基于智能优化箱粒子滤波的移动机器人FastSLAM

针对传统FastSLAM算法需要大量粒子构建地图导致计算复杂度高、难以提高估计精度等问题,研究构建了一种基于智能优化箱粒子滤波（IOBPF）的移动机器人FastSLAM算法。首先,将萤火虫算法（FA）的动态寻优机制引入箱粒子滤波（BPF）,建立了箱粒子的荧光亮度更新公式、吸引度计算公式和位置更新公式,使箱粒子集智能化地向高似然区域移动,避免了箱粒子的退化现象。然后,以改进的智能优化箱粒子滤波进行机器人位姿估计,并采用扩展区间卡尔曼滤波（EIKF）完成地图的构建和更新。移动机器人的模型仿真和实体实验结果表明:所提智能化FastSLAM算法可有效提升箱粒子的性能,并降低地图构建所需粒子数,从而显著提高FastSLAM的定位精度和地图构建的鲁棒性。      

室内多移动机器人协同建图与路径规划

多机器人协同定位与路径规划是协同侦察、作战等场景中的首要问题，其难点在于如何在未知环境下完成自主定位。提出了将多机器人同步定位与构图(Simultaneous Localization and Mapping，SLAM)系统应用于室内环境，，以解决此问题。针对机器人定位存在的相关定位误差，采用了增加惯性测量单元的方法，以进行修正。为解决单个机器人在构建地图时速度较慢的问题，将基于坐标变换的方法用于多机器人的地图融合。此外，基于冲突检测和冲突规避思想，对多机器人路径规划方法进行了研究，并将其部署在了多机器人系统中。实验结果表明，采用多机器人协作进行环境探测，在确保全局地图信息完备的同时，可以提高构图效率。基于冲突规避的多机路径规划方法，可以为机器人个体规划出无碰撞路径，机器人可以根据该路径到达目标位置。     

基于图像卷积的地图匹配算法

地图匹配定位是一种主流的车载导航定位方法，其以车辆轨迹数据和路网地图为基础，将车辆位置估计输出到路网地图上。该过程可对车辆定位结果进行修正，是车辆导航、交通诱导、交通预测等应用的基础。针对现有地图匹配算法存在的一些问题，如算法流程依赖路口匹配精度，在较大初始误差场景下寻路正确率较低，以及寻路结果错误易影响后续匹配精度等，提出了一种基于图像卷积的地图匹配方法。利用图像卷积方式对比了车辆轨迹与道路的几何特征，以实现匹配定位，从而确保了初始误差较大场景下的匹配精度，并且避免了由寻路错误所引发的相关问题。     

基于CGAPIO的航天器编队重构路径规划方法

针对航天器编队重构的路径规划问题，考虑燃料消耗和碰撞概率等约束条件，以及基本鸽群算法存在的问题，提出一种基于混沌初始化和高斯扰动的自适应鸽群(CGAPIO)算法。为了得到多样性和覆盖性更好的鸽群初始值，采用Tent Map混沌模型进行鸽群初始化操作；在地图和指南针算子阶段，为提高全局搜索能力，引入了自适应的权重因子和学习因子更新个体的位置和速度；在地标算子阶段，为避免算法陷入局部最优，将高斯扰动加入到鸽群中心位置。仿真实验结果表明:CGAPIO算法与基本鸽群算法和粒子群算法相比，提高了全局搜索能力，避免了局部最优，规划得到的路径更加平滑，各航天器碰撞概率较低，编队重构消耗的总燃料至少减少了12%。      

一种基于非视距误差补偿的协同定位算法

非视距(NLOS)误差对超宽带(UWB)室内定位技术的定位精度有很大影响。针对此问题,根据NLOS环境下附加时延和由信道决定的均方根时延扩展的联合统计特性,估计NLOS误差的均值和方差,对定位算法测量值和系统测量误差协方差进行修正,并采用时变权重的粒子群算法与Chan算法相结合的协同定位算法进行定位计算,具有良好的全局搜索与局部搜索最优解的能力。仿真结果表明,在NLOS环境下,相比于单一算法,协同算法定位精度提高30%左右,在一定程度上抑制了NLOS误差的影响,满足室内定位的要求。     

基于代价函数的组合导航系统地图匹配算法

研究了地图匹配技术在GPS(Global Positioning System)/DR(Dead Reckoning)组合导航系统中的应用,建立了GPS/DR/地图匹配组合导航系统模型,给出了一种基于代价函数和概率统计准则的地图匹配算法,通过合理地定义代价函数有效消除了存在于匹配路段挑选过程中的模糊性问题.对实际跑车数据的仿真处理结果表明,应用该算法可以为组合导航系统的定位精度带来明显的改善.     

基于增量式路标表观学习的移动机器人定位

在全景图像中,机器人参考定位的路标表观受到畸变、观察视角、路标尺度变化以及环境亮度的影响,致使基于全景视觉的机器人自主定位存在着许多难点有待解决.提出增量式的路标表观学习方法,准确估计路标的表观变化,并为基于粒子滤波的机器人定位过程提供准确的观测信息.增量式路标学习过程利用增量式概率主元分析为理论工具,将不同视角的路标表观的主元特征表示成不断自主更新的特征基底,为计算观测量与路标真实表观的相似度提供了实现途径和理论依据.该学习算法能够被集成到带有重采样的贯序权值采样粒子滤波算法过程中,实现了全景视觉机器人的精确自主定位.实验结果表明:该算法的定位误差小,计算量小,执行效率高,对全景图像中的各类干扰均不敏感.     

一种改进的运动目标抗遮挡跟踪算法

为解决运动目标在遮挡情况下的跟踪问题,提出一种基于目标运动预测与自适应多子块模板匹配相结合的抗遮挡跟踪算法.该算法建立了多子块模板匹配相关算法中遮挡情况的判定、子块模板匹配及自适应更新等准则,采用卡尔曼滤波模型预测目标在遮挡时的运动轨迹,并利用一种基于目标速度矢量的模板定位规则实现目标在遮挡结束后的接力跟踪.将该算法应用于存在多种遮挡情况下的实际视频中进行测试,实验结果表明:该算法不仅能够实现在部分遮挡情况下的目标跟踪,而且能在严重遮挡、甚至完全遮挡情况下对刚体和非刚体目标进行稳定有效地跟踪,保持目标运动轨迹的可靠性和完整性.     

基于离散系数改进的VWKNN位置指纹定位算法

位置指纹算法是研究室内定位技术的主要方法,其中在线阶段的匹配算法是影响室内定位精度的主要因素之一。目前,在线阶段的匹配算法有最近邻算法、K近邻算法以及加权K近邻算法。其中,最近邻算法和K近邻算法都没有考虑到不同参考点和待定位点之间的欧氏距离对定位精度的影响,而加权K近邻算法虽然考虑到了欧氏距离对定位精度的影响,对最终的定位结果采用欧氏距离归一化处理进行加权,却没有考虑到AP信号的波动性对定位结果也会产生很大的影响。因此,针对在线阶段的匹配算法作出改进,提出了基于离散系数改进的加权K近邻算法。在离线阶段建立位置指纹数据库,在在线阶段使用离散系数来反映各AP信号的稳定性,进而对待定位点与参考点之间的欧氏距离进行加权,计算出所有的加权欧氏距离后,从中选取距离最近的k个参考点,估算出待定位点的物理位置。实验结果表明:基于离散系数改进的加权K近邻算法可以实现平均定位精度比K近邻算法提高15%~17%,较加权K近邻算法提高了11%~13%的定位效果。      

基于智能空间的家庭服务机器人混合定位方法

智能空间在家庭服务机器人的应用中具有重要的作用,服务机器人的定位是其中的难点.首先提出了一种家庭环境下实现服务机器人进行家庭辅助操作的智能空间架构,然后对一种低成本的服务机器人混合定位方法进行了研究,该方法首先基于加权概率匹配定位算法的无线网络信号强度确定位置范围,然后读取智能空间中的无线射频标签进行位置计算,最后基于比例不变特征变换算法进行最终位置的视觉定位.在家居环境下的实验证明了该混合定位方法的有效性,该混合定位方法为服务机器人走入家庭提供了一种低成本、高可靠性的定位解决方案.     

一种高效准确的视觉SLAM闭环检测算法

同步定位与地图构建（SLAM）是视觉导航领域的关键技术之一，闭环检测是SLAM的基础问题。针对视觉SLAM闭环检测准确率不高的问题，提出一种高效准确的闭环检测算法。该算法由词袋模型、图像结构校验、跟踪预测模型3个模块构成。首先，将局部特征与全局特征相结合，设计了词袋模型与图像结构校验模块。词袋模型通过视觉单词比较图像之间的相似性，得到闭环候选帧。然后，图像结构校验模块灰度化、归一化当前图像与闭环候选图像。归一化之后的图像被直接作为局部特征的邻域，计算得到全局描述符，通过全局描述符判断闭环候选帧是否为有效的闭环。最后，针对传统闭环检测算法耗时随图像数量增加而显著增加的问题，设计了跟踪预测模块，以提高计算效率。实验中，与主流的DBoW算法相比，提出的闭环检测算法的准确率提升了20%以上，实时性也有更好的表现。      

无线定位扩展卡尔曼滤波算法的优化

设计了一种蜂窝系统无线定位中使用的扩展卡尔曼滤波(EKF)算法,对其性能进行了仿真. 通过仿真结果分析,寻找出算法优化方法. 优化方法综合了到达时间(TOA)信号测量方差和雅可比矩阵计算出预测误差,然后对算法估计出的用户位置进行修正. 仿真结果显示,优化后定位估计性能比优化前的算法性能有显著改善.      

基于全局稀疏地图的AGV视觉定位技术

为了实现自动导引车（AGV）在复杂工业环境下的高精度定位,克服环境变化给定位带来的影响,提出了基于全局稀疏地图的视觉定位方法。首先,设计了大容量二维编码点,作为人工路标铺设在工业环境的地面;然后,基于一种四边形识别算法,在复杂工业环境中准确分割和识别二维编码点;最后,利用二维编码点提供的编码信息,鲁棒匹配图像中的特征点,并以此为基础,使用一种分参数块优化的三维重建策略,实现了工业环境的大规模地图构建,为AGV视觉定位提供了一种稀疏电子地图。AGV视觉的定位通过匹配车载视觉传感器图像中的特征点和稀疏电子地图实现。停车重复定位精度小于0.5 mm,角度偏差小于0.5°,轨迹平均位移误差小于0.1%。实际应用结果表明,该方法能在复杂工业环境中实现AGV视觉的定位,定位的速度和精度方面都满足工业应用的要求,为AGV的视觉定位提供了新的思路。      

基于递推自适应权重的快速稠密立体匹配

针对经典自适应权重稠密立体匹配算法计算量大的问题,提出了一种递推自适应权重算法.重新定义相邻像素的权重为距离衰减因子和色彩差异函数的乘积,不相邻像素权重为相邻像素权重的累乘,色彩差异越小、距离越近的像素权重越大;证明了在新的权重定义下,一维空间的匹配代价融合可以通过两次递推完成,真实图像的匹配代价融合可以通过4次递推完成,同时给出相应递推公式;递推匹配代价融合时每个像素每一视差只做4次乘法和8次加法,计算量比窗口大小为35×35的经典自适应权重算法小约两个数量级;基于递推匹配代价融合实现了一种快速稠密立体匹配算法.使用Middlebury大学的测评集测试该算法,证明了递推自适应权重算法的速度和精度均优于经典自适应权重算法.     

基于多约束因子图优化的无人车定位与建图方法

针对目前在特定场景下应用的低速无人车定位系统极度依赖全球导航卫星系统（GNSS），存在定位精度不高、漂移误差大、受环境影响严重等问题，提出一种低成本、高精度的无人车定位与建图方法。该方法基于三维激光定位与建图（SLAM）技术。首先，使用点云主成分分析（PCA）实现基于特征匹配的激光里程计；其次，将GNSS位置信息、点云分割聚类得到的地平面和点云聚类特征作为位姿约束分别加入图优化框架，消除激光里程计的累积误差；最后，得到最优位姿和大规模场景的点云地图，以实现无人车的自主定位导航。利用包含大型户外城市街道环境的KITTI数据集对所提出的SLAM算法进行了评估，结果表明:系统在3km运动距离情况下定位偏差可控制在1.5 m以下，在局部精度和全局一致性方面均优于其他里程计系统，为无人车的定位提供了新思路。      

分布式光纤振动传感器的自适应时延估计

针对传统的安全防卫系统存在监测距离较短、抗电磁干扰能力弱、维护成本高等缺点,设计了一种新型的分布式光纤振动传感器.传感器由双向马赫-泽德(M-Z, Mach-Zehnder)干涉仪构成全光纤的光路组成,通过光纤敏感入侵者的振动来进行传感和定位.实验测得传感器的信号为低通带限信号.根据传感器的信号特点,研究了基于最小均方(LMS, Least Mean Square)算法的自适应时延估计方法,给出了自适应算法的性能分析结果.建立了实验系统,现场试验结果表明自适应算法可实时地获取振动的位置,平均误差小于200m,已成功用于多个地区的安防报警系统.      

基于Safe-PPO算法的安全优先路径规划方法

现有的路径规划算法对路径规划过程中的路径安全性问题考虑较少，并且传统的近端策略优化(PPO)算法存在一定的方差适应性问题。为解决这些问题，提出一种融合进化策略思想和安全奖励函数的安全近端策略优化(Safe-PPO)算法，所提算法以安全优先进行路径规划。采用协方差自适应调整的进化策略(CMA-ES)的思想对PPO算法进行改进，并引入危险系数与动作因子来评估路径的安全性。使用二维栅格地图进行仿真实验，采用传统的PPO算法和Safe-PPO算法进行对比；采用六足机器人在搭建的场景中进行实物实验。仿真实验结果表明：所提算法在安全优先导向的路径规划方面具有合理性与可行性：在训练时Safe-PPO算法相比传统的PPO算法收敛速度提升了18%，获得的奖励提升了5.3%；在测试时采用融合危险系数与动作因子的方案能使机器人学会选择更加安全的道路而非直观上最快速的道路。实物实验结果表明：机器人可以在现实环境中选择更加安全的路径到达目标点。     

非线性多目标概率约束规划免疫优化算法

针对噪声信息未知的一般非线性多目标概率约束规划（MOPCP）问题，探讨基于危险理论的多目标免疫优化算法（MOIOA）。算法设计中，借助自适应采样方法估计机会约束的概率和目标值；借助危险理论蕴含的应答模式分割进化种群为已感染、易感染和未感染子群；借助二进制交叉、自适应变异概率、多项式变异策略平衡种群的全局与局部搜索能力。与7种算法相比较获得的数值结果表明，所提算法的搜索效率有明显优势且搜索效果有一定的优越性，同时对复杂工程问题有应用潜力。      

改进粒子群优化的卫星导航选星算法

为提高选星算法的性能，提出一种基于人工鱼群算法的粒子群优化（PSO）选星算法。该算法利用人工鱼群算法良好的全局收敛特性，克服了粒子群优化算法易陷入局部最优的缺点。将每种卫星组合看作空间中的一个粒子，选取几何精度因子（GDOP）作为适应度函数。利用所提算法更新粒子自身位置，优化卫星组合与几何精度因子。利用实际数据对所提算法进行验证和对比，结果表明:改进的选星算法在保障选星效率的同时，选星结果的准确性优于标准的粒子群优化选星算法。      

四旋翼的改进PSO-RBF神经网络自适应滑模控制

针对非线性、强耦合并带有不确定性干扰的四旋翼无人机模型，提出了一种改进粒子群算法-径向基(PSO-RBF)神经网络自适应滑模控制器。在对RBF神经网络自适应滑模控制器进行控制量平滑改进的基础上，利用改进的具有全局寻优能力的PSO算法来调整RBF神经网络的拟合参数，从而进一步提升网络的拟合能力。根据实际四旋翼的模型参数，搭建四旋翼的动力学模型，通过Lyapunov理论验证了系统的稳定性。仿真结果表明：与RBF神经网络自适应滑模控制器和双闭环PID控制器相比，改进PSO-RBF神经网络自适应滑模控制器可以在一个控制周期内寻找到合适的控制量，其调节时间分别提升约50%和75%；改进PSO-RBF神经网络自适应滑模控制器具有轨迹跟踪速度快且准、抗干扰能力强和鲁棒性好的特点。