作者：徐巍军 著
页数：202
出版社：浙江大学出版社
出版日期：2024
ISBN：9787308231824
电子书格式：pdf/epub/txt
网盘下载地址：下载复杂未知环境中移动机器人SLAM技术及应用
内容简介
移动机器人的实际作业环境存在各种不确定干扰因素，其测量系统的噪声往往具有非高斯重尾分布或者参数先验信息未知等特性。在这些复杂未知环境下，传统的基于贝叶斯滤波估计技术的同时定位与地图创建（Simultaneous Localization and Mapping，简称SLAM）算法性能受到了严重影响，其定位精度、地图准确性和计算效率无法满足实际应用的需求。为了提高传统算法在水下等复杂未知环境下的估计性能，本书分别对基于高斯滤波器、粒子滤波器和概率假设密度滤波器的SLAM技术进行了改进，同时就自主式水下潜器(AutonomousUnderwater Vehicle，简称AUV)自主导航应用进行了重点研究。
目录
第1章 移动机器人SLAM技术概述
1.1 引 言
1.2 SLAM技术发展及应用现状
1.2.1 国外SLAM技术发展及应用现状
1.2.2 国内SLAM技术发展及应用现状
1.3 环境地图表示方法
1.3.1 基于栅格的地图表示法
1.3.2 基于拓扑的地图表示法
1.3.3 基于特征的地图表示法
1.3.4 基于视图的地图表示法
1.3.5 基于语义的地图表示法
1.3.6 混合地图表示法
1.4 SLAM算法研究进展分析
1.4.1 基于高斯滤波器的SLAM算法
1.4.2 基于粒子滤波器的SLAM算法
1.4.3 基于概率假设密度滤波器的SLAM算法
1.4.4 基于图优化的SLAM算法
参考文献
第2章 SLAM随机概率模型及算法框架
2.1 引 言
2.2 概率机器人学基础
2.2.1 概率统计学基础
2.2.2 机器人学不确定性
2.3 贝叶斯状态估计原理及方法
2.3.1 贝叶斯模型构成
2.3.2 贝叶斯滤波方程及求解方法
2.3.3 高斯滤波器
2.3.4 粒子滤波器
2.3.5 概率假设密度滤波器
2.4 移动机器人SLAM概率模型
2.4.1 机器人运动模型
2.4.2 路标特征测量模型
2.4.3 递归运算过程
2.5 基于高斯滤波器的SLAM算法
2.5.1 高斯滤波SLAM算法原理
2.5.2 高斯滤波SLAM算法流程
2.6 基于粒子滤波器的SLAM算法
2.6.1 FastSLAM算法原理
2.6.2 FastSLAM算法流程
2.7 基于概率假设密度滤波器的SLAM算法
2.7.1 概率假设密度滤波SLAM算法原理
2.7.2 概率假设密度滤波SLAM算法实现
参考文献
第3章 基于统计线性回归鲁棒优化的高斯滤波SLAM算法
3.1 引 言
3.2 估计原理与发展历史
3.2.1 估计原理概述
3.2.2 鲁棒性估计发展历程
3.3 估计算法的鲁棒性定义
3.3.1 定性鲁棒性
3.3.2 全局鲁棒性
3.3.3 局部鲁棒性
3.4 基于线性回归的鲁棒估计算法
3.4.1 经典极大似然估计
3.4.2 广义极大似然估计
3.4.3 常用鲁棒代价函数
3.4.4 估计性能评价指标
3.5 非线性滤波技术原理与分类
3.5.1 非线性滤波方法概述
3.5.2 基于函数线性化的近似方法
3.5.3 基于确定性采样的近似方法
3.5.4 加权统计线性回归方法
3.6 典型的Sigma点滤波算法
3.6.1 无迹卡尔曼滤波器
3.6.2 中心差分卡尔曼滤波器
3.6.3 求积分卡尔曼滤波器
3.6.4 容积卡尔曼滤波器
3.7 基于统计线性回归的高斯滤波SLAM算法
3.7.1 HSCKF-SLAM预测估计
3.7.2 HSCKF-SLAM测量更新
3.7.3 HSCKF-SLAM新特征初始化
3.7.4 HSCKF-SLAM鲁棒测量更新
3.8 数值仿真实验与结果分析
3.8.1 SLAM算法仿真环境介绍
3.8.2 SLAM算法估计性能度量指标
3.8.3 仿真实验结果分析
参考文献
第4章 基于自适应粒子重采样的UFastSLAM算法
4.1 引 言
4.2 粒子滤波器基本原理
4.2.1 蒙特卡罗方法
4.2.2 马尔可夫蒙特卡罗方法
4.2.3 粒子重要性采样
4.2.4 序贯重要性采样
4.2.5 序贯重要性重采样
4.2.6 Rao-Blackwellized粒子滤波器
4.3 粒子滤波器关键问题及其常用改善方法
4.3.1 粒子退化与粒子贫乏问题
4.3.2 重要性密度函数的选择
4.3.3 重采样策略的选择
4.3.4 计算效率和估计精度
4.4 粒子滤波器性能改进方法
4.4.1 基于转换无迹变换的粒子提议分布
4.4.2 自适应粒子重采样
4.5 基于自适应粒子重采样的UFastSLAM算法
4.5.1 粒子提议分布函数估计
4.5.2 环境特征地图创建
4.5.3 粒子重要性权值计算及自适应粒子重采样
4.5.4 算法计算复杂度分析
4.6 数值仿真实验与结果分析
4.6.1 仿真实验结果
4.6.2 实际数据集实验结果
参考文献
第5章 同时估计未知噪声方差的概率假设密度SLAM算法
5.1 引 言
5.2 随机有限集统计学理论基础
5.2.1 随机有限集基本定义
5.2.2 随机有限集的统计描述
5.2.3 常用的随机有限集
5.2.4 随机有限集贝叶斯滤波器
5.2.5 概率假设密度滤波器
5.2.6 多目标滤波估计性能评价指标
5.3 变分贝叶斯估计基本理论
5.3.1 概率估计方法分类
5.3.2 最大后验估计
5.3.3 期望最大化估计
5.3.4 变分贝叶斯估计
5.3.5 含未知测量噪声方差的系统模型
5.3.6 改进的高斯混合概率假设密度滤波器
5.4 基于变分贝叶斯估计的概率假设密度SLAM算法
5.4.1 特征地图及测量噪声参数预测
5.4.2 特征地图及测量噪声参数更新
5.4.3 特征地图提取
5.4.4 机器人位姿状态估计
5.5 数值仿真实验与结果分析
5.5.1 仿真环境
5.5.2 仿真结果
参考文献
第6章 总结与展望
6.1 总结
6.2 展望
附录 缩写术语对照表
1.1 引 言
1.2 SLAM技术发展及应用现状
1.2.1 国外SLAM技术发展及应用现状
1.2.2 国内SLAM技术发展及应用现状
1.3 环境地图表示方法
1.3.1 基于栅格的地图表示法
1.3.2 基于拓扑的地图表示法
1.3.3 基于特征的地图表示法
1.3.4 基于视图的地图表示法
1.3.5 基于语义的地图表示法
1.3.6 混合地图表示法
1.4 SLAM算法研究进展分析
1.4.1 基于高斯滤波器的SLAM算法
1.4.2 基于粒子滤波器的SLAM算法
1.4.3 基于概率假设密度滤波器的SLAM算法
1.4.4 基于图优化的SLAM算法
参考文献
第2章 SLAM随机概率模型及算法框架
2.1 引 言
2.2 概率机器人学基础
2.2.1 概率统计学基础
2.2.2 机器人学不确定性
2.3 贝叶斯状态估计原理及方法
2.3.1 贝叶斯模型构成
2.3.2 贝叶斯滤波方程及求解方法
2.3.3 高斯滤波器
2.3.4 粒子滤波器
2.3.5 概率假设密度滤波器
2.4 移动机器人SLAM概率模型
2.4.1 机器人运动模型
2.4.2 路标特征测量模型
2.4.3 递归运算过程
2.5 基于高斯滤波器的SLAM算法
2.5.1 高斯滤波SLAM算法原理
2.5.2 高斯滤波SLAM算法流程
2.6 基于粒子滤波器的SLAM算法
2.6.1 FastSLAM算法原理
2.6.2 FastSLAM算法流程
2.7 基于概率假设密度滤波器的SLAM算法
2.7.1 概率假设密度滤波SLAM算法原理
2.7.2 概率假设密度滤波SLAM算法实现
参考文献
第3章 基于统计线性回归鲁棒优化的高斯滤波SLAM算法
3.1 引 言
3.2 估计原理与发展历史
3.2.1 估计原理概述
3.2.2 鲁棒性估计发展历程
3.3 估计算法的鲁棒性定义
3.3.1 定性鲁棒性
3.3.2 全局鲁棒性
3.3.3 局部鲁棒性
3.4 基于线性回归的鲁棒估计算法
3.4.1 经典极大似然估计
3.4.2 广义极大似然估计
3.4.3 常用鲁棒代价函数
3.4.4 估计性能评价指标
3.5 非线性滤波技术原理与分类
3.5.1 非线性滤波方法概述
3.5.2 基于函数线性化的近似方法
3.5.3 基于确定性采样的近似方法
3.5.4 加权统计线性回归方法
3.6 典型的Sigma点滤波算法
3.6.1 无迹卡尔曼滤波器
3.6.2 中心差分卡尔曼滤波器
3.6.3 求积分卡尔曼滤波器
3.6.4 容积卡尔曼滤波器
3.7 基于统计线性回归的高斯滤波SLAM算法
3.7.1 HSCKF-SLAM预测估计
3.7.2 HSCKF-SLAM测量更新
3.7.3 HSCKF-SLAM新特征初始化
3.7.4 HSCKF-SLAM鲁棒测量更新
3.8 数值仿真实验与结果分析
3.8.1 SLAM算法仿真环境介绍
3.8.2 SLAM算法估计性能度量指标
3.8.3 仿真实验结果分析
参考文献
第4章 基于自适应粒子重采样的UFastSLAM算法
4.1 引 言
4.2 粒子滤波器基本原理
4.2.1 蒙特卡罗方法
4.2.2 马尔可夫蒙特卡罗方法
4.2.3 粒子重要性采样
4.2.4 序贯重要性采样
4.2.5 序贯重要性重采样
4.2.6 Rao-Blackwellized粒子滤波器
4.3 粒子滤波器关键问题及其常用改善方法
4.3.1 粒子退化与粒子贫乏问题
4.3.2 重要性密度函数的选择
4.3.3 重采样策略的选择
4.3.4 计算效率和估计精度
4.4 粒子滤波器性能改进方法
4.4.1 基于转换无迹变换的粒子提议分布
4.4.2 自适应粒子重采样
4.5 基于自适应粒子重采样的UFastSLAM算法
4.5.1 粒子提议分布函数估计
4.5.2 环境特征地图创建
4.5.3 粒子重要性权值计算及自适应粒子重采样
4.5.4 算法计算复杂度分析
4.6 数值仿真实验与结果分析
4.6.1 仿真实验结果
4.6.2 实际数据集实验结果
参考文献
第5章 同时估计未知噪声方差的概率假设密度SLAM算法
5.1 引 言
5.2 随机有限集统计学理论基础
5.2.1 随机有限集基本定义
5.2.2 随机有限集的统计描述
5.2.3 常用的随机有限集
5.2.4 随机有限集贝叶斯滤波器
5.2.5 概率假设密度滤波器
5.2.6 多目标滤波估计性能评价指标
5.3 变分贝叶斯估计基本理论
5.3.1 概率估计方法分类
5.3.2 最大后验估计
5.3.3 期望最大化估计
5.3.4 变分贝叶斯估计
5.3.5 含未知测量噪声方差的系统模型
5.3.6 改进的高斯混合概率假设密度滤波器
5.4 基于变分贝叶斯估计的概率假设密度SLAM算法
5.4.1 特征地图及测量噪声参数预测
5.4.2 特征地图及测量噪声参数更新
5.4.3 特征地图提取
5.4.4 机器人位姿状态估计
5.5 数值仿真实验与结果分析
5.5.1 仿真环境
5.5.2 仿真结果
参考文献
第6章 总结与展望
6.1 总结
6.2 展望
附录 缩写术语对照表
