无人驾驶高精度定位技术(3)-粒子滤波

这是介绍机器人定位算法的第四篇-粒子滤波。相对之前提到的卡尔曼滤波,它没有线性高斯分布的假设;相对于直方图滤波,它不需要对状态空间进行区间划分。

粒子滤波的思想

粒子滤波算法采用很多粒子对置信度bel(x(t))进行近似,每个粒子都是对t时刻机器人实际状态的一个猜测。

越接近t时刻的正确状态描述的粒子,生成的概率越大。

粒子更新的过程类似于达尔文的自然选择机制,与当前Sensor测量状态越匹配的粒子,有更大的机会生存下来,与Sensor测量结果不符的粒子会被淘汰掉,最终粒子都会集中在正确的状态附近。

粒子滤波算法

无人驾驶高精度定位技术(3)-粒子滤波_第1张图片

计算的过程与递归贝叶斯算法相似。

无人驾驶高精度定位技术(3)-粒子滤波_第2张图片

粒子滤波算法的应用

以1维空间机器人的运动为例

无人驾驶高精度定位技术(3)-粒子滤波_第3张图片
无人驾驶高精度定位技术(3)-粒子滤波_第4张图片
无人驾驶高精度定位技术(3)-粒子滤波_第5张图片
无人驾驶高精度定位技术(3)-粒子滤波_第6张图片
无人驾驶高精度定位技术(3)-粒子滤波_第7张图片
无人驾驶高精度定位技术(3)-粒子滤波_第8张图片

你可能感兴趣的:(机器学习,SLAM,ROS)