基于多假设粒子群优化的蒙特卡罗定位算法  

Monte Carlo localization algorithm based on multi-hypotheses particle swarm optimization

作　　者：安婷婷[1] 肖南峰[1] 

机构地区：[1]华南理工大学计算机科学与工程学院,广东广州510006

出　　处：《计算机工程与设计》2010年第8期1761-1763,1873,共4页Computer Engineering and Design

基　　金：国家自然科学基金与中国民用航空总局联合基金项目(60776816);广东省自然科学基金重点项目(8251064101000005)

摘　　要：针对传统蒙特卡罗定位(MCL)算法在结构化相似环境中容易出现定位失败的问题,提出一种基于多假设粒子群优化的改进蒙特卡罗定位方法(MPSO-MCL)。以激光传感器的观测信息作为适应度函数,对MCL算法的采样粒子进行多假设粒子群优化更新,使得采样粒子向当前群体中多个最优粒子方向移动,从而使得粒子迅速收敛到后验概率密度分布取值较大的区域,实现了移动机器人高效精确自主定位。实验结果表明,MPSO-MCL算法克服了相似环境中定位的粒子匮乏问题,并且提高了定位的精确度。According to the failure of the conventional Monte Carlo localization （MCL） algorithm in structural similar environment, an algorithm called MPSO-MCL is presented which combines MCL with multi-hypotheses particle swarm optimization （MPSO）. It takes the perceptual information of laser range finder as the fitness function and carries out a multi-objects heuristic searching step on the samples generated in MCL, which flies the samples towards the regions where the value of the desired posterior density function is large. Simulation experiments demonstrate that MPSO-MCL can overcome the impoverishment of particle filter in similar environment and improve the localization precise.

关 键 词：移动机器人 蒙特卡罗定位 多假设 粒子群优化 相似环境 

分 类 号：TP242[自动化与计算机技术—检测技术与自动化装置]