×

一种基于蚂蚁的过滤随机单位集方法,用于同时定位和映射。 (英语) 兹比尔1485.93389

摘要:受蚂蚁觅食以及将特征地图和测量值建模为随机有限集的启发,在蚁群框架中提出了一种新的公式来联合估计地图和车辆轨迹,以解决基于特征的同时定位与映射(SLAM)问题。这种所谓的ant-PHD-SLAM算法允许将联合映射轨迹后验密度的递归分解为车辆轨迹的联合传播后验密度和基于车辆轨迹的特征映射后验密度。更具体地说,提出了一种ant-PHD滤波器来联合估计地图特征的数量及其位置,即利用蚂蚁强大的搜索能力和集体协作来完成PHD-SLAM滤波器的时间预测和数据更新过程。同时,利用一种新的快速移动蚂蚁估计器(F-MAE)估计机动车辆的轨迹。使用几个数值示例进行的评估和比较表明,与最近报告的方法相比,性能有所提高。此外,基于机器人操作系统(ROS)平台的实验结果验证了与数值模拟结果的一致性。

MSC公司:

93C85号 控制理论中的自动化系统(机器人等)
93E11号机组 随机控制理论中的滤波
90 C59 数学规划中的近似方法和启发式
68T20型 人工智能背景下的问题解决(启发式、搜索策略等)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Adams,M.、Vo,B.、Mahler,R.和Mullane,J.(2014)。SLAM获得博士学位:地图估算新概念,IEEE机器人与自动化杂志21(2):26-37。
[2] Aghdam,M.、Ghasem-Aghaee,N.和Basiri,M.(2009年)。使用蚁群优化的文本特征选择,应用专家系统36(3):6843-6853。
[3] Bailey,T.、Nieto,J.、Guivant,J.,Stevens,M.和Nebot,E.(2006年)。EKF-SLAM算法的一致性,《2006年IEEE智能机器人和系统国际会议论文集》,中国北京,第3562-3568页。
[4] Carlevaris-Bianco,N.、Kaess,M.和Eustice,R.M.(2017年)。factor-graph SLAM的通用节点删除,IEEE Transactions on Robotics 30(6):1371-1385。
[5] Davison,A.、Reid,I.、Molton,N.和Stasse,O.(2007年)。MonoSLAM:实时单摄像机SLAM,IEEE模式分析和机器智能汇刊29(6):1052-1067。
[6] Deusch,H.、Reuter,S.和Dietmayer,K.(2015)。标签多贝努利SLAM滤波器,IEEE信号处理快报22(10):1561-1565。
[7] Dissanayake,G.和Durrant Whyte,P.、Clark,H.和Csorba,M.(2001年)。同步定位和地图构建(SLAM)问题的解决方案,IEEE机器人和自动化事务17(3):229-241。
[8] Dorigo,M.和Gambardella,L.(1997)。蚁群系统:旅行推销员问题的合作学习方法,IEEE进化计算汇刊1(1):53-66。
[9] Dorigo,M.、Maniezzo,V.和Colorni,A.(1995)。《蚂蚁系统:由一群合作代理优化》,《物理评论快报》75(14):2686-2689。
[10] 黄,H.,黄,C.和裴,W.(2015)。使用蚁群优化求解多资源约束的项目调度问题,《工程项目与生产管理杂志》5(1):2-12。
[11] Leonard,J.J.和Durrant-Whyte,H.F.(1991)。自主移动机器人的同时地图构建和定位,IEEE/RSJ智能机器人和系统国际研讨会论文集,IROS’91,日本大阪,第1142-1147页。
[12] Mahler,R.(2007)。统计多源多目标信息融合,马萨诸塞州波士顿Artech House。
[13] Michael,M.、Sebastian,T.、Daphne,K.和Ben,W.(2003)。FastSLAM 2.0:一种改进的粒子滤波算法,用于同步定位和映射,可证明收敛,《第六届国际人工智能联合会议论文集》,墨西哥阿卡普尔科,第1151-1156页。
[14] Montemerlo,M.、Thrun,S.、Koller,D.和Wegbreit,B.(2002年)。FastSLAM:同步定位和绘图问题的分解解决方案,《第八届全国人工智能会议论文集》,加拿大艾伯塔省埃德蒙顿,第593-598页。
[15] Mullane,J.、Vo,B.N.、Adams,M.D.和Vo,B.T.(2011年)。贝叶斯SLAM的随机单位集方法,IEEE机器人学报27(2):268-282·Zbl 1231.68017号
[16] Narasimha,K.、Kivelevitch,E.、Sharma,B.和Kumar,M.(2013)。一种用于求解最小-最大多仓库车辆路径问题的蚁群优化技术,Swarm和进化计算13:63-73。
[17] Rashno,A.、Sadri,S.和Sadeghian Nejad,H.(2015)。基于小波和颜色特征的蚁群优化特征选择模式的高效基于内容的图像检索,2015年人工智能和信号处理国际研讨会论文集,伊朗马什哈德,第59-64页。
[18] Rodriguez-Losada,D.,Matia,F.,Pedraza,L.,Jimenez,A.和Galan,R.(2007年)。室内环境SLAM-EKF算法的一致性,《智能与机器人系统杂志》50(4):375-397·Zbl 1133.68457号
[19] Shang,G.(2008)。用新的蚁群算法求解武器目标分配问题,《2008 IEEE计算智能与设计国际研讨会论文集》,中国武汉,第221-224页。
[20] Taketomi,T.、Uchiyama,H.和Ikeda,S.(2017年)。视觉SLAM算法:2010年至2016年的一项调查,IPSJ计算机视觉与应用汇刊9(1):16-26。
[21] Thrun,S.、Burgard,W.和Fox,D.(2005年)。概率机器人,麻省理工学院出版社,马萨诸塞州剑桥·Zbl 1081.68703号
[22] Viejo,D.、Garcia-Rodriguez,J.和Cazorla,M.(2014)。《信息科学》276:174-185,为机器人3D SLAM结合视觉特征和不断增长的神经气体网络。
[23] Wang,H.、Huang,S.、Frese,U.和Dissanayake,G.(2013)。具有球形协方差矩阵的点特征SLAM问题的非线性结构,Automatica 49(10):3112-3119·Zbl 1358.93192号
[24] Wilkowski,A.、Kornuta,T.、Stefa´nczyk,M.和Kasprzak,W.(2016)。使用RGB-D传感器高效生成3D表面地图,国际应用数学与计算机科学杂志26(1):99-122,DOI:10.1515/amcs-2016-0007·Zbl 1336.94012号
[25] Xu,B.、Chen,Q.、Zhu,J.和Wang,Z.(2010)。蚂蚁估计器及其在目标跟踪中的应用,信号处理90(5):1496-1509·Zbl 1194.94152号
[26] Xu,B.、Xu,H.和Zhu,J.(2011)。用于多目标跟踪的蚂蚁聚类PHD滤波器,应用软计算11(1):1074-1086。
[27] 张华(2015)。多模式资源约束项目调度的蚁群优化,工程管理杂志28(2):150-159。
[28] Zhang,Z.,Gao,C.,Lu,Y.,Liu,Y.和Liang,M.(2016)。基于Physarum启发的双目标旅行推销员问题数学模型的多目标蚁群优化,PloS ONE 11(1):e0146709。
[29] Zhu,J.,Xu,B.,Wang,F.和Wang,Z.(2010)。用于只熊追踪的实时移动蚂蚁估计器,《第一届国际蜂群智能进展会议论文集》,中国北京,第273-280页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。