粒子权值退化与粒子多样性丧失的缺点,从而造成机器人定位下降的问题,通过狮群算法优化FastSLAM2.0算法,通过狮群算法的强寻优能力,优化重要性采样后的粒子分布,使粒子集中分布在高斯然区域,从而解决粒子权值退化与粒子多样性丧失问题,最终完成对FastSLAM2.0算法的改进,得到基于狮群算法优化的SLAM算法。
本发明的狮群算法优化SLAM算法,即通过狮群算法优化SLAM算法重要性采样后的粒子分布,其详细过程为,首先,将全局最优值做为狮王,并通过改进的狮王位置更新策略,实现粒子权值更新,然后,通过改进的母狮狩猎法则,实现粒子集合的有效调整,最后,幼狮向狮王位置移动,通过上述调整,实现粒子集合集中分布在高斯然区域,解决粒子权值退化与粒子多样性丧失的问题,实现对机器人定位建图精度的提升。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是 FastSLAM算法结构图;
图2是本发明的基于狮群算法优化的SLAM算法流程图;
图3是本发明的仿真环境图;
图4 是本发明的FastSLAM2.0仿真结果图;
图5 是本发明的GFA-FastSLAM2.0仿真结果图;
图6 是本发明的Lso-FastSLAM2.0仿真结果图;
图7是本发明的 机器人定位精度误差对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图2,
狮群算法优化FastSLAM:
狮群算法通过模拟狮群群体活动,将复杂函数问题的求解,通过狮王,母狮,幼狮等个体活动,进而求取问题最优解。通过上述分析,可以考虑将狮群算法应用到优化FastSLAM算法重要性采样后的粒子分布中,但如果直接引入狮群算法,必定会出现许多问题,因此需要在原有的狮群算法上进行改善,以便完成算法的高效结合。
将粒子权值作为狮群算法的个体评价准则:
FastSLAM算法在重要性采样过程中,由于采用次优的概率密度函数,因此会造成粒子权值退化与算法滤波精度丧失的问题。本发明提出的改进思路的核心是通过狮群算法的较强的寻优能力改善重要性采样后的粒子分布,使粒子集合集中分布在高似然区域,因此提出将重要性采样后的粒子权值作为狮群算法的个体评价准则,这也是将狮群算法与粒子滤波结合的前提。
改进狮王位置更新策略:
在原始的狮王算法中,在根据适度值确定种群个体后,狮王在食物范围内维护自己的特权。如果直接将原始的位置更新公式引入改进算法中,势必会造成新产生的狮王位置所对应的适度值(权值)低于原始狮王位置所对应的适度值(权值),这将造成计算资源的浪费。本发明通过广义神经网路改进粒子滤波过程的启发,设定新的狮王位置更新策略:
其次,判断移动步长与设定步长阀值对比,当,取移动步长为;反之将当前移动步长作为狮王的移动步长。通过此步骤实现步长的自动适应,在算法的迭代初期,各个粒子距离较大,通过计算获取的移动步长势必大于阀值,采用阀值作为当前的移动步长,保证狮王(全剧最优值)在较小范围内进行精确的更新,而当算法进入后期,粒子间距缩小,移动步长 小于阀值,采用当前移动步长作为狮王移动步长,保障狮王(全局最优值)更新。
通过新的狮王更新策略,保证在每次狮王觅食时,都会产生优于当前的狮王(全局最优值)的个体,而后使粒子集合整体移动到高似然区域,进而提升算法的滤波精度。
改进母狮位置更新策略:
在原始狮群算法中,母狮狩猎,采取两只母狮协同狩猎的方式,狩猎后两只母狮处于同一位置。将其直接应用到粒子滤波改进中,在算法的运行后期,粒子之间距离较近,粒子多样性降低,应用此方法改进FastSLAM算法中,将再次降低粒子的多样性,本发明采用遗传算法中交叉思想,改进后的母狮位置更新公式如下:
改进幼狮更新策略:
在原始狮群算法中,幼狮主要采取三种位置更新策略,分别为1)向狮王(全局最优值)移动;2)向母狮运动,并与母狮协同狩猎;3)离开狮群。将2)、3)应用到FastSLAM进中,会导致粒子结合无法全部集中在高斯然区域,一定程度上产生粒子权值退化现象,势造成算法定位精度下降,这与本发明改进思路使粒子集合整体向高似然区域移动相违背,因此省略2)、3)。
本发明的狮群算法优化SLAM算法,即通过狮群算法优化SLAM算法重要性采样后的粒子分布,其详细过程为,首先,将全局最优值做为狮王,并通过改进的狮王位置更新策略,实现粒子权值更新,然后,通过改进的母狮狩猎法则,实现粒子集合的有效调整,最后,幼狮向狮王位置移动,通过上述调整,实现粒子集合集中分布在高斯然区域,解决粒子权值退化与粒子多样性丧失的问题,实现对机器人定位建图精度的提升。
实验验证:
为了验证本发明所提出的算法的有效性,将经典的FastSLAM2.0算法,基于引力场算法改进的FastSLAM2.0算法(GFA-FastSlAM2.0),与本发明所提出的算法(Lso-FastSLAM2.0)进行对比,通过狮群算法优化FastSLAM2.0算法,为了提升改进算法的时间效率,在狮群算法优化粒子滤波过程中,取消了狮王移动过程。
首先建立移动机器人仿真模型,模型如下:移动机器人运动模型:
移动机器人观测模型:
首先模拟机器人定位与建图,建立移动机器人工作环境,如图3所示,设置移动机器人运动范围,并设定17个航向点,35个路标点,移动机器人出坐标原点(图3中圆点)出发,逆时针运动,图中代表路标点,圆点代表航向点,折线代表机器人的规定路径。
为了验证改进算法的对机器人定位精度的提升,首先对上文中提到的三种算法在同样的机器人运动参数以及噪声参数进行对比,其中实验相关参数如下表1所示。
由图4~图6可知,本发明所提出的改进算法其预测轨迹与真实轨迹重合度最高,而基于引力场算法优化FastSLAM2.0算法(GFA-FastSLAM2.0)次之,FastSLAM2.0算法重合度最低。这表明本发明提出的算法定位精度最高,产生此现象的原因是,FastSLAM2.0算法在算法运行后期,粒子退化严重,并且粒子多样性丧失。而GFA-FastSLAM2.0算法滤波精度较高,因为其通过引力场作用粒子,使粒子分布在高似然区域,有效的缓解了粒子退化的问题,因此提升了机器人的滤波精度,对于本发明提出的算法,其算法定位精度最高,这是因为相对于引力场算法对粒子的优化,狮群算法对于粒子的优化作用更加高效,因此可以有效地解决粒子权值退化问题,提升机器人的滤波精度。
为了进一步验证改进算法对机器人定位与建图的优化效果,在8000个采样时刻,分别对比三种算法预测值与估计值的欧氏距离,即定位误差,其公式如下:
三种算法机器人定位精度误差对比如图7所示:
由图7可知,本发明所提出的算法误差最小,并且较为稳定,而经典的FastSLAM2.0算法其定位精度误差随着算法运行时间的逐渐增加,其定位精度误差也逐渐增加,这是因为经典算法中在迭代后期,粒子退化严重,并且粒子的多样性丧失,因此导致机器人定位精度较低,而本发明提出的改进思路,有效的解决了此问题,进而增加了机器人的定位精度。对于GFA-FastSLAM2.0算法,其定位精度低于本发明提出的改进算法,但是优于经典FastSLAM2.0算法,产生此现象的原因是引力场算法对重要性采样后的粒子具有一定程度的优化作用,并且通过引力场算法改进粒子滤波在一定程度上提升了粒子多样性。
为了验证验证改进算法对机器人定位精度的提升效果,对比三种算法的定位精度误差均值与方差,见下表2:
在上表中,本发明提出的Lso-FastSLAM2.0算法的定位精度误差均值最低,方差最小,这表明改进算法在提升FastSLAM2.0算法的定位精度的同时,算法的稳定性也得到了提升;而GFA-FastSLAM2.0由于其算法对采样后的粒子进行调整的策略,使重要性采样后的粒子集中分布在全局最优值附近,由于算法特有的通过模拟引力场策略,即中心灰尘吸引、排斥周围灰尘运动,调整粒子分布,这是GFA-FastSLAM2.0算法精度提升的原因,但同时这也一定程度上造成了算法的稳定性下降。
为了验证改进算法对机器人定位建图精度提升程度,分别对比x轴,y轴,路标的均方根误差,见表3:
由表3可知,本发明提出的改进算法在x轴,y轴,以及路标估计均优于FastSLAM2.0以及GFA-FastSLAM2.0算法,这正是因为改进算法对重要性采样后的粒子的高效优化方式,使得改进算法效果最好,并且这也表明,本发明提出的改进方式对于粒子的优化优于基于引力场算法改进FastSLAM2.0算法,产生此现象的主要原因是本发明提出的算法对粒子独特的优化方式,即通过幼狮在成长过程中向狮王移动,并且母狮之间合作捕猎的方式,实现了对重要性采样后的粒子的优化,因此本发明提出的算法效果最好。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (1)
1.一种基于狮群算法优化的SLAM算法,其特征在于,包括:
改进狮王位置更新策略:将全局最优值做为狮王,并通过改进的狮王位置更新策略,实现粒子权值更新;
改进母狮位置更新策略:通过改进的母狮狩猎法则,实现粒子集合的有效调整;
改进幼狮更新策略:幼狮向狮王位置移动,通过上述调整,实现粒子集合集中分布在高斯然区域,解决粒子权值退化与粒子多样性丧失的问题,实现对机器人定位建图精度的提升;
所述改进狮王位置更新策略包括:
通过此步骤实现步长的自动适应,在算法的迭代初期,各个粒子距离较大,通过计算获取的移动步长势必大于阀值,采用阀值作为当前的移动步长,保证狮王在较小范围内进行精确的更新,而当算法进入后期,粒子间距缩小,移动步长小于阀值,采用当前移动步长作为狮王移动步长,保障狮王更新;
所述改进母狮位置更新策略包括:
采用遗传算法中交叉思想,改进后的母狮位置更新公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110389326.8A CN113050658B (zh) | 2021-04-12 | 2021-04-12 | 一种基于狮群算法优化的slam算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110389326.8A CN113050658B (zh) | 2021-04-12 | 2021-04-12 | 一种基于狮群算法优化的slam算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050658A CN113050658A (zh) | 2021-06-29 |
CN113050658B true CN113050658B (zh) | 2022-11-22 |
Family
ID=76519222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110389326.8A Active CN113050658B (zh) | 2021-04-12 | 2021-04-12 | 一种基于狮群算法优化的slam算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050658B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115388893B (zh) * | 2022-08-25 | 2024-05-14 | 西安电子科技大学芜湖研究院 | 基于遗传的滤波slam算法的移动机器人建图方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104597900A (zh) * | 2014-12-02 | 2015-05-06 | 华东交通大学 | 一种基于类电磁机制优化的FastSLAM方法 |
CN105786759A (zh) * | 2016-03-15 | 2016-07-20 | 河北工业大学 | 一种改进标准混合蛙跳算法的方法 |
CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
CN109712160A (zh) * | 2018-12-26 | 2019-05-03 | 桂林电子科技大学 | 基于广义熵结合改进的狮群算法实现图像阈值分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8223143B2 (en) * | 2006-10-27 | 2012-07-17 | Carl Zeiss Meditec, Inc. | User interface for efficiently displaying relevant OCT imaging data |
CN109872330B (zh) * | 2019-01-25 | 2022-10-14 | 安徽理工大学 | 一种改进狮群优化的二维Otsu快速图像分割方法 |
CN112433507B (zh) * | 2019-08-26 | 2022-10-14 | 电子科技大学 | 基于lso-lssvm的五轴数控机床热误差综合建模方法 |
-
2021
- 2021-04-12 CN CN202110389326.8A patent/CN113050658B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104597900A (zh) * | 2014-12-02 | 2015-05-06 | 华东交通大学 | 一种基于类电磁机制优化的FastSLAM方法 |
CN105786759A (zh) * | 2016-03-15 | 2016-07-20 | 河北工业大学 | 一种改进标准混合蛙跳算法的方法 |
CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
CN109712160A (zh) * | 2018-12-26 | 2019-05-03 | 桂林电子科技大学 | 基于广义熵结合改进的狮群算法实现图像阈值分割方法 |
Non-Patent Citations (4)
Title |
---|
Autonomous navigation based on unscented-FastSLAM using particle swarm optimization for autonomous underwater vehicles;Bo He,et al.;《Measurement》;20150731;第71卷;第89-101页 * |
Three-dimensional DV-Hop Localization Based on Improved Lion Swarm Optimization Algorithm;F. Ji,et al.;《2020 IEEE/CIC International Conference on Communications in China (ICCC)》;20200811;第40-45页 * |
一种新的群智能算法:狮群算法;张聪明 等;《计算机科学》;20180630;第45卷(第6A期);第114-116页 * |
基于狮群优化的FastSLAM算法;周宁亚 等;《计算机应用与软件》;20200712;第37卷(第7期);第206-211页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113050658A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grisetti et al. | Improving grid-based slam with rao-blackwellized particle filters by adaptive proposals and selective resampling | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
CN111427047B (zh) | 一种大场景下自主移动机器人slam方法 | |
CN112882056B (zh) | 基于激光雷达的移动机器人同步定位与地图构建方法 | |
CN112612862B (zh) | 一种基于点云配准的栅格地图定位方法 | |
CN113359718B (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
Zheng et al. | A decision-making method for ship collision avoidance based on improved cultural particle swarm | |
CN114199248B (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
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 | |
CN113050658B (zh) | 一种基于狮群算法优化的slam算法 | |
CN115113628A (zh) | 一种基于改进灰狼算法的巡检机器人路径规划方法 | |
Choudhury et al. | Adaptive informative path planning with multimodal sensing | |
Tian | Research on robot optimal path planning method based on improved ant colony algorithm | |
CN110362081B (zh) | 一种移动机器人路径规划方法 | |
CN114608585A (zh) | 一种移动机器人同步定位与建图方法及装置 | |
Havangi | Mobile robot localization based on PSO estimator | |
CN105204511A (zh) | 一种物体自主移动的决策方法 | |
CN111307136B (zh) | 一种双智能水下机器人水下航行地形匹配导航方法 | |
CN117392215A (zh) | 一种基于改进amcl和pl-icp点云匹配的移动机器人位姿校正方法 | |
CN116295414A (zh) | 基于鲸鱼算法优化的AUV-UFastSLAM算法 | |
Wang et al. | Research on SLAM road sign observation based on particle filter | |
CN112947481B (zh) | 一种家庭服务机器人自主定位控制方法 | |
Guo et al. | Research on path planning of mobile robot with a novel improved artificial potential field algorithm | |
Dai et al. | Grey Wolf Resampling-Based Rao-Blackwellized Particle Filter for Mobile Robot Simultaneous Localization and Mapping |
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 |