基于蒙特卡罗的移动机器人自主定位算法研究

摘要

随着移动机器人在各领域的广泛应用，对移动机器人的自主定位精度与稳定性要求越来越高。概率定位技术是目前移动机器人自定位常用的方法之一，而概率定位技术中的蒙特卡罗算法凭借其所具有的方法简单、适应性强、收敛不受维数影响等优点，以及可以有效处理非线性、非高斯问题的能力得到广泛应用。但是粒子退化和样本匮乏一直是传统的蒙特卡罗定位算法所要解决的问题，它们严重影响了自主定位的准确性和稳定性。因此，本文将对传统的蒙特卡罗定位算法进行改进，研究一种既能解决粒子退化和样本匮乏问题又能保证定位精度和稳定性的定位算法。
　　本文首先对移动机器人定位中的三种关键技术进行了介绍，分别是传感器技术、信息融合技术以及移动机器人定位相关的模型。同时，重点对概率定位中的贝叶斯原理以及几种经典概率定位算法进行了详细的阐述分析，包括卡尔曼滤波、扩展卡尔曼滤波、蒙特卡罗算法。最后，分析了一种改进后的蒙特卡罗算法—SIR算法，对该算法的优点与不足进行了阐述，并且对MCMC算法的三种采样方法进行分析。
　　本文通过对SIR算法和MCMC算法的分析了解，给出了一种新的改进算法。该算法在结合了SIR算法对粒子退化的抑制方法与MCMC算法有效提高样本多样性的优点的同时，还运用了一种新的建议分布函数，它可以对当前粒子的分散度进行调节，使粒子分布范围随着收敛程度的不同进行变化，使收敛性好的粒子更加集中在真实值周围；收敛性不好的粒子则更加分散。通过对粒子分布范围的调节可以更好地防止样本匮乏现象的产生。运用Matlab进行仿真实验，验证了本文算法在定位中的准确性和算法的稳定性。

目录

声明

第1章 绪论

1.1课题研究背景与意义

1.2国内外研究现状

1.3本论文主要研究内容与结构

1.4本章小结

第2章 移动机器人定位相关技术介绍

2.1传感器技术研究

2.2多传感器融合技术

2.3移动机器人定位相关模型

2.4本章小结

第3章 概率定位算法研究

3.1贝叶斯理论

3.2卡尔曼滤波算法

3.3扩展卡尔曼滤波算法

3.4马尔科夫算法

3.5蒙特卡罗算法

3.6本章小结

第4章 对蒙特卡罗定位算法的改进

4.1重要性重采样算法

4.2马尔科夫链蒙特卡罗定位算法

4.3 一种改进的蒙特卡罗定位算法

4.4实验仿真与结果分析

4.5定位跟踪仿真实验

4.6本章小结

第5章 总结与展望

5.1总结

5.2展望

参考文献

个人简历、申请学位期间的研究成果及发表的学术论文

致谢