几何尺寸与公差论坛------致力于产品几何量公差标准GD&T (GDT:ASME)|New GPS(ISO)研究/CAD设计/CAM加工/CMM测量 - 查看单个帖子

1. 参考书籍
非数值并行算法(第一册) 模拟退火算法

2. 论文

浙江大学学报（工学版）
JOURNAL OF ZHEJIANG UNIVERSITY (ENGINEERING SCIENCE)
2007 Vol.41 No.41 P.1083-1087

基于MCMC粒子滤波的机器人定位

Robot localization based on MCMC particle filter

许士芳，谢立，刘济林

摘要：针对基于传统粒子滤波的机器人定位方法存在粒子退化的问题，提出了基于马尔科夫蒙特卡罗（MCMC）粒子滤波的机器人定位方法.将传统的粒子滤波算法与典型的 MCMC方法——Metropolis Hastings (MH)抽样算法有机结合，并应用于机器人定位研究中.试验结果表明，MCMC方法可以有效抑制粒子退化问题.与基于传统粒子滤波的机器人定位方法相比，该方法降低了定位误差均值和定位误差最大值，取得了更高的定位精度，有效地解决了机器人定位这一非线性非高斯状态估计问题.

关键词：马尔科夫蒙特卡罗方法；粒子滤波；机器人定位；Metropolis Hastings抽样；粒子退化

中图分类号： TP242 文献标识码： A 文章编号： 1008-973X(2007)07-1083-05

基金项目：国家自然科学基金重点资助项目（60534070）；浙江省重点国际科技合作资助项目（2005C14008）.

.作者简介：许士芳（1982－），女，山东德州人，博士生，主要从事机器人定位、视频编解码、图像处理等方面的研究.E-mail: shifang_xu@yahoo.com.cn
通讯联系人：刘济林，男，教授，博导. E-mail: liujl@zju.edu.cn

作者单位：许士芳，谢立，刘济林（浙江大学信息科学与工程学院，浙江杭州 310027）

参考文献(References)：

［1］THRN S, FOX D, BURGARD W, et al. Robust Monte Carlo localization for mobile robots［J］. Artificial Intelligence, 2001, 128(1/2): 99-114.
［2］DOUCET A, FREITAS N, GORDON N. Sequential Monte Carlo methods in practice［M］. New York: Springer, 2001.
［3］DOUCET A, GODSILL S, ANDRIEU C. On sequential Monte Carlo sampling methods for Bayesian filtering［J］. State Compute, 2000, 10(3): 197-208.
［4］FOX D. KLD sampling: adaptive particle filters［J］. International Journal of Robotics Research, 2003, 22 (12): 985-1003.
［5］KWOK C, FOX D, MEILA M. Adaptive real-time particle filters for robot localization［C］∥Proceedings of IEEE International Conference on Robotics and Automation. Taipei, China: IEEE, 2003: 2836-2841.
［6］REKLEITIS I M. Cooperative localization and multirobot exploration［D］. Montreal, Canada: McGill University, 2003.
［7］DEREK K. Range only robot localization and SLAM with radio［D]. Pittsburgh: Carnegie Mellon University, 2004.
［8］VAN DER MERWE R, DOUCET A, DE FREITAS N, et al. The unscented particle filter［R]. Cambridge, UK: Cambridge University, 2000.
［9］ANDRIEU C, FREITAS N, DOUCET A. Sequential MCMC for Bayesian model selection［C］∥IEEE Higher Order Statistics Workshop. Ceasarea, Israel: IEEE, 1999: 130-134.
［10］GILKS W R, BERZUINI C. Monte Carlo inference for dynamic Bayesian models［C］∥Medical Research Council. Cambridge, UK: [s.n.], 1998.
［11］GORDON N J, SALOMND D J, SMITH A F M. Novel approach to nonlinear and non-Gaussian Bayesian state estimation［J］. IEEE Proceedings on Radar and Signal Processing, 1993, 140(2):107-113.
［12］KITAGAWA G. Monte Carlo filter and smoother for nonGaussian nonlinear state space models［J］. [WTHZ]Journal of Computational and Graphical Statistics, 1996,5(1):1-25.
［13］[ZK(]LIU J S, CHEN R. Sequential Monte Carlo methods for dynamic systems［J］. Journal of the American Statistical Association, 1998, 93(443):1032-1044.

2008-11-19, 12:22 AM	#1
huangyhg 超级版主注册日期: 04-03 帖子: 18592 精华: 36 现金: 249466 标准币资产: 1080358888 标准币	模拟退火算法 1. 参考书籍非数值并行算法(第一册) 模拟退火算法 2. 论文浙江大学学报（工学版） JOURNAL OF ZHEJIANG UNIVERSITY (ENGINEERING SCIENCE) 2007 Vol.41 No.41 P.1083-1087 　基于MCMC粒子滤波的机器人定位 Robot localization based on MCMC particle filter 许士芳，谢立，刘济林摘要：针对基于传统粒子滤波的机器人定位方法存在粒子退化的问题，提出了基于马尔科夫蒙特卡罗（MCMC）粒子滤波的机器人定位方法.将传统的粒子滤波算法与典型的 MCMC方法——Metropolis Hastings (MH)抽样算法有机结合，并应用于机器人定位研究中.试验结果表明，MCMC方法可以有效抑制粒子退化问题.与基于传统粒子滤波的机器人定位方法相比，该方法降低了定位误差均值和定位误差最大值，取得了更高的定位精度，有效地解决了机器人定位这一非线性非高斯状态估计问题. 关键词：马尔科夫蒙特卡罗方法；粒子滤波；机器人定位；Metropolis Hastings抽样；粒子退化中图分类号： TP242 文献标识码： A 文章编号： 1008-973X(2007)07-1083-05 基金项目：国家自然科学基金重点资助项目（60534070）；浙江省重点国际科技合作资助项目（2005C14008）. .作者简介：许士芳（1982－），女，山东德州人，博士生，主要从事机器人定位、视频编解码、图像处理等方面的研究.E-mail: shifang_xu@yahoo.com.cn 通讯联系人：刘济林，男，教授，博导. E-mail: liujl@zju.edu.cn 作者单位：许士芳，谢立，刘济林（浙江大学信息科学与工程学院，浙江杭州 310027）参考文献(References)：［1］THRN S, FOX D, BURGARD W, et al. Robust Monte Carlo localization for mobile robots［J］. Artificial Intelligence, 2001, 128(1/2): 99-114. ［2］DOUCET A, FREITAS N, GORDON N. Sequential Monte Carlo methods in practice［M］. New York: Springer, 2001. ［3］DOUCET A, GODSILL S, ANDRIEU C. On sequential Monte Carlo sampling methods for Bayesian filtering［J］. State Compute, 2000, 10(3): 197-208. ［4］FOX D. KLD sampling: adaptive particle filters［J］. International Journal of Robotics Research, 2003, 22 (12): 985-1003. ［5］KWOK C, FOX D, MEILA M. Adaptive real-time particle filters for robot localization［C］∥Proceedings of IEEE International Conference on Robotics and Automation. Taipei, China: IEEE, 2003: 2836-2841. ［6］REKLEITIS I M. Cooperative localization and multirobot exploration［D］. Montreal, Canada: McGill University, 2003. ［7］DEREK K. Range only robot localization and SLAM with radio［D]. Pittsburgh: Carnegie Mellon University, 2004. ［8］VAN DER MERWE R, DOUCET A, DE FREITAS N, et al. The unscented particle filter［R]. Cambridge, UK: Cambridge University, 2000. ［9］ANDRIEU C, FREITAS N, DOUCET A. Sequential MCMC for Bayesian model selection［C］∥IEEE Higher Order Statistics Workshop. Ceasarea, Israel: IEEE, 1999: 130-134. ［10］GILKS W R, BERZUINI C. Monte Carlo inference for dynamic Bayesian models［C］∥Medical Research Council. Cambridge, UK: [s.n.], 1998. ［11］GORDON N J, SALOMND D J, SMITH A F M. Novel approach to nonlinear and non-Gaussian Bayesian state estimation［J］. IEEE Proceedings on Radar and Signal Processing, 1993, 140(2):107-113. ［12］KITAGAWA G. Monte Carlo filter and smoother for nonGaussian nonlinear state space models［J］. [WTHZ]Journal of Computational and Graphical Statistics, 1996,5(1):1-25. ［13］[ZK(]LIU J S, CHEN R. Sequential Monte Carlo methods for dynamic systems［J］. Journal of the American Statistical Association, 1998, 93(443):1032-1044. __________________ 借用达朗贝尔的名言：前进吧，你会得到信心! [url="http://www.dimcax.com"]几何尺寸与公差标准[/url]