基于Akaike信息标准的扩展维度嵌入式CKF-SLAM的调查
Hanghang Xu1, Yijin Chen1, Wenhui Song1
1College of Geoscience and Surveying Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
本研究介绍了一种用于同时定位和映射 (SLAM) 的新算法,该算法可以提高实时性能和准确性. 增强方法解决了复杂环境中的计算成本和不稳定性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 国家估计.
背景情况:
- 同时定位和映射 (SLAM) 系统面临着高计算成本,低准确度和不稳定的挑战,特别是在实时应用中.
- 增加状态空间尺寸加剧了标准立方卡尔曼波器 (CKF) 的过错误和不稳定性.
研究的目的:
- 提出一种先进的SLAM算法,即基于截断的单数值分解 (TSVD-AECKF) 的扩展维度嵌入式CKF,以克服现有方法的局限性.
- 提高SLAM系统中状态估计的准确性,效率和稳定性.
主要方法:
- 实现截断的单项值分解 (TSVD) 来解决状态共变矩阵的非正确性,并稳定估计.
- 使用Akaike信息标准 (AIC) 来确定单一价值截断值,提高了稳定性.
- 将嵌入式系统噪声嵌入到状态变量中,具有嵌入体积标准,以增强传统的CKF并扩展维度.
主要成果:
- TSVD-AECKF算法有效地减轻了随着状态空间维度的增加而导致本地化错误的增加.
- 与标准CKF相比,时间效率提高了55.54%,精度提高了35.13%.
- 通过模拟和现实世界的实验验证,显示增强的稳定性和映射稳定性.
结论:
- 拟议的TSVD-AECKF算法为SLAM技术提供了显著的进步.
- 它为机器人和自主系统的实时状态估计提供了更稳定,更准确,更有效的计算解决方案.
更多相关视频
11:27A Guide to Production, Crystallization, and Structure Determination of Human IKK1/α
Published on: November 2, 2018
9.1K
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
10.1K
