Robust Global Localization Using Clustered Particle Filtering
全局移动机器人定位是指当机器人的起始位置未知时，利用传感器数据确定机器人在环境中的位姿。被称为蒙特卡罗定位（MCL）的概率算法家族是目前解决该问题的最流行的方法之一。MCL算法表示一个机器人的信念由一组加权样本，其中近似的后验概率的机器人位于使用贝叶斯公式的定位问题。本文提出了一种扩展的MCL算法，它解决了它的问题时，定位在高度对称的环境中，MCL的情况下，往往无法正确地跟踪同样可能的姿势的机器人。这个问题产生于这样一个事实，即MCL中的样本集往往变得贫困，当样本是根据其后验似然生成的。我们的方法结合了样本聚类的思想，并考虑到这些聚类的概率质量修改了提案分布。实验结果表明，这种新的扩展MCL算法成功地定位在对称环境中，普通MCL往往失败。
2002-04-21 cs.AI cs.RO
Precise localization relative to 3D Automated Driving map using the Decentralized Kalman filter with Feedback
Robert Bosch GmbH（罗伯特·博世有限公司）；Intel Corporation（英特尔公司）；TWT Gmbh（TWT有限公司）
提出了一种新的面向3D地图的高精度自动驾驶定位方法。AD地图不一定是平面的。因此，定位的问题在3D中得到了解决。车辆的运动被建模为分段规划，但与垂直曲率，这是近似的回旋曲线。定位问题的解决分散卡尔曼滤波器与反馈（DKFF）通过融合所有可用的信息。将里程计、视觉里程计、GPS、不同传感器和单摄像机输入融合在一起，以获得相对于地图的精确定位。由于线-点的几何对偶性，地图上的折线和地标以相同的方式处理。在强跟踪方法中，积累了一组弱滤波器，从而得到精确的定位结果。
2019-07-25 cs.RO
NuRF: Nudging the Particle Filter in Radiance Fields for Robot Visual Localization
Hong Kong University of Science and Technology（香港科技大学）
NuRF结合辐射场新视图与粒子滤波，实现单目视觉下的6自由度机器人定位，收敛速度比现有方法快7倍，精度在1米内。
2025-03-26 cs.RO
An Evaluation of Bayesian Methods for Bathymetry-based Localization of Autonomous Underwater Robots
Minnesota Robotics Institute（明尼苏达机器人研究所）；University of Minnesota–Twin Cities（明尼苏达大学双城分校）
本文提出了一种评估的概率算法定位的自主水下航行器（AUV）使用测深数据。该算法基于贝叶斯滤波器的原理，通过融合水深测量信息与来自AUV的深度和高度数据来工作。四种不同的基于贝叶斯滤波器的算法被用来设计定位算法：扩展卡尔曼滤波器（EKF），无迹卡尔曼滤波器（UKF），粒子滤波器（PF），和边际化粒子滤波器（MPF）。我们评估这四个贝叶斯水深为基础的AUV定位方法在可变条件下的性能和可用的计算资源。定位算法克服了水下域的独特挑战，包括视觉失真和射频（RF）信号衰减，这往往使基于地标的定位不可行。对实际水深数据的评估结果表明，各种算法在各种条件下的有效性，与MPF是最准确的。
2019-10-11 cs.RO
Confidence-rich Localization and Mapping based on Particle Filter for Robotic Exploration
Zhejiang University（浙江大学）；Xi’an Jiaotong University（西安交通大学）
本文主要研究了距离感知机器人在置信度丰富地图（CRM）中的定位和映射问题，并对其进行了扩展，为信息论探索提供了完整的状态估计。以往的主动式同时定位与地图构建和探测的研究大多假设机器人的位姿是已知的，或者利用不准确的信息度量来近似位姿的不确定性，从而导致在未知环境中探测性能和效率的不平衡。这启发了我们扩展具有可测量姿态不确定性的富置信互信息（CRMI）。具体来说，我们提出了一种基于Rao-Blackwellized粒子滤波器的CRM定位和映射方案（RBPF-CLAM），然后我们开发了一种新的封闭形式的加权方法，以提高定位精度没有扫描匹配。我们进一步推导出不确定CRMI（UCRMI）与加权粒子通过更精确的近似。仿真和实验结果表明，所提出的方法的定位精度和勘探性能。
2022-07-26 cs.RO
Robust GNSS Denied Localization for UAV Using Particle Filter and Visual Odometry
Vilnius University（维尔纽斯大学）
常规自主式无人机（简称无人机）无人机（UAV）自动驾驶系统使用全球导航卫星系统（缩写为GPS）。GNSS）信号用于导航。然而，自动驾驶仪系统由于丢失或干扰GNSS信号而无法导航。为了解决这个问题，使用来自其他传感器（例如光学传感器）的信息。单目同时定位与地图构建算法在过去几年中得到了发展，并达到了最先进的精度。此外，地图匹配定位方法用于UAV相对于来自静态地图（例如Google地图）的图像的定位。不幸的是，这些算法的准确性和鲁棒性非常依赖于最新的地图。本研究的目的是使用安装在自主飞行器上的面向下的光学相机来提高基于地图相对粒子滤波的定位的准确性和鲁棒性。研究了图像相似性对似然转换函数的影响，并对粒子滤波定位算法进行了仿真。提出了两种参数化图像相似性到似然转换函数（logistic和校正）。模拟航空影像的数据集用于实验。实验结果表明，使用逻辑函数的粒子滤波定位算法能够超过最先进的ORB-SLAM 2算法的精度的2.6倍。该算法被证明是能够使用最新的地图导航更准确，平均精度下降30%，使用过时的地图。
2019-10-26 cs.RO
Particle Filter Networks with Application to Visual Localization
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）
粒子滤波是一种功能强大的方法，顺序状态估计，并发现在许多领域的应用，包括机器人定位，对象跟踪，在实践中应用粒子滤波等，一个关键的挑战是构建概率系统模型，特别是对于系统具有复杂的动态或丰富的感官输入，如摄像机图像。本文介绍了粒子滤波网络（PFnet），它编码的系统模型和粒子滤波算法在一个单一的神经网络。PF网络是完全可区分的，并从数据中进行端到端的训练。它不是学习通用系统模型，而是学习针对粒子滤波算法优化的模型。我们将PF-网应用于视觉定位任务，其中机器人必须在丰富的3-D世界中进行定位，仅使用示意性的2-D楼层地图。在仿真实验中，PF网络在各种传感器输入下的性能始终优于其他学习架构以及传统的基于模型的方法。此外，PF-net可以很好地推广到新的、看不见的环境。
2018-10-25 cs.AI cs.CV cs.LG
Scan-Matching based Particle Filtering approach for LIDAR-only Localization
University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本文论述了自主车辆的定位方法的发展，只使用一个$3\Dim$激光雷达传感器。在本文的上下文中，在环境的已知3D全局地图中定位车辆本质上是在该地图内找到其全局$3\Dim$姿态（位置和方向）。跟踪的问题则是使用顺序LIDAR扫描测量来估计除了车辆的全局姿态之外的其他状态，诸如速度和角速率。粒子滤波器通常用于定位和跟踪，如在同时定位和映射的应用中。但是，随着粒子的增加，粒子滤波器在计算上变得非常困难，通常需要在大的$3\Dim$贴图中进行定位。此外，计算每个粒子的LIDAR扫描的可能性本身是计算上昂贵的任务，因此限制了可以用于实时的性能的粒子的数量。为此，我们提出了一种混合的方法，结合了粒子滤波器的优点与全局-局部扫描匹配方法，以更好地通知粒子滤波器的重采样阶段。此外，我们建议使用预先计算的似然网格来加速LIDAR扫描的计算。最后，我们开发了完整的算法，广泛利用并行处理，以实现近足够的实时性能公开可用的KITTI数据集。
2023-02-14 cs.RO
Toward Consistent and Efficient Map-based Visual-inertial Localization: Theory Framework and Filter Design
Zhejiang University（浙江大学）；University of Technology Sydney（悉尼科技大学）
针对基于地图的视觉-惯性定位问题，设计了一种一致的、高效的滤波器。首先，我们提出了一个新的李群及其代数，在此基础上设计了一种新的不变扩展卡尔曼滤波器（不变EKF）。我们从理论上证明，当我们不考虑地图信息的不确定性，建议不变EKF可以自然地保持正确的可观性的系统的属性。为了考虑地图信息的不确定性，我们引入了施密特滤波器。利用施密特滤波器，可以考虑地图信息的不确定性以避免过度自信的估计，而计算成本仅随地图关键帧的大小线性增加。此外，我们引入了一个易于实现的可观性约束技术，因为直接结合不变的EKF与施密特滤波器不能保持正确的可观性属性的系统，考虑地图信息的不确定性。最后，我们通过大量的模拟和真实世界的实验验证了我们提出的系统的高一致性，准确性和效率。
2022-04-26 cs.RO
Active Particle Filter Networks: Efficient Active Localization in Continuous Action Spaces and Large Maps
University of Freiburg（弗莱堡大学）
精确定位是大多数机器人任务的关键要求。现有的工作的主体集中在被动定位，其中的机器人的运动被假定给定的，抽象的采样信息的意见，从他们的影响。虽然最近的工作已经显示出学习运动以消除机器人姿势的歧义的好处，但这些方法仅限于颗粒离散动作，并且直接取决于全局地图的大小。我们提出了主动粒子滤波网络（APFN），这种方法只依赖于本地信息的可能性评估以及决策。为此，我们将可微粒子滤波器与强化学习代理相结合，该代理负责地图中最相关的部分。由此产生的方法继承了粒子滤波器的计算优势，可以直接作用于连续的动作空间，同时保持完全可微，从而端到端的优化以及对输入模态不可知。我们展示了我们的方法的好处，在逼真的室内环境中建立从现实世界的3D扫描公寓广泛的实验。视频和代码可在http://apfn.cs.uni-freiburg.de上获得。
2022-10-14 cs.RO
Night-Rider: Nocturnal Vision-aided Localization in Streetlight Maps Using Invariant Extended Kalman Filtering
State Key Laboratory of Internet of Things for Smart City（智慧城市物联网国家重点实验室）；Faculty of Science and Technology, University of Macau（澳门大学科技学院）
针对夜间视觉信息不足导致的移动机器人定位难题，本文提出 Night-Rider 系统，利用路灯地图、目标检测关联匹配和 InEKF 融合 IMU、里程计与相机信息，并在四类夜间场景中实现低于 0.2% 轨迹长度相对误差的鲁棒定位。
2024-03-03 cs.RO
Relative ultra-wideband based localization of multi-robot systems with kinematic extended Kalman filter
Université de Sherbrooke（舍布鲁克大学）
定位在分布式群体机器人领域中起着至关重要的作用。以前的工作已经强调了在多机器人系统中位置跟踪的相对定位的潜力。超宽带（UWB）技术提供了一个很好的估计机器人之间的相对位置，但受到一些限制。本文提出了改进的相对定位功能，在我们以前的工作，这是基于UWB技术。我们的新方法合并UWB遥测和运动学模型到一个扩展的卡尔曼滤波器，以正确地跟踪机器人的相对位置。我们进行了仿真，并验证了所提出的方法在相对距离和角度精度的改进。进行了额外的分析，以观察当机器人共享其控制输入时性能的提高。
2023-03-20 cs.RO eess.SP
Mobile Robot Localization Using Fuzzy Neural Network Based Extended Kalman Filter
University of Engineering and Technology, Vietnam National University, Hanoi（越南河内国家大学工程技术大学）
针对移动机器人定位问题，提出了一种改进扩展卡尔曼滤波器（EKF）性能的新方法。采用模糊逻辑系统连续调整滤波器的噪声协方差矩阵。实现了一个神经网络来调节模糊规则的前件和后件部分的隶属函数。其目的是在噪声协方差矩阵固定或错误确定的情况下，提高EKF的精度，避免EKF发散。进行了仿真和实验。结果表明，该滤波器在定位移动机器人方面优于EKF。
2021-05-06 cs.RO cs.SY eess.SY
Memory Unscented Particle Filter for 6-DOF Tactile Localization
University of Genova（热那亚大学）
针对六自由度触觉定位中的多模态和实时性挑战，本文提出记忆无迹粒子滤波器（MUPF），通过融合带历史记忆的改进粒子滤波与无迹卡尔曼滤波，在少量粒子下实现了实时、准确的位姿估计。
2016-11-10 cs.RO
Why semantics matters: A deep study on semantic particle-filtering localization in a LiDAR semantic pole-map
University of Macau（澳门大学）
提出基于 mask-range transformer 的多层语义 pole-map 及语义粒子滤波定位方案，利用杆状结构语义提升自动驾驶车辆在不确定性下的定位精度。
2023-05-23 cs.CV cs.RO
Localization Through Particle Filter Powered Neural Network Estimated Monocular Camera Poses
University of Michigan（密歇根大学）；Northeastern University, Shenyang（东北大学（沈阳））；University of Pennsylvania（宾夕法尼亚大学）；Columbia University（哥伦比亚大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出利用粒子滤波器传播SE(3)均匀分布来改进基于CNN的单目相机位姿估计，显著提升了轨迹平移分量的准确性和平滑性。
2024-04-26 cs.RO
Reliable GNSS Localization Against Multiple Faults Using a Particle Filter Framework
Stanford University（斯坦福大学）
为了在城市道路上可靠地操作，使用全球导航卫星系统（GNSS）的导航需要从GNSS伪距测量准确地估计定位细节以及确定何时所估计的位置可安全使用或可用。然而，由于来自附近建筑物的信号反射和阻挡，城市环境中的多个GNSS测量包含偏差或故障，这对于估计位置和可用性是难以减轻的。本文提出了一种新的基于粒子滤波器的框架，采用高斯混合模型（GMM）的GNSS测量的可能性，鲁棒地估计多个测量故障下的导航车辆的位置。使用由过滤器和设计的GMM似然跟踪的概率分布，我们测量的精度和风险与本地化和确定在每个时刻的导航系统的可用性。通过具有挑战性的模拟和真实的城市驾驶场景进行的实验，我们表明，我们的方法实现小的水平定位误差相比，现有的基于滤波器的状态估计技术时，多个GNSS测量包含故障。此外，我们使用几个模拟验证，我们的方法确定系统的可用性与更小的概率的误报和完整性风险比现有的基于粒子滤波器的完整性监测方法。
2021-10-24 cs.RO
Nonlinear Filter for Simultaneous Localization and Mapping on a Matrix Lie Group using IMU and Feature Measurements
Thompson Rivers University（汤普森河大学）；The Hong Kong Polytechnic University（香港理工大学）
同时定位与地图构建（SLAM）是一种同时估计车辆相对于参考系的姿态和特征位置的过程。本文提出了一种计算成本低的几何非线性SLAM滤波器算法，构造成模仿真正的SLAM问题的非线性运动动力学上的矩阵李群的$\mathbb{SLAM}_{n}\left(3\right)$。流形上的非线性滤波器是以连续形式提出的，它利用了从群速度矢量，特征测量和惯性测量单元（IMU）获得的可用测量。所提出的估计器成功地处理了速度测量的未知偏差。仿真结果表明，所提出的滤波器的鲁棒性在离散形式证明其效用的六度的自由度（6 DoF）的姿态估计以及在三维（3D）空间中的特征估计。此外，四元数表示的非线性滤波器的SLAM。保留字：同时定位与地图构建，SLAM的非线性观测器算法，惯性测量组合，惯性视觉系统，位姿，位置，姿态，地标，估计，IMU，SE（3），SO（3），无人机，刚体，噪声，SLAM的非线性观测器，高斯滤波，卡尔曼滤波，导航。
2022-03-16 cs.RO cs.SY eess.SY
Learning Bayes Filter Models for Tactile Localization
Khoury College of Computer Sciences, Northeastern University（东北大学库利计算机科学学院）
机器人手爪位姿的定位和跟踪是完成机械手操作任务的必要技能。然而，不精确的运动学模型（如低成本的手臂）或机械手与未知的世界坐标（如穷人相机臂校准）的机械手不能相对于世界定位夹持器。在这种情况下，我们可以利用抓手和环境之间的触觉反馈。在本文中，我们提出了可学习的贝叶斯滤波器模型，可以使用触觉反馈定位机器人抓手。我们提出了一种新的观察模型，条件的触觉反馈的视觉地图的环境，以及一个运动模型，递归地估计夹具的位置。我们的模型在具有自我监督的模拟中进行训练，并转移到现实世界中。我们的方法进行评估，在桌面上的定位任务，其中夹持器与物体相互作用。我们报告的结果在模拟和一个真正的机器人，概括了不同的大小，形状和配置的对象。
2020-11-11 cs.RO
Robust 3D Localization and Tracking of Sound Sources Using Beamforming and Particle Filtering
CSIRO ICT Centre（澳大利亚联邦科学与工业研究组织信息与通信技术中心）；Université de Sherbrooke（谢布鲁克大学）
在本文中，我们提出了一种新的强大的声源定位和跟踪方法，使用一个阵列的八个麦克风（美国专利申请中）。该方法使用一个转向波束形成器的基础上的可靠性加权相位变换（RWPHAT），以及基于粒子滤波器的跟踪算法。所提出的系统是能够估计的方向和源的距离。在视频会议环境中，方向估计的精度优于一度，而距离的精度在10% RMS内。跟踪多达三个同时移动的扬声器证明在嘈杂的环境中。
2016-02-27 cs.RO cs.SD
Source localization using particle filtering on FPGA for robotic navigation with imprecise binary measurement
Indian Institute of Science（印度科学研究所）；Western Sydney University（西悉尼大学）
粒子滤波是一种递归贝叶斯估计技术，最近在跟踪和定位应用中得到了普及。它使用蒙特卡罗模拟，并已被证明是一种非常可靠的技术来模拟物理系统的非高斯和非线性元素。粒子滤波器由于其非分析和非参数性质而在非高斯和非线性设置中优于各种其他传统滤波器，如卡尔曼滤波器。然而，粒子滤波器的显著缺点是它们的计算复杂性，这抑制了它们在基于常规CPU或DSP的实现方案的实时应用中的使用。本文对现有的粒子滤波算法进行了改进，提出了一种高速专用的硬件结构。该体系结构采用流水线和并行化的设计，以减少执行时间显着。该设计验证的源定位问题，其中我们估计的位置，在实时使用粒子滤波算法实现的硬件上的源。验证设置依赖于顶部带有光电二极管外壳的无人地面车辆（UGV）来感测和定位光源。我们已经原型的设计使用Artix-7现场可编程门阵列（FPGA），和资源利用率为拟议的系统。此外，我们展示了高速架构的执行时间和估计精度，并观察到计算时间的显着减少。我们在FPGA上实现的粒子滤波器是可扩展的和模块化的，处理1024个粒子的执行时间约为5.62 us，可以部署用于实时应用。
2020-10-22 cs.RO eess.SP
A Recurrent Neural Network Enhanced Unscented Kalman Filter for Human Motion Prediction
University at Buffalo（纽约州立大学布法罗分校）；University of Florida（佛罗里达大学）；Texas A&M University（德克萨斯农工大学）
本文提出将人体手臂动力学模型与循环神经网络结合，通过RNN预测肌肉力和替代测量数据，并利用量化不确定性动态调整无迹卡尔曼滤波器，从而提高制造场景下人体运动预测的准确性和鲁棒性。
2024-02-20 cs.RO
Autonomous Robotic Radio Source Localization via a Novel Gaussian Mixture Filtering Approach
Faculty of Engineering and Applied Sciences（工程与应用科学学院）；Cranfield University（克兰菲尔德大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；Cho Chun Shik Graduate School of Mobility（Cho Chun Shik 移动研究生院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对未知环境下自主机器人无线电源定位的部分可观测与测量不确定问题，提出新型高斯混合滤波器，经数值基准与野外实验验证，其性能优于粒子滤波器，兼具低计算量与高鲁棒性。
2025-06-13 cs.RO eess.SP
KARNet: Kalman Filter Augmented Recurrent Neural Network for Learning World Models in Autonomous Driving Tasks
Georgia Institute of Technology（佐治亚理工学院）；Ford Motor Company（福特汽车公司）
提出KARNet，一种卡尔曼滤波增强循环神经网络架构，仅用前置摄像头图像学习交通流潜在表示，结合车辆物理先验知识显著提升了模仿与强化学习在自动驾驶任务中的性能。
2023-05-24 cs.LG cs.RO
LATITUDE: Robotic Global Localization with Truncated Dynamic Low-pass Filter in City-scale NeRF
Tsinghua University（清华大学）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学智能产业研究院（AIR））；Beijing Institute of Technology（北京理工大学）；The University of Hong Kong（香港大学）
神经辐射场（NeRFs）在以高分辨率细节和高效存储来表示复杂3D场景方面取得了巨大成功。然而，目前基于NeRF的姿态估计器没有初始姿态预测，并且在优化过程中容易陷入局部最优。在本文中，我们提出了LATITUDE：全球定位与截断动态低通滤波器，它引入了两个阶段的定位机制，在城市规模的NeRF。在位置识别阶段，我们训练一个回归器，通过从训练的NeRF生成的图像，这提供了一个初始值的全局定位。在姿态优化阶段，我们通过直接优化切平面上的姿态来最小化观察图像和渲染图像之间的残差。为了避免收敛到局部最优，我们引入了截断动态低通滤波器（TDLF）的粗到精姿态注册。我们评估我们的方法在合成和真实世界的数据，并显示其潜在的应用高精度导航在大规模的城市场景。代码和数据将在https://github.com/jike5/LATITUDE上公开。
2023-02-27 cs.CV cs.RO
Cooperative localization for mobile agents: a recursive decentralized algorithm based on Kalman filter decoupling
本文提出一种递归分布式协同定位算法，通过解耦卡尔曼滤波实现分布式状态估计，提升移动代理的定位精度与效率。
2015-10-05 cs.RO cs.SY eess.SY
Vision-based Multi-MAV Localization with Anonymous Relative Measurements Using Coupled Probabilistic Data Association Filter
University of Pennsylvania（宾夕法尼亚大学）；Autel Robotics（道通智能航空技术有限公司）
我们解决了机器人在多MAV系统中的定位问题，其中外部基础设施如GPS或运动捕捉系统可能不可用。我们的方法适用于在大小，重量和功率（SWaP）有几个限制的平台上实现。特别是，我们的框架将板载VIO与匿名的基于视觉的机器人对机器人检测融合在一起，以在一个公共帧中估计所有机器人姿势，解决了三个主要挑战：1）机器人团队的初始配置是未知的，2）每个基于视觉的检测和机器人目标之间的数据关联是未知的，以及3）基于视觉的检测产生假阴性、假阳性、不准确，并提供其他机器人的有噪声的方位、距离测量。我们的方法扩展了耦合概率数据关联滤波器（CPOAF）[1]，以处理非线性测量。我们证明了我们的方法优于一个简单的VIO为基础的方法在模拟与测量模型的统计建模使用真实的实验数据。我们还展示了如何板载传感，估计和控制可以用于编队飞行。
2020-02-21 cs.RO
Vehicular Teamwork: Collaborative localization of Autonomous Vehicles
Texas A&M University（德州农工大学）
本研究提出基于扩展卡尔曼滤波的分布式协同定位算法，融合UWB车距测量提升GPS失效场景下的定位精度，经仿真与城市实验验证，在GPS拒止时较标准卡尔曼滤波精度最高提升83.3%，且降低车际通信需求。
2023-10-08 cs.RO
Error State Extended Kalman Filter Multi-Sensor Fusion for Unmanned Aerial Vehicle Localization in GPS and Magnetometer Denied Indoor Environments
University of Zagreb（萨格勒布大学）
本文讨论了无人机（UAV）室内导航的问题，特别是在GPS和磁力计传感器测量不可用或不可靠的地区。所提出的解决方案是在多传感器融合的背景下使用误差状态扩展卡尔曼滤波器（ES-EKF）。它的实施是适应融合测量从多个传感器源和状态模型扩展到考虑传感器漂移和可能的校准不准确。通过将从PixHawk 2.1飞行控制器获得的IMU数据与来自LiDAR Cartographer SLAM的姿态测量、英特尔T265相机提供的视觉里程计和来自Pozyx UWB室内定位系统的位置测量进行融合来进行实验验证。从ES-EKF的估计里程验证地面实况数据从Optitrack运动捕捉系统和它的使用在位置控制回路中，以稳定的无人机进行了演示。
2021-09-10 cs.RO
Split Covariance Intersection Filter Based Visual Localization With Accurate AprilTag Map For Warehouse Robot Navigation
Department of Automation, Shanghai Jiao Tong University（上海交通大学自动化系）；Université Paris-Saclay, ENS Paris-Saclay, CNRS, Centre Borelli（巴黎-萨克莱大学、巴黎-萨克莱高等学院、法国国家科学研究中心、Borelli中心）
针对仓库机器人导航，提出基于分裂协方差交叉滤波器的视觉定位系统，利用精确AprilTag地图融合测量与运动数据，有效处理非线性、时间相关性及异常值，并在真实环境中验证了其优势。
2025-08-14 cs.RO
MegaParticles: Range-based 6-DoF Monte Carlo Localization with GPU-Accelerated Stein Particle Filter
the National Institute of Advanced Industrial Science and Technology（日本国立先进工业科学技术研究院）
本文提出一种基于测距的 6-DoF 蒙特卡洛定位方法，采用 GPU 加速的 Stein 粒子滤波，结合基于 Gauss-Newton 的 SVGD 与迭代邻居粒子搜索，能在单 GPU 实时处理 100 万粒子，在无初始位姿和先验信息下实现鲁棒的位姿初始化、重定位及抗传感器遮挡。
2024-04-25 cs.RO
A Geometric Nonlinear Stochastic Filter for Simultaneous Localization and Mapping
Thompson Rivers University（汤普森河大学）
同时定位和映射（SLAM）是关键的机器人任务之一，因为它解决了由多个地标位置和未知姿态的定位（即，姿态和位置）。真正的SLAM问题是在$\mathbb{SLAM}_{n}\left(3\right)$的李群上建模的，并且其真正的动力学依赖于角速度和平移速度。本文提出了一种新的几何非线性随机估计算法的SLAM $\mathbb{SLAM}_{n}\left(3\right)$，精确地模仿真正的SLAM问题的非线性运动动力学。与现有的解决方案不同，建议的随机滤波器考虑到未知的恒定偏差和噪声附加到速度测量。提出的流形上的非线性随机估计器保证产生良好的结果，提供角速度，平移速度，地标，和惯性测量单元（IMU）的测量。仿真和实验结果反映了所提出的滤波器的能力，成功地估计六自由度（6 DoF）机器人的姿态和地标位置。保留字：同时定位和地图构建，SLAM的非线性随机观测器，随机微分方程，位姿估计器，位置，姿态，布朗运动过程，惯性测量单元，地标，特征，可伸缩性，SO（3），SE（3），SLAM。
2021-02-11 cs.RO cs.SY eess.SY
Comparison of Dynamic and Kinematic Model Driven Extended Kalman Filters (EKF) for the Localization of Autonomous Underwater Vehicles
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
自主水下航行器（AUV）和遥控潜水器（ROV）用于与勘探和科学研究有关的各种任务。这些系统的成功导航需要良好的定位系统。基于卡尔曼滤波器的定位技术自20世纪60年代初以来一直很流行，并且在开发和设计中使用它们进行了广泛的研究。已经发现，在卡尔曼滤波器中使用动态模型（而不是运动学模型）可以导致更准确的预测，因为动态模型考虑了作用在AUV上的力。提出了一种基于简化动力学模型的水下机器人运动预测扩展卡尔曼滤波器（EKF）。首先建立了水下机器人的动力学模型，然后对该模型进行了简化，该机器人是一种用于简单水下勘探、海底结构物、管道和沉船检测的潜水器。该滤波器在一个名为UUV模拟器的开源海洋车辆模拟器中用模拟车辆实现，并将结果与地面实况进行比较。结果表明，动态滤波器具有良好的预测精度，但在EKF可以实时使用之前需要改进。一些观点和讨论的实际实施，以显示这一概念所需的后续步骤。
2021-05-26 cs.RO cs.SY eess.SY
Robust Localization and Tracking of Simultaneous Moving Sound Sources Using Beamforming and Particle Filtering
CSIRO ICT Centre（澳大利亚联邦科学与工业研究组织信息与通信技术中心）；Université de Sherbrooke（舍布鲁克大学）
现实生活中的移动机器人将受益于能够定位和跟踪声源。这样的能力可以帮助定位环境中的人或感兴趣的事件，并且还为诸如语音识别的其他能力提供增强的处理。为了赋予机器人这种能力，挑战不仅是定位同步声源，而且要随着时间的推移跟踪它们。在本文中，我们提出了一个强大的声源定位和跟踪方法，使用八个麦克风阵列。该方法是基于一个频域实现的转向波束形成器以及基于粒子滤波器的跟踪算法。结果表明，移动机器人可以定位和跟踪实时多个不同类型的移动源在7米的范围内。这些新功能允许移动机器人使用更自然的方式与现实生活中的人进行交互。
2016-02-25 cs.RO cs.SD
SRH-Net: Stacked Recurrent Hourglass Network for Stereo Matching
Tianjin University（天津大学）；Technical University of Munich（慕尼黑工业大学）；Google Inc.（谷歌公司）
成本聚合策略在基于学习的立体匹配任务中发挥了至关重要的作用，其中3D卷积滤波器获得了最先进的技术，但需要密集的计算资源，而2D操作需要较少的GPU内存，但对域偏移敏感。在本文中，我们将3D卷积滤波器使用的4D立方成本体积解耦为沿着视差方向的顺序成本图，而不是通过利用经常性成本聚合策略立即处理它。此外，一个新的递归模块，堆叠递归沙漏（SRH），提出了处理每个成本图。我们的沙漏网络是基于门控递归单元（GRU）和下/上采样层构建的，这为GRU提供了更大的感受野。然后将两个沙漏网络堆叠在一起，同时通过跳跃连接来处理多尺度信息，以提高无纹理区域的管道性能。所提出的架构在端到端管道中实现，并在公共数据集上进行评估，与使用堆叠沙漏3D CNN的PSMNet相比，它将GPU内存消耗降低了56.1%，而不会降低精度。然后，我们进一步证明了所提出的方法在几个高分辨率对上的可扩展性，而以前学习的方法往往由于内存限制而失败。代码在\url{https://github.com/hongzhidu/SRHNet}发布。
2021-05-25 cs.CV cs.RO
Localization Algorithm with Circular Representation in 2D and its Similarity to Mammalian Brains
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
扩展卡尔曼滤波器（EKF）虽然是机器人定位的主要框架，但在线性化条件下不能保证均值和协方差的一致性。李群改进了状态空间的局部化建模，但在非线性模型下，基于李群的扩展卡尔曼滤波仍然依赖于任意高斯假设。相反，我们使用冯米塞斯滤波器的方向估计与传统的卡尔曼滤波器的位置估计，因此，我们能够表征的前两个时刻的状态估计。由于所提出的算法拥有坚实的概率基础，它是从根本上缓解了不一致的问题。此外，我们将定位算法扩展到完全圆形表示，甚至位置，这类似于哺乳动物大脑和递归神经网络中发现的网格模式。所提出的算法的适用性不仅证实了强大的数学基础，但也通过与其他常见的定位方法的比较。
2019-01-25 cs.RO q-bio.NC
Enhancement of Low-cost GNSS Localization in Connected Vehicle Networks Using Rao-Blackwellized Particle Filters
University of Michigan（密歇根大学）；Transportation Research Institute（交通研究 institute）；Department of Naval Architecture（naval architecture 部门）
本文提出利用 Rao-Blackwellized 粒子滤波器融合连接车辆组的 GNSS 信息并匹配数字地图，以提高定位精度，实验显示算法将误差降低50%，方差减少两个数量级。
2016-08-31 cs.RO cs.SY eess.SY
