动态场景下基于优化粒子滤波算法在高铁移动机器人中的应用.pdf

信息记录材料 2023 年 7 月 第 24 卷第 7 期动态场景下基于优化粒子滤波算法在高铁移动机器人中的应用江跃龙(广州铁路职业技术学院 广东 广州 510610)【摘摘要要】在高铁轨道巡检的未知复杂环境下,高铁移动机器人的定位自身位置和姿态是其自主导航的核心技术。通过一种改进粒子算法对传统粒子分布进行优化,改进算法不舍弃低权重粒子,在重采样环节中,有效解决了粒子匮乏的问题。实验仿真结果说明优化粒子滤波算法可以提高粒子多样性,同时解决粒子退化和贫化问题,对研究高铁巡检移动机器人的跟踪定位姿态信息研究具有一定的理论基础和借鉴价值。【关关键键词词】粒粒子子滤滤波波;移移动动机机器器人人;重重采采样样;机机器器人人;自自主主导导航航【中中图图分分类类号号】TP242 【文文献献标标识识码码】A 【文文章章编编号号】1009-5624(2023)07-0092-030 引言随着高新技术和人工智能的不断发展,移动机器人的同步 定 位 与 地 图 构 建(simultaneous localization andmapping,SLAM)成为自主移动机器人领域的重要研究方向和热点研究问题。移动机器人的 SLAM 是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(比如机房的墙角、车站的柱子、车站墙面等)定位自身位置和姿态,再根据位置增量式地构建地图,从而达到定位和地图构建的目的1。而机器人对于已知环境的定位位置和地图构建已有了一定的解决方法2。在很多复杂情况下移动机器人不能够利用全局定位系统进行自身定位来获取机器人工作环境的地图信息3。1 粒子滤波算法近年来发展迅速的粒子滤波主流采样集是通过系统概率密度函数的预测和更新,来进行近似非线性系统的贝叶斯估计,在处理线性、非线性、高斯、非高斯时变系统的参数和状态方面,其特有的优势被广泛应用在其他系统中,具有理论意义和现实价值,截至目前粒子滤波仍有许多亟待解决的问题。滤波原理是在时间序列信号上估计出信号的一种特征,经过滤波后所得到的信号信噪比更高。在实际工程应用滤波模型中,信号与噪声一般均为随机信号。通过采用信号和噪声之间的相关特性表示出一种可实现的滤波方法来对时间序列信号进行估计。根据信号的状态模型输入和信号状态输出进行划分将时间序列信号的滤波问题分为两种分别为线性滤波、非线性滤波。噪声类型进行分类,根据估计问题可以分为线性高斯估计和非高斯估计、非线性高斯估计和高斯估计。粒子滤波方法可以看作一个完整的状态后验分布表现,统计学上的均值、模、峭度、方差等数据容易计算得到。粒子滤波能处理任意非线性模型和任意噪声分布情况,蒙特卡洛法(Monte Carlo method)首次用于解决非线性滤波问题在粒子滤波过程中存在粒子权值退化、维度灾难、计算成本高等问题4。粒子滤波利用间隔重采样和粒子权值进行动态重采样方法,可以有效地解决粒子的退化问题,而解决过程中依赖观测方程会出现噪声较大,效果较差的问题。1.1 粒子滤波算法基本思想粒子滤波算法是指在状态空间传播中,随机寻找某些样本,利用这些样本来近似概率密度函数5,其主要是用样本均值代替积分运算过程来获得系统状态最小方差的估计,参与积分运算的所有样本被形象地形容为“粒子”。而蒙特卡洛方法是利用所有粒子集来表示概率,可以表示在很多状态空间模型上,通过从后验概率中随机抽到的粒子分布是顺序重要性采样法。粒子滤波基本思路是根据先验条件的概率密度函数在状态空间中生成一个粒子集合,将所有的粒子权重和加权均值代替积分运算6-8。通常情况下,粒子滤波算法主要是寻找一组在状态空间传播的随机样本对概率密度函数进行近似,以样本均值代替积分运算,最后得到最小方差分布,它适用于非线性系统的估计,对系统噪声没有限制9。粒子滤波算法实现过程可简单描述为:初始状态,大量粒子模拟计算各种参数值并在空间内均匀分布;预测阶段:通过状态转移方程得到一个预测粒子;校正阶段,对预测粒子进行综合评价,越接近真实状态的粒子,其权重越大;重采样阶段:系统对粒子权重进行筛选,筛选原则是既保留权重大的粒子又保留权重小的粒子,如图 1 所示。图 1 粒子权重进行筛选分布采用预测阶段,将重采样后的粒子重新在状态转移方程计算得到预测迭代时粒子位置的预测值。29信息记录材料 2023 年 7 月 第 24 卷第 7 期粒子滤波的算法主要实现步骤如下:第一步:初始化阶段,设置初始化迭代次数 t=0,粒子数目 N 以及各种参数值。根据先验概率 p(x0)产生初始粒子群 x(i)0,同时将所有粒子初始权重值设置 1/N。第二步:预测阶段,根据已知过程噪声中得到 N 个噪声粒子,利用状态转移方程来预测计算下一次迭代时的预测值,从而得到一个预测粒子。第三步:重要性采样,系统会对粒子权重进行筛选,其筛选原则是既要保留权重大的粒子又要保留权重小的粒子;设置迭代次数 t=t+1,从重要性密度函数 q(xit,i=1,2,N)中进行随机采样粒子群集,使用xitNi-t表示。第四步:计算各粒子的权重值,通过式(1)来计算粒子集中的所有粒子的权重值。wit=witp(zt/xit)q(xit/xit-1)(1)第五步:权值归一化,使用式(2)来进行权值归一化。w(i)t=wit/Ni=1wit(2)2 重采样的思路在传统粒子滤波算法中,解决粒子退化问题的方法是重采样技术。重采样的基本实现思想是多次复制大权重的粒子,舍弃小权重的粒子,然后把采样后的新粒子权重均设为相等10-11。在这种机制和有限的范围内选取样本,比较大权重的样本也许会被多次选择。采用重采样技术策略能够增加有效样本数量,降低无效数据样本。在传统粒子滤波算法中,如果选取先验分布作为密度函数,其样本分布与后验概率分布误差较大原因是两种情况导致的,第一是似然函数呈现明显尖峰,第二是状态转移概率密度分布出现明显偏离似然函数分布(产生的估计误差是最大的)。由于似然函数与先验分布的偏差较大,以致随着粒子滤波程序高速运行,算法的迭代次数不断增加,粒子权重估计误差凸显。虽然在计算机迭代计算中大部分的粒子权值越来越小,常常可以被忽略,但是这些粒子占用了大量的计算资源和运行资源,对估计后验概率密度起到的作用非常小甚至根本不起作用。重要性权重被分配到极少量的粒子上,降低了粒子的多样性。而最终估计的粒子集与真实的后验概率分布有较大的差异,其主要原因是粒子退化问题。在实际应用粒子采集过程中,p(x0:t z0:t)属于未知并且是多变的,首先从一个容易采样的参考分布 q(x0:tz0:t)中进行抽样,然后通过对抽样的粒子集进行加权求来进行估计系统的状态值,即:Egt(x0:t)=gt(x0:t)p(x0:t|z0:t)dx0:x=gt(x0:t)p(x0:t|z0:t)q(x0:t|z0:t)q(x0:t|z0:t)dx0:t(3)令 t(x0:t)=p(z0:t x0:t)p(x0:t)q(x0:t z0:t),则式(3)可表示:Egt(x0:t)=gt(x0:t)wt(x0:t)q(x0:t|z0:t)dx0:xwt(x0:t)q(x0:t|z0:t)dx0:x(4)按照式(4)可近似得到式(5):Egt(x0:t)=1NNi=1gx(x(i)0:t)t(x(i)0:t)1NNi=1t(x(i)0:t)(5)=Ni=1gt(x(i)0:t)t(x(i)0:t)其中 t(x(i)0:t)是 t(x(i)0:t)的归一化权值,x(i)0:t是由 q(x0:t|z0:t)采样获得的粒子。3 重采样仿真与实验为了验 证 上 述 重 采 样 算 法 的 效 果,本 实 验 使 用Matlab2016b 完成程序编写和数值实验来验证,电脑硬件环境是 GPU 的 NVIDIA GeForce GTX 1650Ti、CUDA 版本 10.1。首先构造系统的状态模型和观测模型:设系统的状态初始值 x0=0.1,初始分布 p(x0)N(0,2)。观测每个时刻的采样粒子数 N=500,如图 2 所示。图 2 粒子采样点数观测时间内,系统状态值和观测值如图 3 所示。状态模型:x(k)=f(x(k-1),k)+w(k-1);观测方程:z(k)=x(k)250+v(1,1);f(x(k-1),k)=1.5x(k-1)+4.5x(k-1)/(1+x(k-1)2)+5cos(2.8k)+w(k-1,1);过程噪声 w(k),观测噪声 v(k)均值为 0,方差分别是 Q(k)=10,R(k)=1的高斯噪声。4 结论综上所述,在高铁轨道巡检任务繁重和巡检环境复杂的情况下,准确获取高铁移动机器人的定位自身位置和姿态是目前主要研究方向之一,本文提出了一种利用改进的39信息记录材料 2023 年 7 月 第 24 卷第 7 期图 3 观测时间内系统状态值和观测值结果粒子滤波算法对高铁移动机器人进行目标跟踪的仿真技术。仿真结果表明,本文的改进粒子滤波算法有较好的性能,能有效解决粒子匮乏的问题,丰富和完善了粒子滤波算法的应用体系,对高铁移动机器人的跟踪定位研究,对状态估计的应用范围,具有一定的理论参考依据,同时对移动机器人方位估计问题具有一定的借鉴应用价值。【参考文献】1 王玘.结合语义的室内 RGB-D 相机定位与重建D.武汉:华中科技大学,2019.2 崔树燕.移动机器人在未知环境中基于视觉系统的同时定位与制图D.哈尔滨:哈尔滨工业大学,2009.3 陈花.两类在线算法问题的研究D.兰州:兰州理工大学,2009.4 周德运,刘斌,苏茜.基于“新息误差”的粒子流滤波算法J.计算机应用,2020,40(11):3127-3132.5 张凌晓,刘克成,杨新锋,等.基于改进的粒子滤波非线性约束优化算法J.计算机应用研究,2014,31(11):3266-3268,3272.6 OUYANG C,LI C,JI H.Improved multi-target multi-Bernoullifilter J.IET Radar Sonar Navig,2012,6(6):458-464.7 刘红庆,刘燕,伍俊良.基于高斯 Monte Carlo 粒子滤波的机动目标跟踪算法J.控制工程,2018,25(9):1754-1759.8 李伟.智能环境下基于音频视频特征融合的多说话人跟踪研究D.兰州:兰州理工大学,2012.9 李国新.基于分布式粒子滤波的无线传感器网络目标跟踪算法研究D.西安:长安大学,2013.10 李永平,王延江,齐玉娟.基于多智能体协同进化的粒子滤波目标跟踪算法J.模式识别与人工智能,2011,24(1):57-63.11 孟祥元.一种改进粒子滤波目标跟踪算法研究J.宿州学院学报,2022,37(9):12-15.基金项目:2021 年广州市基础研究计划基础与应用基础研究项目:动态场景下基于重采样优化粒子滤波算法及其在高铁移动机器人的应用(202102080153);2022 年度广州市高等教育教学质量与教学改革工程计算机应用技术专业群:“双师型”教师培养培训基地(2022SSPRJD004);2022 年广东省科技创新战略专项资金(大学生科技创新培育项目)(pdjh2022a0954)。作者简介:江跃龙(1984),男,广东广州,硕士,研究方向:人工智能领域、智能信息系统、机器学习、机器视觉。49