一种基于狮群算法优化的SLAM算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113050658A(43)申请公布日2021.06.29(21)申请号202110389326.8(22)申请日2021.04.12(71)申请人西安科技大学地址710054陕西省西安市西安科技大学雁塔路58号(72)发明人朱代先王明博李国民杨雄义(74)专利代理机构西安合创非凡知识产权代理事务所(普通合伙)61248代理人张燕(51)Int.Cl.G05D1/02(2020.01)权利要求书1页说明书8页附图5页(54)发明名称一种基于狮群算法优化的SLAM算法(57)摘要本发明公开了一种基于狮群算法优化的SLAM算法，包括：改进狮王位置更新策略：将全局最优值做为狮王，并通过改进的狮王位置更新策略，实现粒子权值更新；改进母狮位置更新策略：通过改进的母狮狩猎法则，实现粒子集合的有效调整；改进幼狮更新策略：幼师向狮王位置移动，通过上述调整，实现粒子集合集中分布在高斯然区域，解决粒子权值退化与粒子多样性丧失的问题，实现对机器人定位建图精度的提升。本发明的算法，解决粒子权值退化与粒子多样性丧失的问题，实现对机器人定位建图精度的提升。CN113050658ACN113050658A权利要求书1/1页1.一种基于狮群算法优化的SLAM算法，其特征在于，包括：改进狮王位置更新策略：将全局最优值做为狮王，并通过改进的狮王位置更新策略，实现粒子权值更新；改进母狮位置更新策略：通过改进的母狮狩猎法则，实现粒子集合的有效调整；改进幼狮更新策略：幼师向狮王位置移动，通过上述调整，实现粒子集合集中分布在高斯然区域，解决粒子权值退化与粒子多样性丧失的问题，实现对机器人定位建图精度的提升。2.根据权利要求1所述的基于狮群算法优化的SLAM算法，其特征在于，所述改进狮王位置更新策略包括：首先构造以当前狮王（全局最优值）所在位置为中心，数目为的集合；表示粒子数目，代表移动步长，代表具有与全局最优值最远的粒子的距离；其次，判断移动步长与设定步长阀值对比，当，取移动步长为；反之将当前移动步长作为狮王的移动步长；通过此步骤实现步长的自动适应，在算法的迭代初期，各个粒子距离较大，通过计算获取的移动步长势必大于阀值，采用阀值作为当前的移动步长，保证狮王在较小范围内进行精确的更新，而当算法进入后期，粒子间距缩小，移动步长小于阀值，采用当前移动步长作为狮王移动步长，保障狮王更新；最后计算产生新的粒子集合中各个个体所对应的权值，取权值最大的个体作为当前新的狮王。3.根据权利要求1所述的基于狮群算法优化的SLAM算法，其特征在于，所述改进母狮位置更新策略包括：采用遗传算法中交叉思想，改进后的母狮位置更新公式如下：上式中代表变异概率，取值为。4.根据权利要求1所述的基于狮群算法优化的SLAM算法，其特征在于，所述改进幼狮更新策略包括：幼狮主要采取两种位置更新策略，包括：向母狮运动，并与母狮协同狩猎；离开狮群；将上述两种策略应用到FastSLAM中。2CN113050658A说明书1/8页一种基于狮群算法优化的SLAM算法技术领域[0001]本发明涉及SLAM算法，具体涉及一种基于狮群算法优化的SLAM算法。背景技术[0002]FastSLAM算法简述：SLAM问题表述的是：移动机器人在未知环境下，通过此环境的相关特征（路标），构建一致地图，同时通过该地图获取自身位置。而机器人定位与建图问题是相互耦合的，机器人定位精度影响其建图准确性，同时，机器人建立地图的精度会影响机器人对自身位置的确定。在SLAM算法研究过程中，根据机器人自身携带传感器的差异可分为激光SLAM与视觉SLAM。本发明主要激光SLAM算法，在激光SLAM算法研究过程中，由于算法采用的滤波理论不同，可分为基于扩展卡尔曼滤波器的EKF‑SLAM算法，与基于粒子滤波器的FastSLAM算法，其中基于扩展卡尔曼滤波器的EKF‑SLAM算法在进行状态估计时，一般都假设测量嗓声服从高斯分布，然而在实际应用中，在复杂环境下，噪声分布处于非线性，非高斯状态，因而机器人定位建图精度会存在较大的误差，因此本发明针对FastSLAM算法进行优化。[0003]FastSLAM算法的系统状态估计通过Rao‑Blackwellised粒子滤波器分解为对机器人运动轨迹的递归估计和基于机器人轨迹的路标位置估计这两部分，用公式表示如下：其中，表示地图路标的个数。在FastSLAM算法中，粒子滤波算法用来估计机器人运动轨迹，算法中的每个粒子都保存有一份完整的地图信息；地图估计可分解成个相互独立的路标位置估计，路标的位置用扩展卡尔曼滤波器进行估计。[0004]因此在FastSLAM中，若选取个粒子，则总共有个扩展卡尔曼滤波器。时刻的第个粒子的数据结构表达式如下：其中，表示