创新点:
为了提高抗干扰性和容错能力,在链式因子图模型中加入滑动窗口用于保留窗口内历史状态信息;同时为了避免高维矩阵运算,引入消元算法将因子图转化为贝叶斯网络,依次边缘化历史状态,实现矩阵降维。
提出了一种基于因子图消元优化算法的多传感器融合定位方法,为了有效提高系统融合定位抗扰性和容错能力,在以链式因子图表示的导航系统中加入一个滑动窗口 ,用于保留窗口内的历史状态,并对新的状态进行更新 。而对于保留大量历史信息引起的计算矩阵维数的急速扩增,引入一种基于Householder部 分QR分解的消元算法,对从旧时刻的状态到新时刻的状态依次进行消元,将链式因子图转化为贝叶斯网络,同时边缘化消元后的状态,使其在保留历史信息的同时,避免了对大矩阵的计算。最后,对消元之后的因子图,采用高斯-牛顿迭代方法反复迭代 ,获得融合定位的最佳状态估计。
知识点:
因子图:
因子图模型:
针对一个具有多个变量的全局函数,使用“二分图”将其分解为n个含部分变量的局部函数的乘积,这种分解被称为因子图。因子图是一种用于表达随机变量联合概率分布的概率图模型,由变量节点、因子节点和连线组成。
消元优化:
在计算因子图时,为提高最大后验概率推断和变量边缘化速度,引入消元算法将因子图转化为贝叶斯网络。通过变量消元,可以将因子图分解成因子化贝叶斯网络概率密度。