快攻

FastSLAM:同时定位和映射问题的一个因子解决方案。许多人认为,能够同时定位机器人并精确地映射其周围环境的能力是真正自主机器人的一个关键先决条件。然而,解决这个问题的方法很少能够扩展到处理实际环境中存在的大量地标。例如,基于Kalman滤波的算法需要地标数量的时间二次型来合并每个传感器的观测值。本文提出了FastSLAM算法,该算法递归地估计机器人姿态和地标位置的全部后验分布,但与地图中的地标数目成对数比例。该算法基于将后验点精确分解为条件路标分布和机器人路径上分布的乘积。该算法已成功运行在多达50000个地标上,环境远远超出了以往的方法。实验结果验证了FastSLAM算法在模拟数据和真实数据上的优势和局限性。


zbMATH参考文献(参考,2标准条款)

显示第1到第20个结果,共62个。
按年份排序(引用)
  1. Olsson,Jimmy;Westerborn Alenlöv,Johan:切线滤波器的基于粒子的在线估计及其在非线性状态空间模型参数估计中的应用(2020)
  2. 于方文;商,江甲;胡,尤健;米尔福德,迈克尔:神经系膜:一个用于3D环境的大脑启发的SLAM系统(2019)
  3. 李德明;朱继红;徐本莲;吕明丽;李明月:基于蚂蚁滤波的随机有限集同步定位与映射方法(2018)
  4. Grimmer,Andreas;Clemens,Joachim;Wille,Robert:《证据网格图中推理和不确定性减少的形式化方法》(2017)
  5. Santhanakrishnan,Manigandan Nagarajan;Rayappan,John Bosco Balaguru;Kannan,Ramkumar:基于扩展卡尔曼滤波器的同步定位和映射的实现:点特征方法(2017)
  6. Asl,Hamed Jabbari;Yoon,Jungwon:基于图像的四旋翼无人机鲁棒控制(2016)
  7. Clemens,Joachim;Reineking,Thomas;Kluth,Tobias:A evidential approach to SLAM,path planning,and active exploration(2016年),约阿希姆·克莱门斯(Clemens),托马斯·雷内金(Reineking),克卢斯(Kluth),托拜厄斯(Tobias
  8. Hollósi,Gergely;Lukovszki,Csaba;Moldovan,István;Plósz,Sándor;Harasztos,Frigyes:智能手机的单目室内定位技术(2016)
  9. Speekenbrink,Maarten:粒子过滤器教程(2016)
  10. Arsenjev,D.G.;Berkovskii,N.A.:具有高先验不确定性的非线性贝叶斯估计问题中的伴随粒子滤波方法(2015)
  11. 达曼,尼廷库马尔;迪奥达尔,迪普蒂;赫曼尼,迪帕克:\text我在哪里?使用SLAM在无人地面机器人中创建空间感知:一项调查(2015年)ioport公司
  12. Havangi,R.:基于无迹H∞滤波的进化重采样同步定位和映射(2015)
  13. Othman,Nur Aqilah;Ahmad,Hamzah;Namerikawa,Toru:基于滤波器的SLAM设计(H_uhty)中估算的充分条件(2015)
  14. Pham,Viete Cuong;Juang,Jyh Ching:通过压缩(H_uhty)过滤实现稳健高效的SLAM(2014)
  15. Roquel,Arnaud;Le Hégarat Mascle,Sylvie;Bloch,Isabelle;Vince,Bastien:作为信念函数框架中假设分布的冲突分解(2014)
  16. 大卫瓦林特;吉尔,阿图罗;费尔南德斯,洛伦佐;雷诺索,Óscar:基于单一全向视角的视觉冲击(2014)
  17. Caro,Luis;Correa,Javier;Espinace,Pablo;Langdon,Daniel;Maturana,Daniel:加州大学格里马室内移动机器人(2012)
  18. Mastrogiovanni,Fulvio;Sgorbissa,Antonio:距离传感器的位置如何影响基于EKF的定位(2012)
  19. Munguía,Rodrigo;Grau,Antoni:用于视觉里程测量的单目SLAM:延迟逆深度特征初始化方法的完整方法(2012)ioport公司
  20. 科克,彼得:机器人学,视觉和控制。MATLAB中的基本算法。(2011年)