论文部分内容阅读
提出一种基于粒子滤波器的机器人定位算法．首先利用一并行扩展卡尔曼滤波器作为粒子预测分布，将当前观测的部分信息融入，以改善滤波效果，减小所需粒子数；然后提出变密度函数边界的马尔可夫链蒙特卡洛（Markov chain Monte Carlo，MCMC）重采样方法，以提高粒子的细化能力；最后结合普通重采样方法，提出一种改进的MCMC重采样的机器人定位算法，减少粒子匮乏效应的同时，提高了定位精度．实验结果表明，该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高．