基于平方根UKF的SLAM算法

合集下载

基于FPGA的激光雷达SLAM测绘设计与实现

基于FPGA的激光雷达SLAM测绘设计与实现激光雷达（Lidar）是一种使用激光束来测量相对于雷达位置的物体距离的传感器。

SLAM（Simultaneous Localization and Mapping）是一种用于自主机器人导航的技术，可以同时实时地在未知环境中定位机器人并构建地图。

本文将介绍基于FPGA的激光雷达SLAM测绘的设计与实现。

在设计过程中，需要使用到的硬件是FPGA（Field Programmable Gate Array）和激光雷达传感器。

FPGA是一种可编程逻辑器件，可以根据需要编程实现不同的功能。

激光雷达传感器用于测量机器人周围环境的距离。

我们需要确定SLAM算法的选择。

常见的SLAM算法有扩展卡尔曼滤波器（EKF）算法和粒子滤波器（PF）算法。

选择合适的算法是设计的基础。

EKF算法适用于环境中存在高斯噪声的情况，而PF算法则适用于非线性噪声状况。

接下来，我们需要设计FPGA的逻辑电路。

FPGA可以实现激光雷达的数据采集和处理功能。

FPGA需要接收激光雷达传感器的数据，并将其转换成数字信号。

然后，FPGA可以使用SLAM算法来处理这些数据，并生成机器人在环境中的实时位置和地图。

在实现过程中，需要考虑FPGA的计算能力和存储容量。

FPGA的计算能力决定了SLAM 算法的复杂度和实时性能，而存储容量则决定了FPGA能够处理的数据量。

合理选择FPGA 的规格能够满足系统的需求。

需要在FPGA上进行软件编程，并将硬件电路与软件逻辑结合起来。

通过软件编程，可以实现激光雷达SLAM测绘的算法和功能。

实现过程中，需要进行算法调试和性能优化，以确保系统的稳定性和实时性。

基于FPGA的激光雷达SLAM测绘的设计与实现是一个复杂而有挑战的任务。

通过合理地选择SLAM算法、设计FPGA的逻辑电路并进行软件编程，可以实现高效、实时的激光雷达SLAM测绘系统。

这将为自主机器人导航和地图构建提供重要的技术支持。

机器人视觉导航中的SLAM算法研究

机器人视觉导航中的SLAM算法研究随着智能制造、无人驾驶等领域的不断发展，机器人在各行各业中的应用越来越广泛。

而机器人的视觉导航，则是其赖以运行的重要基础之一。

在机器人的视觉导航中，SLAM算法无疑是一个非常重要的研究方向，本文就将重点探讨机器人视觉导航中的SLAM算法研究。

一、SLAM算法的概述SLAM全称是Simultaneous Localization and Mapping，即同时定位和建图。

这是指在机器人的操作过程中，机器人不仅要能够自主的进行定位，还要能够建立其周边环境的地图。

这个过程需要机器人同时进行定位和建图，而SLAM算法正是为此而尝试构建的一种算法集合。

SLAM算法主要分为基于滤波器的方法和基于优化的方法两种。

其中，基于滤波器的SLAM算法比较常用的有扩展卡尔曼滤波（EKF）和粒子滤波（PF）算法；基于优化的SLAM算法比较常用的有非线性最小二乘法（NLS）和图优化法（GraphSLAM）等。

不同的SLAM算法针对不同的机器人导航场景，具有不同的优缺点。

因此，要选择一个合适的算法需要根据实际情况而定。

二、SLAM算法的应用SLAM算法已经被广泛应用于无人系统、人机交互、智能制造等各领域。

其中，SLAM在无人机的自主飞行、无人潜水器的自主潜航、无人车的自主导航以及辅助人体运动等场景中发挥着重要的作用。

例如，SLAM算法在无人机的自主飞行中，可以通过飞行中采集的图像数据，实时构建环境模型和机器人自身位置信息，从而实现机器人在空间中的自主定位和导航功能。

同理，在无人车的自主导航中，通过构建车辆周边的环境模型，可以实现路线规划和环境感知，从而提高自主导航的稳定性和安全性。

三、SLAM算法的优化方向SLAM算法在实际应用中还存在许多需要优化的地方，如数据不足时的定位精度问题、建图速度过慢的问题等。

为了解决这些问题，研究者们进行了大量的研究和实践，提出了一系列对SLAM算法进行优化的方法。

SLAM_介绍以及浅析

SLAM_介绍以及浅析SLAM（Simultaneous Localization and Mapping），即同时定位与建图，是一种将移动机器人在未知环境中的位置定位与环境地图生成统一起来的技术。

SLAM技术是实现自主导航和智能导航的关键性技术之一，广泛应用于无人车、无人潜艇、无人机、机器人等领域。

SLAM技术分为前端和后端两部分。

前端主要负责机器人的位置定位，根据传感器获取的数据，通过运动估计（例如里程计模型）和感知估计（例如视觉、雷达感知）等方法，计算机器人在运动过程中的位置和姿态。

后端主要负责地图生成，根据机器人在不同时间点的位置估计和传感器获取的环境地图数据，利用优化算法估计机器人的位置和地图。

在前端中，常用的传感器有激光雷达、相机、惯性测量单元（IMU）等。

激光雷达可以提供高精度的距离和角度信息，常用于建立环境地图。

相机能够捕捉到图像信息，通过图像算法可以提取出环境中的特征点，用于定位和建图。

IMU能够提供线性加速度和角速度信息，用以估计机器人的运动。

在后端中，常用的算法有滤波器、优化方法和图优化等。

滤波器方法包括扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF），通过状态估计和协方差矩阵来估计机器人的位置和姿态。

优化方法包括最小二乘法、非线性优化等，通过最小化误差函数来优化机器人的位置估计和地图。

图优化方法使用图模型来描述机器人的位置和环境地图，通过最大化后验概率来估计位置和地图。

SLAM技术的关键挑战之一是数据关联问题。

由于噪声和误差的存在，机器人在不同时刻获取的传感器数据可能不完全匹配。

因此，需要通过数据关联来确定当前获取的数据与之前数据的对应关系。

常用的数据关联方法有最近邻法、滤波法和图优化法等。

最近邻法通过计算不同数据之间的距离来确定对应关系。

滤波法通过滤波器来更新机器人的位置估计，并根据新的数据重新关联。

图优化法通过图模型来描述数据的关联关系，并通过最大后验概率来估计位置和地图。

基于噪声缩放的自适应UKF-SLAM算法

基于噪声缩放的自适应UKF-SLAM算法王祖麟;秦菘;梁毓明【期刊名称】《计算机工程》【年(卷),期】2014(40)10【摘要】For Extend Kalman Filtering ( EKF ) algorithm disadvantage on the Simultaneous Location and Mapping ( SLAM) ,that is simple linearization of nonlinear systems resulting from the inaccuracy of the system state equation,Jacobi matrix calculation resulting from computational complexity,and noise uncertainty caused by the filtering reduced stability and other issues, this paper proposes a noise adaptive UKF-SLAM algorithm. In order to achieve adaptive UKF-SLAM algorithm,the paper scales the noise to change the noise model. Using the observed innovation sequence to accurately estimate the covariance of the measurement noise model. And using a new message convariance and IAE fenestration to find the system noise scaling factor,and thus accurately setimates the convariance of the system state noise model,it achieves a adaptive UKF-SLAM algorithm. The sampling strategy of UKF Sigma points is scaling symmetric sampling. Experimental results show that the algorithm has a high accuracy on SLAM compared with the EKF-SLAM and UKF-SLAM.%针对扩展卡尔曼滤波( EKF)算法在移动机器人同时定位和环境建模( SLAM)中的缺点，即非线性系统简单线性化所导致的系统状态方程的不准确性、雅克比矩阵的计算所导致的计算复杂化以及噪声模型不确定性所导致的滤波稳定性降低等问题，提出一种对噪声自适应的UKF-SLAM算法。

机器人定位和导航中的SLAM算法探索

机器人定位和导航中的SLAM算法探索在机器人领域中，同时实现定位和导航是一个十分关键的问题。

随着技术的发展，基于感知的SLAM算法成为当前最为流行和有效的解决方案之一。

本文将深入探讨机器人定位和导航中的SLAM算法及其相关技术。

一、SLAM算法概述SLAM（Simultaneous Localization and Mapping）即同时定位与地图构建，是指机器人在未知环境中实时同时完成自身定位和地图构建的过程。

SLAM算法通过机器人自身感知环境的传感器数据，进行地图构建，并通过自我定位实现在地图上的准确定位。

通常，SLAM算法包括前端和后端两个主要部分。

前端部分是指通过机器人传感器数据进行特征提取、跟踪和建立特征点集合，又称为视觉里程计（Visual Odometry, VO）。

常用的前端技术包括基于图像的特征点提取、特征点匹配和运动估计。

后端部分是利用前端提取的特征点和传感器数据进行优化，求解机器人在地图上的真实位置。

后端部分通常采用非线性优化方法，例如Kalman滤波和扩展Kalman滤波，同时也有基于图优化的方法，如几何图优化和因子图优化。

二、基于视觉的SLAM算法视觉SLAM算法是一种基于摄像头输入的SLAM方法，通过处理摄像机获得的图像序列进行定位和建图。

基于视觉的SLAM算法有许多不同的变体，其中最为常见的是基于特征的视觉SLAM算法，如特征点的法线、SURF、ORB等。

这些算法使用稀疏特征点作为地图的输入并进行稀疏光束法平滑处理，从而实现视觉SLAM的定位和建图。

然而，基于特征的视觉SLAM算法对于特征点的提取和匹配较为敏感，且对环境光照变化和低纹理场景有一定的局限性。

为了解决这些问题，近年来出现了基于直接法的视觉SLAM算法。

基于直接法的视觉SLAM算法直接使用图像的亮度值作为特征点，不需要进行特征点的提取和匹配，因而在光照变化和低纹理场景下更具稳定性。

三、基于激光的SLAM算法除了基于视觉的方法外，激光SLAM算法（Laser SLAM）也是常用的SLAM技术之一。

几种SLAM算法的简要介绍的南京理工大学

xk 1 f( x k, u k ) k wk zk g( x k, u k)
ˆk , uk ) f ( xk , uk ) f ( x
（9）状态方程（10）观测方程
Hale Waihona Puke v kf ( xk , uk ) xk
ˆk xk x ˆk xk x
ˆk ) （11） ( xk x
2.3 无迹卡尔曼滤波法（UKF）但是EKF将非线性系统线性化时会带来计算精度下降的问题，而且计算雅克比矩阵也是比较困难的，甚至难以实现。针对 EKF 的不足，牛津大学的 Julier 等人提出了一种基于 UT 变换的新型卡尔曼滤波器，也就是无迹卡尔曼滤波法（Unscented Kalman Filter，UKF）。UKF算法不需要计算 Jacobian 矩阵，利于计算机编程，可以得到高精度的机器人位姿。 UKF法首先要构造Sigma 散点集, 设状态向量为n 维, x ˆk 1 为时刻k-1 的状态向量估计值, Pk 1 为该时刻状态向量的协方差矩阵, 2n+1维的Sigma 点集可以表示为:
ˆk / k 1 及自 ) rk 传播为 i ,k / k 1 ，由 i ,k / k 1 可得输出预测值 z 通过非线性量测函数 hk (·
输出相关法自适应滤波的基本途径就是根据量测数据估计出输出函数序列推算出最佳增益矩阵k使得增益矩阵31sagehusa自适应卡尔曼滤波是在利用量测数据进行递推滤波时通过时变噪声估计估值器实时估计和修正系统噪声和量测噪声的统计特性从而达到降低系统模型误差抑制滤波发散提高哦滤波精度的目的
南京理工大学《机器人控制理论与技术》课程论文

( k k
x
k(
1 ) k(

SLAM后端优化算法的研究

SLAM后端优化算法的研究SLAM（Simultaneous Localization and Mapping）是指机器人在未知环境中同时进行定位和地图构建的技术。

SLAM系统分为前端和后端两个部分，前端负责传感器数据的处理和特征提取，后端负责对前端提取的特征进行优化和融合。

本文将重点讨论SLAM后端优化算法的研究。

SLAM后端优化算法旨在通过最小化误差来提高SLAM系统的定位和地图构建的精度。

后端优化算法通常基于滤波或优化框架，通过最大化似然或最小化误差函数来优化机器人的位姿和地图。

滤波算法是最早被使用的SLAM后端优化算法之一，其中最知名的是扩展卡尔曼滤波（EKF）算法。

EKF通过时间和测量更新来估计机器人的位姿和地图，但由于其线性化近似和高维状态空间的限制，EKF在大规模场景中容易出现精度下降和计算复杂度增加的问题。

为了克服EKF的局限性，研究者提出了非线性优化算法，如图优化算法。

图优化算法将SLAM问题建模为一个图结构，其中节点表示机器人位姿或地图特征，边表示测量约束。

图优化算法通过最小化误差函数来优化节点的位姿和地图，其中误差函数可以是基于距离、角度或其他传感器测量得到的误差。

在图优化算法中，最常用的优化框架是基于非线性最小二乘法的Gauss-Newton算法和Levenberg-Marquardt算法。

这些算法通过迭代优化节点的位姿和地图，使误差函数逐步收敛，从而提高SLAM系统的精度。

除了传统的优化算法，近年来还出现了一些基于深度学习的SLAM后端优化算法。

这些算法通过深度学习模型来学习SLAM系统的状态估计函数，从而减少优化过程中的计算复杂度和精度下降的问题。

SLAM后端优化算法是提高SLAM系统性能的关键技术之一。

传统的优化算法如滤波算法和图优化算法在SLAM领域得到了广泛应用，并取得了很好的效果。

而近年来基于深度学习的优化算法也正在逐渐成为研究热点。

未来随着硬件和算法的不断进步，SLAM后端优化算法有望进一步提高系统的精度和鲁棒性，推动SLAM技术在自动驾驶、智能机器人等领域的应用。

ukf原理

ukf原理UKF（Unscented Kalman Filter）是一种基于卡尔曼滤波理论的状态估计方法，通过在非线性系统上使用无味卡尔曼滤波算法解决了线性卡尔曼滤波算法无法应用于非线性系统的问题。

UKF在状态估计中广泛应用，例如机器人导航、车辆控制、航空航天、信号处理等领域。

UKF的基本原理是利用无味变换（Unscented Transformation）将非线性系统的状态空间坐标通过线性变换映射到高斯分布向量上，然后在高斯分布向量上进行传统的卡尔曼滤波。

具体来说，UKF通过选取一组sigma点（即采样点）来表示高斯分布的状态，通过经过非线性变换后的这些sigma点来代替原系统的状态向量。

其中sigma 点的选取方法可以根据需要自行设计，一般常用的是Merwe’s分布，这种方法比较高效且数值稳定。

UKF算法的流程如下：1. 预测阶段：预测下一个状态向量及其协方差矩阵，通过状态转移方程将上一时刻的状态向量转移到当前时刻，同时通过卡尔曼增益矩阵将上一时刻的协方差矩阵也转移过来。

2. 无味变换阶段：利用选定的sigma点集合通过非线性变换来表示当前时刻的状态向量，通过对这些sigma点执行状态转移方程同样得到每个sigma点的预测值和协方差矩阵。

3. 更新阶段：利用经过非线性变换的sigma点描述当前状态向量的协方差矩阵和观测值，针对sigma点计算观测模型产生的高斯分布，然后计算新的状态向量和协方差矩阵。

其中，UKF的误差协方差矩阵与传统的卡尔曼滤波一样，具有递推的性质，即时间步长每增加一次，误差协方差阵的大小就增加一次。

总之，UKF通过无味变换将非线性系统转化到高斯分布向量上的思想，让卡尔曼滤波得以应用于复杂非线性系统上，并可以用于状态估计、轨迹跟踪、控制和优化等多个领域。

什么是SLAM 技术？SLAM技术究竟是如何实现的？

什么是SLAM 技术？SLAM技术究竟是如何实现的？“在智能服务机器人逐渐成为行业风口浪尖的今天，移动机器人的身影越来越多地出现在人们身边。

相信随着传感技术、智能技术和计算技术等的不断提高，智能移动机器人一定能够在生产和生活中融入人类生活中。

其中，在自主定位导航技术中扮演着关键角色的SLAM 技术也成为关注的焦点。

那么，究竟是什么是SLAM 技术？SLAM技术究竟是如何实现的？它的核心步骤和难点是什么？今天，小编就来和大家聊聊在机器人自主移动过程中有着重要作用的SLAM技术。

”什么是SLAM技术？SLAM 是同步定位与地图构建(Simultaneous Localization And Mapping) 的缩写，最早是由Hugh Durrant-Whyte 和John J.Leonard 在1988年提出的。

SLAM与其说是一个算法不如说它是一个概念更为贴切，它被定义为解决“机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的地图特征（比如，墙角，柱子等）定位自身位置和姿态，再根据自身位置增量式的构建地图，从而达到同时定位和地图构建的目”的问题方法的统称。

SLAM技术的核心步骤大体上而言，SLAM包含了：感知、定位、建图这三个过程。

感知——机器人能够通过传感器获取周围的环境信息。

定位——通过传感器获取的当前和历史信息，推测出自身的位置和姿态。

建图——根据自身的位姿以及传感器获取的信息，描绘出自身所处环境的样貌。

举个例子，有天张三和朋友们一起喝酒，张三喝高了，李四送他回家，但是没有张三的钥匙啊，怎么办，只好送回自己的家里面。

那么问题来了，第二天早上张三醒来后，如何知道自己是在谁家里呢？这个问题很简单，看看房子周围的环境就知道了。

没错，张三观察房屋信息的过程就是感知的过程，这时候张三需要提取房子里面对自己有效的信息，例如：房子的面积、墙壁的颜色、家具的特征等等，运气好的话，看到了李四本人，基本上就知道自己是在谁家里了。

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

基于平方根Unscented卡尔曼滤波的车辆融合跟踪
陈莹;韩崇昭
【期刊名称】《西安交通大学学报》
【年(卷),期】2005(039)006
【摘要】针对车辆运动的机动性和跟踪系统的非线性,提出了一种基于平方根Unscented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法.该方法采用动力学模型建立系统的状态方程和量测方程,充分利用了多传感器的量测信息,更好地满足了目标的机动特性.采用基于UKF的数据融合方法处理系统的非线性问题,避免了扩展卡尔曼滤波(EKF)产生的线性化误差.同时,在滤波过程中,以协方差平方根阵代替协方差阵参加迭代运算,有效地避免了滤波器的发散,提高了滤波算法的收敛速度和稳定性.实验证明,与基于EKF的融合算法相比,基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18.22%和34.81%.
【总页数】4页(P594-597)
【作者】陈莹;韩崇昭
【作者单位】西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安
【正文语种】中文
【中图分类】TP274
【相关文献】
1.基于多信息融合的车辆阴影检测与车辆跟踪算法 [J], 曹晓娟;王文涛;宋晓琳;张伟伟
2.基于平方根 CKF 的多传感器序贯式融合跟踪算法 [J], 刘华;吴文;王世元
3.基于平方根UKF的多传感器融合再入段目标跟踪研究 [J], 司学慧;李小兵;张彦;乔朋朋
4.复杂场景下基于特征融合的车辆跟踪 [J], 赵春晖;任杰;宿南
5.基于传感器融合的一种多目标车辆识别跟踪方法 [J], 罗国荣
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｄ：０３７／ｉｓ．０．３１０１２０７文章编号：０２８３（０１２ —２９０文献标识码：中图分类号：Ｐ４ＯＩ１．８．ｎ１２８３．１．．５７ｊｓ０２２１０－３１２１）２００ —４ＡＴ２
２１．７（２）２９２２０１４２：０ — １．
ＡｂｔａｔＳｍｕｔｎｏｓＬｏａｉａｉｎａｄＭａｐｎ（ＬＡＭ）ｉｏｃｒｅｏｂｈｅｏｎｏｅｌｅｈｅ１ａｔｎｍｙｏｓｒｃ：ｉｌｅｕｃｌｔｎｐｉｇＳａｚｏＳｃｎｅｎｄｔｅｔｅｋｙｐｉｔｔｒａｉｔｅｒａｕｏｏｆｚ
叶国石油大学信息与控制工程学院，Ｉ山东东营２７６５０１
ＳｈｏｆＩｆｒｔｎａｄＣｏｔｌＥｇｎｅｉｇ，ｉａＵｎｖｒｉｆＰｔｏｅｍ，ｎｙｎＳａｄｎ５０，ｉａｃｏｌｏｎｏｍａｉｎｎｒｎｉｅｒｏｏｎＣｈｎｉｅｓｔｏｅｒｌｕＤｏｇｉｇ，ｈｎｏｇ２７６Ｃｈｎｙ１
ｍｏｉｏｏ．ｎｃｎｅｌｎＦｌｒＵＦ）ｉｗｉｅｐｌｄｉＳＡＭｒｂｅｂｃｕｅｏｔｄｒｃｌｓｇｏｏｌｅｒｂｌｒｂｔｓｅｔｄＫａｍａｉｅ（ＫｅＵｔｓｄｌａｐｉｎＬｙｅｐｏｌｍｅａｓｆｉｉｔｕｉｆｎｎｉａｓｅｙｎｎ
近些年来许多学者对ＳＡＭ技术进行了大量的研究，Ｌ提
出了很多有效的解决方法，其中最常用的方法为基于ＵＫＦ的方法和基于粒子滤波的方法。由于ＥＦ法在线性化系统模Ｋ算
型中引入截断误差；同时，ＫＦＥ算法中每个时问步都必须更新系统的雅可比矩阵，大了汁算量，增不利于移动机器人的实时定位。为了克服ＥＦ算法的上述缺点，．Ｊｌａ和ＪＵｈ．ＫＳＪｕｉｒ．建（ＬＭ）ＳＡ是移动机器人实现真正自主的关键，无迹卡尔曼滤波（ｕＫＦ由于直接利用系统非线性模型）
而在ＳＡ问题中得到广泛的应用。基于平方根滤波可以确保协方差矩阵的非负定的思想，ＬＭ将平５￣－Ｆ用到ＳＡＭ问题￣ＵＫ应Ｌ中，确保了ＳＡＭ算法的稳定性，Ｌ并得到了较高的估计精度。仿真结果表明，该算法是有效的。关键渊：同步定位与地图构建；无迹卡尔曼滤波；移动机器人
ｍｏｅ．ｎｅｎｎｔａｓｕｒｒｏｆｌｒａｅｓｒｎｎｎｇｔｅｅｎｔｏｈｃｖｒａｃｍａｒｘＴｉｒｉｌｉｔｏｕｅｄ１Ｃｏｃｒｉｇｈｔｑａｅｏｔｉｔｃｎｎｕｅｏ — ｅａｉｄｆｉｅｖｉｅｆｔｅｏａｉｎｅｔ．ｈｓｔｅｎｒｄｃｓｉａｃｓｕｒｒｏｎｃｎｅＫａｍａｆｌｒｉｔＳＡＭｐｏｌｍａｄｎｕｅｔｔｂｌｙ．ｉｌｏｉｍａｓａｎａｍｏｅｃｕａｅｑａｅｏｔｕｓｅｔｄｌｎｉｔｎｏＬｅｒｂｅｎｅｓｒｓｉｓａｉｔＴｈｓｇｒｔｓｉａｈｌｏｇｉｓｒａｃｒｔｅｔｔｎｃｍｐｒｄｔｓｉｍａｉｏａｅｏＵＫＦａｅＬＡＭ．ｉｌｔｎｒｓｌｈｗｈｔｔｉｌｏｉｍｓｅｅｔｅｏｂｓｄＳＳｍｕａｉｅｕｔｓｏｔａｈｓａｇｒｈｉｆｃｉ．ｏｓｔｖＫｅｒｓＳｍｕｔｎｏｓＬｃｌａｉｎａｄＭａｐｎＵｎｃｎｅｌｎｆｌｒｍｏｉｏｏｙｗｏｄ：ｉｌｅｕｏａｉｔｎａｚｏｐｉｇ；ｓｅｔｄＫａｍａｔ；ｂｌｒｂｔｉｅｅ
Ｃｍｕｅｎｉｅｒｇａｄｐｌａｉｎ计算机工程与应用ｏｐｔＥｇｎｅｉｎＡｐｉｔｓｒｎｃｏ
２，７２）０４（２１１
２９０
基于平方根ＵＫＦ的ＳＡ算法ＬＭ
李树荣，朋飞倪
ＬＩＳｈｒｎｇ，ＩｕｏＮＰｅｆｉｎｇｅ
１引言
移动机器人同步定位与地图构建（ｉｕｔｅｕｏａｚ— ＳｍｌｎｏｓＬｃｌａａｉ
ｔｎａｄＭａｐｎ）早由Ｓｔ，ｅｆＣｅｓｍａｉｎｐｉｇ最ｏｍｉＳｌ和ｈｅｅｎ提出…，ｈ主
要解决移动机器人在未知环境中的定位问题：器人在未知机
ＬＩｈｒｎＮＩｅｇ．ｑａｅｏｔＳｕｏｇ，Ｐｎ￣ｉｕｒｔｏＵｎｓｅｔｄＳｃｎｅＫａｍａＦｉｅｂｓｄＬＡＭ．ｍｐｕｅＥｎｉｅｒｎａｄｌｎｌｒａｅＳｔＣｏｔｒｇｎｅｉｇｎＡｐｌａｉｎ，ｐｉｔｏｓｃ