Preview

Мехатроника, автоматизация, управление

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Исследование модификаций сглаживающего фильтра Гаусса для их применения совместно с методом SLAM

https://doi.org/10.17587/mau.20.756-764

Полный текст:

Аннотация

При проведении научных исследований на поверхности небесных тел Солнечной системы с помощью планетоходов для решения задач их навигации и построения карты местности в неизвестном пространстве можно применить метод одновременной локализации и построения карты — метод SLAM. В случае применения лазерного дальномера в системе навигации в качестве широко используемых методов фильтрации информации используют методы, основанные на фильтре Калмана, а также его модификации, например, алгоритм EKF и алгоритм UKF. В алгоритме EKF присутствует процесс линеаризации. Алгоритм UKF по сравнению с алгоритмом EKF лучше согласован, но обладает большей вычислительной сложностью. Поэтому данные методы отличаются достаточно низкой точностью и большим объемом вычислений. Алгоритм фильтрации GP-RTSS, основанный на фильтре Гаусса, не требует процедуры прогнозирования выборки модели, линеаризации и численного интегрирования и способен адаптироваться для различных динамических систем. Таким образом, алгоритм фильтрации GP-RTSS существенно превосходит алгоритмы EKF и UKF по данным показателям. Самым большим препятствием в процессе работы алгоритма GP-RTSS является то, что функция ядра Гаусса требует множества вычислений. В статье исследуется модификация фильтра DIS RTSS, использующая схему распределенных вычислений, реализованную в гауссовском сглаживающем фильтре GP-RTSS для повышения скорости алгоритма GP-RTSS. Использование схемы распределенных вычислений позволяет провести эффективное преобразование данных, а следовательно, значительно уменьшить общие затраты на вычисления (время вычислений и требуемый объем памяти). Предложены четыре алгоритма распределенных вычислений для фильтра DIS RTSS: DIS RTP, DIS RTGP, DIS RTB, DIS RTrB. Моделирование показало, что среди данных алгоритмов алгоритм DIS RTGP является наиболее эффективным решением для рассматриваемого класса практических задач. Алгоритм фильтрации DIS RTSS обладает высокой скоростью обработки информации и теоретически может обрабатывать бесконечное число выборок данных.

Об авторах

Ван Гуоянь
Московский государственный технический университет им. Н. Э. Баумана (национальный исследовательский университет)
Россия

Аспирант

Москва  



А. В. Фомичев
Московский государственный технический университет им. Н. Э. Баумана (национальный исследовательский университет)
Россия

Кандидат технических наук, доцент

Москва  



Ду Ижань
Московский государственный технический университет им. Н. Э. Баумана (национальный исследовательский университет)
Россия

Магистр

Москва 



Список литературы

1. Durrant W. H., Bailey T. Simultaneous localization and mapping // IEEE robotics & automation magazine. 2006. Vol. 13. P. 99—110.

2. Barfoot T. D. State Estimation for Robotics. Cambridge University Press, 2017. University Pringting House, Cambridge CB2 8BS, United Kingdom. 2017. P. 1—368.

3. Ellery A. Planetary rovers: robotic exploration of the solar system. Springer, 2016. P. 1—702.

4. Achin J., Truong X. N., Morari M. Learning and control using Gaussian processes // ACM/IEEE 9th International Conference on Cyber-Physical Systems (ICCPS). IEEE, 2018. P. 140—149.

5. Deisenroth M. P., Rasmussen C. E., Fox D. Learning to control a low-cost manipulator using data-efficient reinforcement learning // Robotics: Science and Systems VII, 2011. P. 57—64.

6. Kocijan J. Modelling and control of dynamic systems using Gaussian process models. Springer International Publishing Switzerland, 2016. P. 1—281.

7. Cao G., Lai E. M. K., Alam F. Gaussian process model predictive control of unknown non-linear systems // IET Control Theory & Applications, 2017. Vol. 11 (5). P. 703—713.

8. Deisenroth M. P., Turner R. D., Huber M. F. et al. Robust filtering and smoothing with Gaussian processes // IEEE Transactions on Automatic Control, 2012. 57(7). P. 1865—1871.

9. Arasaratnam I., Haykin S. Cubature Kalman Filters // IEEE Transactions on Automatic Control. 2009. Vol. 54 (6), P. 1254—1269.

10. Quinonero-Candela J., Rasmussen C. E. A unifying view of sparse approximate Gaussian process regression // Journal of Machine Learning Research. 2005. Vol. 6 (12), P. 1939—1960.

11. Фомичев А. В., Ван Гуоянь. Эффективный алгоритм фильтра Гаусса для метода SLAM // 11-я Российская мультиконференция по проблемам управления: "Управление в аэрокосмических системах" (УАС-2018). СПб.: АО "Концерн "ЦНИИ "Электроприбор", 2018. С. 260—269.

12. Nguyen Trung V., Bonilla E. V. Fast allocation of Gaussian process experts // Proceedings of the International Conference on Machine Learning, 2014. P. 145—153.

13. Cao Y., Fleet D. J. Generalized product of experts for automatic and principled fusion of Gaussian process predictions. Preprint arXiv:1410.7827, 2014.

14. Tresp V. A Bayesian сommittee machine. Neural Computation, German, 2000.

15. Deisenroth P. J., Ng W. Distributed Gaussian processes. Preprint arXiv:1502.02843, 2015.


Для цитирования:


Гуоянь В., Фомичев А.В., Ижань Д. Исследование модификаций сглаживающего фильтра Гаусса для их применения совместно с методом SLAM. Мехатроника, автоматизация, управление. 2019;20(12):756-764. https://doi.org/10.17587/mau.20.756-764

For citation:


Guoyan W., Fomichev A.V., Yiran D. Research on Improved Gaussian Smoothing Filters for SLAM Application. Mekhatronika, Avtomatizatsiya, Upravlenie. 2019;20(12):756-764. (In Russ.) https://doi.org/10.17587/mau.20.756-764

Просмотров: 109


ISSN 1684-6427 (Print)
ISSN 2619-1253 (Online)