CN116309845A - 基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法 - Google Patents

基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法 Download PDF

Info

Publication number
CN116309845A
CN116309845A CN202310322940.1A CN202310322940A CN116309845A CN 116309845 A CN116309845 A CN 116309845A CN 202310322940 A CN202310322940 A CN 202310322940A CN 116309845 A CN116309845 A CN 116309845A
Authority
CN
China
Prior art keywords
particle
algorithm
badger
map
improved
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.)
Pending
Application number
CN202310322940.1A
Other languages
English (en)
Inventor
董砚
郑文琳
梁晶
梁翱鹏
荆捷
马红灿
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202310322940.1A priority Critical patent/CN116309845A/zh
Publication of CN116309845A publication Critical patent/CN116309845A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明为基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，首先利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；根据粒子建议分布和上一时刻的粒子群状态，对当前时刻的粒子群状态进行估计，并通过重要性采样得到当前时刻的粒子群；然后，对蜜獾算法的密度因子进行改进，利用改进后的蜜獾算法优化粒子位置；接着，利用小生境理论进一步优化粒子位置；计算优化后的粒子权重并进行归一化处理；最后，根据优化的位姿，参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前估计的地图。该方法解决了经典粒子滤波算法存在固有的权值退化问题，改进蜜獾算法进一步增强了全局与局部搜索能力。

Description

基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法
技术领域
本发明属于机器人环境感知技术领域，特别是一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法。
背景技术
准确构建实时环境地图是智能机器人实现未知环境感知的前提，也是机器人进行后续路径规划设计的重要基础，因此对于机器人自动导航而言，同步定位与建图技术有着重要地位。室内机器人主要依靠传感器观测信息辅助定位，最常用的是激光雷达作为传感器以其观测信息结合机器人运动模型使用粒子滤波方法构建地图。标准粒子滤波过程涉及粒子权值退化问题，即在反复推演多次之后，会出现权值集中在少数粒子、其余粒子权值极低的情况。加入粒子重采样过程可以解决粒子权值退化问题，但同时在粒子重采样过程中，大量高权值粒子被复制，低权值粒子被舍弃，导致粒子多样性丢失，引起粒子贫化问题，在定位建图过程中会丢失精度，使建图准确性降低。
为了提高建图精度，国内外许多学者及从业人员提出了很多改进粒子滤波算法，主要改进点集中于粒子重采样过程，即通过对重采样过程进行改进粒子取舍问题，但并未从根本解决粒子贫化问题。近些年结合群体智能算法是粒子滤波优化的一大方向，将粒子滤波中的粒子视为生物个体，模拟粒子状态更新过程，对粒子分布进行迭代寻优。蜜獾算法于2021年被提出，由于其具有结构简单、寻优能力强、收敛快速等优点，较之大部分群智能算法有更高性能，能够与粒子滤波相结合获得更高精度环境地图。本发明考虑到传统粒子滤波方法对建图精度的不利影响以及蜜獾算法与粒子滤波方法的可结合性，提出一种改进蜜獾算法优化粒子滤波的定位与建图方法，设计有关状态观测值与预测值的适应度函数，提高算法寻优效果；改进密度因子表达式并加入莱维飞行扰动以增强算法跳出局部最优值的能力；并在传统蜜獾算法中加入小生境排挤理论使其更好地与粒子滤波相结合。改进算法结果验证了本发明的有效性。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法。
本发明解决所述技术问题采用的技术方案如下：
一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，其特征在于，该方法包括以下步骤：
步骤一：利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；根据粒子建议分布和k-1时刻的粒子群状态，对k时刻的粒子群状态进行估计，并通过重要性采样得到k时刻的粒子群；
步骤二：对蜜獾算法的密度因子进行改进，利用改进后的蜜獾算法优化粒子位置；密度因子表示为：
Figure BDA0004152409070000021
式中，α为密度因子，αmax、αmin为密度因子的最大值和最小值，t表示当前迭代次数，tm为最大迭代次数；
步骤三：利用小生境理论进一步优化粒子位置；
步骤四：计算优化后的粒子权重并进行归一化处理；
步骤五：根据优化的位姿，参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前估计的地图。
与现有技术相比，本发明的有益效果在于：
1、经典粒子滤波算法存在固有的权值退化问题，为解决该问题经典粒子滤波算法引入了粒子重采样过程，但在粒子重采样过程中，大量高权值粒子被复制、低权值粒子遭到舍弃，粒子的整体信息量降低，粒子多样性也受到不利影响，造成粒子退化问题，影响滤波精度。本发明在粒子滤波的基础上引入蜜獾算法，该算法以蜜獾个体代替粒子，通过模拟蜜獾个体捕猎行为活动引导粒子向高似然区域移动，改进粒子个体分布，可以取得更为合理的分布效果。此外，在引入蜜獾算法后，粒子滤波过程并没有进行粒子取舍，避免传统滤波方法导致的粒子退化问题。
2、针对蜜獾算法存在可能陷入局部最优的问题，为此本发明改进了密度因子表达式，改进后的密度因子随迭代呈非线性衰减趋势，其仿真曲线较原算法能够进一步增强全局与局部搜索能力，加入小生境排挤理论后，粒子寻优过程分布更为合理，且在加入莱维飞行扰动后，能够进一步扩大搜索空间，增强跳出局部最优解的能力。
在本发明所述建图方法中，以机器人激光雷达传感器探测信息及自身运动模型采样信息作为输入，通过粒子滤波过程对机器人位姿进行实时预测更新，设计包含实时预测信息与状态信息的适应度函数，以适应度函数评估机器人预测位姿信息与真实位姿信息的接近程度，使得建图方法对真实位姿的预测更为准确，使融合算法的粒子寻优过程更为准确，以最优粒子为导向，引导其他粒子更快速地移向高似然区域。此外，加入小生境排挤理论后，粒子的多样性分布更为合理，能够利用比原始建图方法更少的粒子实现同等精度甚至更高精度的地图构建。
附图说明
图1为本发明的整体流程图；
图2为密度因子改进前、后的对比图；
图3为传统粒子滤波算法建立的地图；
图4为本发明方法建立的地图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案进行详细说明，但并不以此限定本申请的保护范围。
本发明为一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，包括以下步骤：
步骤一：利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；在初始时刻随机选取N个粒子，初始时刻各粒子权重为
Figure BDA0004152409070000031
根据粒子建议分布和k-1时刻的粒子群状态，对k时刻的粒子群状态进行估计，并通过重要性采样得到k时刻的粒子群；
粒子建议分布表示为：
Figure BDA0004152409070000032
式中，xk为k时刻粒子群的状态，
Figure BDA0004152409070000033
为k-1时刻第i个粒子周围的地图信息，/>
Figure BDA0004152409070000034
为k-1时刻第i个粒子的状态，zk为k时刻的环境观测信息，uk-1为k-1时刻的里程信息；
Figure BDA0004152409070000035
表示在k-1时刻的地图信息、粒子状态、里程信息以及k时刻的环境观测信息下，k时刻粒子群可能的状态概率分布；/>
Figure BDA0004152409070000036
表示在k-1时刻的粒子状态和里程信息下，k时刻粒子群可能的状态概率分布；/>
Figure BDA0004152409070000037
表示在k-1时刻的地图信息和粒子群状态下，k时刻的环境观测信息准确的概率分布；/>
Figure BDA0004152409070000038
表示在k-1时刻的地图信息、粒子状态以及里程信息下，k时刻的环境观测信息准确的概率分布；
步骤二：对蜜獾算法进行改进，利用改进后的蜜獾算法优化粒子位置；
蜜獾算法(HBA)模拟蜜獾的觅食行为，包括挖掘阶段和采蜜阶段；在挖掘阶段蜜獾利用嗅觉搜索猎物的大致位置，在采蜜阶段蜜獾利用导蜜鸟的位置直接定位蜂巢；
2-1将粒子群中的每个粒子作为一个蜜獾，根据式(2)计算各个蜜獾关于猎物的嗅觉强度，嗅觉强度越高，蜜獾的运动速度越快；
Figure BDA0004152409070000039
S＝(xi-xi+1)2 (3)
di＝xprey-xi (4)
其中，Ii为第i个蜜獾的嗅觉强度，S为源强度或者集中强度，di表示猎物与第i个蜜獾之间的距离，r2是介于0到1之间的随机数，xi、xi+1分别表示第i、i+1个蜜獾的位置，xprey为猎物位置，即全局最优位置，以猎物引导蜜獾运动，有利于提高粒子寻优效率，加快收敛速度；
2-2更新密度因子α；利用密度因子α控制时间变化的随机性，α为时变衰减函数，以确保勘探到开采过程的平稳过渡，也可视为挖掘阶段与采蜜阶段之间的平衡器；蜜獾算法中密度因子的原始表达式为：
Figure BDA00041524090700000310
其中，C为大于1的常数，默认设置为2；t表示当前迭代次数，tm为最大迭代次数；
本发明对密度因子进行改进，使其拥有更好的性能，其表达式定义如下：
Figure BDA0004152409070000041
式中，αmax、αmin分别为密度因子的最大值和最小值；
图2为原始密度因子和改进密度因子的对比，本发明改进的密度因子在保证勘探与开发间平滑过渡的同时，也增强了全局搜索能力与局部搜索能力；在迭代前期，α取值较大且衰减速度较慢，全局搜索能力较强，促使种群在搜索空间内广泛搜索，有利于避免种群陷入局部最优值；在迭代后期，α迅速衰减至较小的值，表现为局部搜索能力较强，能够在小范围内精细搜索，有利于加速算法收敛；
2-3更新个体位置；
在挖掘阶段，蜜獾按照式(7)的运动轨迹进行搜索；
xnew＝xprey+F×β×Ii×xprey+F×r3×α×di×|cos(2πr4)×[1-cos(2πr5)]| (7)
Figure BDA0004152409070000042
其中，xnew为更新后的位置，β≥1表示蜜獾捕获猎物的能力，取值默认为6；F表示搜索方向标志，r3、r4、r5、r6均为介于0到1之间的随机数；
在挖掘阶段蜜獾受嗅觉强度以及与猎物之间的距离影响较大，此外还存在搜索方向标志的干扰，搜索步长在此阶段较大，使蜜獾在挖掘阶段拥有更大的搜索空间，有较强的全局搜索能力；
在采蜜阶段，蜜獾跟随导蜜鸟到达蜂巢的运动轨迹表示为：
xnew＝xprey+F×r7×α×di (9)
蜜獾在该阶段在最优值附近搜索，有助于深度挖掘最优解；两阶段兼顾了全局搜索能力与局部挖掘能力。
步骤三：利用小生境理论进一步优化粒子位置；
3-1定义粒子的适应度函数为：
Figure BDA0004152409070000043
其中，R为观测噪声的方差，znew为机器人观测模型输出的最新观测值，zpre为预测的观测值；
3-2根据式(11)计算粒子xi与xj之间的距离，同时计算粒子xi和xj的适应度值；
dij＝||xi-xj||，i，j＝1，2，…，N，i≠j (11)
3-3若距离dij小于共享半径θshare，则粒子xi与xj中适应度值较小的例子进行惩罚，进一步降低其适应度值；例如，粒子xi的适应度值较小，则惩罚后的适应度值为：
f*(xi)＝σ×f(xi) (12)
式中，σ表示惩罚系数；
3-4对被惩罚粒子进行位置扰动更新，使得状态预测值变化：
Figure BDA0004152409070000051
Figure BDA0004152409070000052
Figure BDA0004152409070000053
其中，
Figure BDA0004152409070000054
为扰动更新后的位置，δ为步长控制量，由上述非线性衰减函数确定，此种步长控制策略可以保证在迭代初期搜索步长较大，搜索路径足够宽，在迭代后期搜索步长缩短以提高算法局部搜索能力，加快收敛。dlevy为随机步长，其表达式已给出，式中u、v均服从正态分布，ρ＝1.5。/>
Figure BDA0004152409070000055
为点对点乘法。Levy飞行策略特点是频繁的短距离跳跃和偶尔的长距离跳跃之间交替，可以扩大种群搜索区域，增强算法跳出局部最优的能力。
3-5重新计算各粒子适应度值并进行降序排序，选取适应度值最高的粒子为当前迭代次数下最优状态值，该粒子携带当前时刻下最有可能的机器人位姿信息；
判断是否到达最大迭代次数或是否满足迭代结束阈值，若是则执行步骤四，否则转入步骤二；
步骤四：粒子权重补偿更新，并进行归一化处理；补偿公式如下：
Figure BDA0004152409070000056
步骤五：输出机器人位姿信息，更新栅格地图；
本发明未述及之处适用于现有技术。

Claims (1)

1.一种基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法，其特征在于，该方法包括以下步骤：
步骤一：利用激光雷达对机器人工作环境进行扫描，获得环境观测信息和地图信息；根据粒子建议分布和k-1时刻的粒子群状态，对k时刻的粒子群状态进行估计，并通过重要性采样得到k时刻的粒子群；
步骤二：对蜜獾算法的密度因子进行改进，利用改进后的蜜獾算法优化粒子位置；密度因子表示为：
Figure FDA0004152409060000011
式中，α为密度因子，αmax、αmin为密度因子的最大值和最小值，t表示当前迭代次数，tm为最大迭代次数；
步骤三：利用小生境理论进一步优化粒子位置；
步骤四：计算优化后的粒子权重并进行归一化处理；
步骤五：根据优化的位姿，参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前估计的地图。
CN202310322940.1A 2023-03-30 2023-03-30 基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法 Pending CN116309845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310322940.1A CN116309845A (zh) 2023-03-30 2023-03-30 基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310322940.1A CN116309845A (zh) 2023-03-30 2023-03-30 基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法

Publications (1)

Publication Number Publication Date
CN116309845A true CN116309845A (zh) 2023-06-23

Family

ID=86797689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310322940.1A Pending CN116309845A (zh) 2023-03-30 2023-03-30 基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法

Country Status (1)

Country Link
CN (1) CN116309845A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807356A (zh) * 2024-02-29 2024-04-02 齐鲁工业大学(山东省科学院) 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807356A (zh) * 2024-02-29 2024-04-02 齐鲁工业大学(山东省科学院) 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法
CN117807356B (zh) * 2024-02-29 2024-05-10 齐鲁工业大学(山东省科学院) 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法

Similar Documents

Publication Publication Date Title
CN108036790B (zh) 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统
CN110006649B (zh) 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN116309845A (zh) 基于改进蜜獾算法优化粒子滤波的机器人定位与建图方法
CN109325616A (zh) 一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法
CN110109653B (zh) 一种陆战兵棋智能引擎及其运行方法
CN115034126A (zh) 一种通过灰狼算法优化lstm神经网络模型的方法与系统
CN114611801A (zh) 一种基于改进的鲸鱼优化算法的旅行商问题求解方法
CN111768622A (zh) 一种基于改进灰狼算法的短时交通量预测方法
CN117556979B (zh) 基于群体智能搜索的无人机平台与载荷一体化设计方法
CN111798062B (zh) 一种基于区块链和大数据的金融数据预测系统
CN113011559A (zh) 基于kubernetes的自动机器学习方法及系统
Fei et al. Research on data mining algorithm based on neural network and particle swarm optimization
CN113467481B (zh) 一种基于改进Sarsa算法的路径规划方法
CN116244647A (zh) 一种无人机集群的运行状态估计方法
CN116952265A (zh) 基于袋獾优化算法的工厂智能车巡检路径规划方法及系统
CN115249054A (zh) 一种改进的混合多目标粒子群优化特征选择算法
CN115542912B (zh) 一种基于改进Q-learning算法的移动机器人路径规划方法
CN116795098A (zh) 基于改进麻雀搜索算法的球形两栖机器人路径规划方法
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
CN111290391A (zh) 一种基于独狼蚁群混合算法的移动机器人路径规划方法
CN112827174B (zh) 一种分布式多机器人目标搜索方法
CN110276476A (zh) 一种基于pso-rbf神经网络的汽车发动机烟度预测方法
Chen et al. iA $^* $: Imperative Learning-based A $^* $ Search for Pathfinding
CN108564217B (zh) 一种基于改进型混合粒子群算法的间作作物种植模式优化方法
Li et al. Research on automatic opening tunnel fire door method by patrol robot in dark environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication