RBPF SALM

Murphy、Doucet 等和 Doucet 等引入 RBPF 作为解决 SLAM 问题的有效手段。随后，该框架由 Montemerlo 等扩展，用于解决特征地图的 SLAM 问题。Brunskill、Beevers和 Huang采用 RBPF 在不同机器人系统上实现特征地图的 SLAM 功能。为了创建精确的栅格地图，Eliazar 和 Parr也采用 RBPF 方法，并通过维护一个粒子系谱树（Particle Ancestry Tree）和设计单一的栅格地图实现高效的地图更新和定位，将之命名为 DP-SLAM。RBPF 方法主要的问题是它的计算量，表现在为了建立精确地图所需要的粒子数量上。因此，降低粒子数量是此种系列算法的主要挑战。Hahnel 等将 RBPF 和扫描匹配相结合。通过设计扫描匹配过程的误差模型，使用扫描匹配最小化航迹推测误差，从而降低所需要的粒子数量。RBPF 的另一个缺点是粒子耗尽问题，即由重采样造成的粒子多样性的丧失。Grisetti 等对 Hahnel等提出的算法进一步改进，通过两种策略来提高 RBPF 的性能，将其应用在栅格地图的SLAM 问题中。 策略一 是采用不仅考虑机器人运动模型还考虑当前观测的提议分布，所以所提取的粒子更逼近真实后验分布。 策略二 是采用自适应重采样技术。通过给定一个粒子权重方差的阈值，当粒子权重方差低于该阈值时进行重采样，达到同时维护合理的粒子权重方差和减少重采样次数的目的，进而降低粒子耗尽的风险。为了减少粒子数量，Blanco 等使用Kullback-Leibler distance（KLD）方法自适应确定粒子数量。朱磊等将人工鱼群算法引入到 RBPF SLAM 中，使粒子分布在重采样之前就更加接近真实情况，然后利用定向重采样方法使新产生的粒子更加接近于真实运动情况。RBPF 在特征地图和栅格地图的 SLAM 中都得到比较成功的应用。与 EKF SLAM 相比，RBPF 对数据关联不敏感，容许错误的数据关联，这意味着当发生数据关联错误时，RBPF SLAM会得到比 EKF SLAM 更好的结果。最后 Montemerlo 等人将 EKF 与粒子滤波器融合，先后提出了基于 RBPF 的 FastSLAM1.0 算法和 FastSLAM2.0 算法，其区别主要是在预测位姿的采样函数上融合了传感器的噪声，使得采样观测序列的影响有更好的鲁棒性。至于现阶段的改进 SLAM 算法大多都是把 EKF 用 UT 变换代替，PF 中改

进建议分布、重采样策略和加入自适应机制都是基于 FastSLAM 上的研究。