基于支持向量机的自恢复自适应蒙特卡洛定位算法

doi:10.11772/j.issn.1001-9081.2023101389

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (10): 3246-3251.DOI: 10.11772/j.issn.1001-9081.2023101389

基于支持向量机的自恢复自适应蒙特卡洛定位算法

乔恩保¹^,², 高向阳², 程俊²()

^1.广西高校先进制造与自动化技术重点实验室（桂林理工大学），广西桂林 541006
^2.中国科学院深圳先进技术研究院，广东深圳 518055

收稿日期:2023-10-16 修回日期:2023-12-27 接受日期:2024-01-08 发布日期:2024-10-15 出版日期:2024-10-10
通讯作者: 程俊
作者简介:乔恩保（1996—），男，安徽阜阳人，硕士研究生，CCF会员，主要研究方向：智能机器人、嵌入式系统
高向阳（1982—），男，陕西咸阳人，高级工程师，硕士，主要研究方向：智能机器人、嵌入式系统
程俊（1977—），男，安徽桐城人，研究员，博士，主要研究方向：机器视觉、智能机器人、人工智能 jun.cheng@siat.ac.cn。
基金资助:
国家自然科学基金资助项目(U21A20487)

Self-recovery adaptive Monte Carlo localization algorithm based on support vector machine

Enbao QIAO¹^,², Xiangyang GAO², Jun CHENG²()

^1.Key Laboratory of Advanced Manufacturing and Automation Technology （Guilin University of Technology），Guilin Guangxi 541006，China
^2.Shenzhen Institute of Advanced Technology，Chinese Academy of Sciences，Shenzhen Guangdong 518055，China

Received:2023-10-16 Revised:2023-12-27 Accepted:2024-01-08 Online:2024-10-15 Published:2024-10-10
Contact: Jun CHENG
About author:QIAO Enbao， born in 1996， M. S. candidate. His research interests include intelligent robots， embedded systems.
GAO Xiangyang， born in 1982， M. S.， senior engineer. His research interests include intelligent robots， embedded systems.
Supported by:
National Natural Science Foundation of China(U21A20487)

摘要/Abstract

摘要：

机器人定位技术对智能机器人的高效、精确和安全运行至关重要，然而在实际的定位过程中，机器人常面临“绑架”问题。为了应对这一难题，提出一种基于支持向量机（SVM）的自恢复自适应蒙特卡洛定位（SVM-SRAMCL）算法。首先，构建用于识别机器人“绑架”状态的检测模型——基于SVM的绑架检测模型（SVM-KDM）；其次，通过自适应蒙特卡洛定位（AMCL）算法所得的粒子集计算粒子特性值，并作为SVM-KDM的输入，一旦检测到“绑架”事件，使用扩展卡尔曼滤波器（EKF）融合惯性测量单元（IMU）和里程计（Odom）的数据估计机器人的新位姿；最后，使用AMCL算法进行粒子预测、更新和重采样，最终实现机器人的重新定位。相较于自恢复蒙特卡洛定位（SR-MCL）算法，绑架后恢复定位所需的更新减少了4.1次，重定位的成功率提高了3个百分点。实验结果验证了所提算法在解决移动机器人的定位“绑架”问题方面具有更高的效率和成功率。

关键词: 移动机器人, 拓展卡尔曼滤波器, 支持向量机, 定位恢复, 自适应蒙特卡洛定位

Abstract:

The localization technology of robots is crucial for the efficient， precise， and safe operation of intelligent robots. However， in actual localization processes， robots often encounter the “kidnapping” problem. In response to this challenge， a Self-Recovery Adaptive Monte Carlo Localization （AMCL） algorithm based on Support Vector Machine （SVM-SRAMCL） was proposed. Firstly， a detection model was constructed to identify the “kidnapping” state of the robot， known as the Kidnapping Detection Model based on SVM （SVM-KDM）. Then， particle characteristic values were calculated from the particle set obtained through the AMCL algorithm and used as inputs for SVM-KDM. Once a “kidnapping” event was detected， an Extended Kalman Filter （EKF） was employed to fuse data from the Inertial Measurement Unit （IMU） and Odometry （Odom） to estimate the robot’s new pose. Finally， the AMCL algorithm was utilized for particle prediction， update， and resampling， ultimately achieving the robot’s relocalization. Compared to the Self-Recovery Monte Carlo Localization （SR-MCL） algorithm， the proposed algorithm reduced 4.1 required updates for post-kidnapping recovery and increased the success rate of relocalization by 3 percentage points. The experimental results validate the higher efficiency and success rate of the proposed algorithm when addressing the “kidnapping” issue in the localization of mobile robots.

Key words: mobile robot, Extended Kalman Filter (EKF), Support Vector Machine (SVM), location recovery, Adaptive Monte Carlo Localization (AMCL)

中图分类号:

TP242.6

乔恩保, 高向阳, 程俊. 基于支持向量机的自恢复自适应蒙特卡洛定位算法[J]. 计算机应用, 2024, 44(10): 3246-3251.

Enbao QIAO, Xiangyang GAO, Jun CHENG. Self-recovery adaptive Monte Carlo localization algorithm based on support vector machine[J]. Journal of Computer Applications, 2024, 44(10): 3246-3251.

图/表 13

图1 本文算法流程

Fig. 1 Flow of proposed algorithm

图2 绑架前后粒子分布

Fig. 2 Particle distribution before and after kidnapping

图3 仿真环境及其地图

Fig. 3 Simulation environment and map

图4 真实环境及其地图

Fig. 4 Real environment and map

表1 参数设置

Tab. 1 Parameter setting

参数名	值	参数名	值
粒子数最小值	500	雷达最小测量距离	0.2 m
粒子数最大值	5 000	雷达最大测量距离	16 m
触发更新最小距离	0.05 m	雷达扫描角度	360°
触发更新最小角度	0.2 rad	雷达采样频率	16 kHz

表2 SVM模型测试结果 (%)

Tab. 2 SVM model test results

SVM类型	核函数类型	成功率
C-SVC	RBF	95.19
C-SVC	线性核函数	94.38
V-SVC	RBF	94.58
V-SVC	线性核函数	83.96

表3 SVM模型参数设置

Tab. 3 Parameter setting of SVM model

参数名	值	参数名	值
SVM类型	C-SVC	支持向量总数	156
核函数类型	RBF	超平面的偏移值	-0.992
Gamma	0.125	每个类别支持向量数	78
数据种类数	2

图5 定位可靠度与绑架距离曲线

Fig. 5 Localization reliability and kidnapping distance curves

表4 2种检测模型的成功率与误检率 (%)

Tab. 4 Success rates and false detection rates of two detection models

模型	绑架时检测成功率	整体误检率
PRM^［18］	85	7.5
SVM-KDM（本文）	95	2.5

图6 仿真的运动轨迹与定位误差

Fig. 6 Motion trajectory and location error in simulation environment

表5 不同算法的仿真结果

Tab. 5 Simulation results of different algorithms

算法	恢复定位所需更新次数		定位误差/m
算法	短距离绑架	长距离绑架	平均值	最大值	最小值
AMCL^［10］	24	恢复失败	1.558 0	4.482 0	0.012 4
SR-MCL^［18］	1	1	0.104 7	4.105 0	0.003 0
SVM-SRAMCL	1	1	0.069 2	4.220 0	0.003 0

图7 真实环境中粒子分布图

Fig. 7 Particle distribution maps in real environment

表6 真实环境下的实验结果

Tab. 6 Experimental results in real environment

算法

自恢复

成功率/%

绑架检测

成功率/%

成功所需平均

更新次数

5.4

参考文献 26

1	杨傲雷，金宏宙，陈灵，等.融合深度学习与粒子滤波的移动机器人重定位方法［J］.仪器仪表学报，2021，42（7）：226-233.
	YANG A L， JIN H Z， CHEN L， et al. Mobile robot relocalization method fusing deep learning and particle filtering ［J］. Journal of Scientific Instrument， 2021， 42（7）： 226-233.
2	CAI G-S， LIN H-Y， S-F KAO. Mobile robot localization using GPS， IMU and visual odometry ［C］// Proceedings of the 2019 International Automatic Control Conference. Piscataway： IEEE， 2019： 1-6.
3	秦正泓，刘冉，肖宇峰，等.基于WiFi指纹序列匹配的机器人同步定位与地图构建［J］.计算机应用，2022，42（10）：3268-3274.
	QIN Z H， LIU R， XIAO Y F， et al. Simultaneous localization and mapping for mobile robot based on WiFi fingerprint sequence matching ［J］. Journal of Computer Applications， 2022， 42（10）： 3268-3274.
4	NILWONG S， HOSSAIN D， KANEKO S I， et al. Deep learning-based landmark detection for mobile robot outdoor localization ［J］. Machines， 2019， 7（2）： 25.
5	LIN R， DONG S， ZHAO W， et al. Ultra-wide-band-based adaptive Monte Carlo localization for kidnap recovery of mobile robot ［J］. International Journal of Advanced Robotic Systems， 2023， 20（2）： 1-13.
6	ANDRADI H， BLUMENTHAL S， PRASSLER E， et al. LiDAR-based indoor localization with optimal particle filters using surface normal constraint ［C］// Proceedings of the 2023 IEEE International Conference on Robotics and Automation. Piscataway： IEEE， 2023： 1947-1953.
7	周瑞，鲁翔，卢帅，等.基于粒子滤波和地图匹配的融合室内定位［J］.电子科技大学学报，2018，47（3）：415-420.
	ZHOU R， LU X， LU S， et al. Fused indoor localization based on particle filtering and map matching ［J］. Journal of University of Electronic Science and Technology of China， 2018， 47（3）： 415-420.
8	TIAN Y， LIU F， LIU H， et al. A real-time and fast LiDAR-IMU-GNSS SLAM system with point cloud semantic graph descriptor loop-closure detection ［J］. Advanced Intelligent Systems， 2023， 5（10）：2300138.
9	THRUN S， FOX D， BURGARD W， et al. Robust Monte Carlo localization for mobile robots［J］. Artificial Intelligence， 2001， 128（1/2）： 99-141.
10	M-A CHUNG， LIN C-W. An improved localization of mobile robotic system based on AMCL algorithm ［J］. IEEE Sensors Journal， 2022， 22（1）： 900-908.
11	胡章芳，曾林全，罗元，等.融入二维码信息的自适应蒙特卡洛定位算法［J］.计算机应用，2019，39（4）：989-993.
	HU Z F， ZENG L Q， LUO Y， et al. Adaptive Monte-Carlo localization algorithm integrated with two-dimensional code information ［J］. Journal of Computer Applications， 2019， 39（4）： 989-993.
12	李忠发，杨光，马磊，等.变电站巡检机器人重定位研究［J］.计算机科学，2020，47（6A）：599-602.
	LI Z F， YANG G， MA L， et al. Research on relocation of substation inspection robot ［J］.Computer Science， 2020， 47（6A）： 599-602.
13	PARK S， ROH K S. Coarse-to-fine localization for a mobile robot based on place learning with a 2-D range scan ［J］. IEEE Transactions on Robotics， 2016， 32（3）： 528-544.
14	XU S， CHOU W， DONG H. A robust indoor localization system integrating visual localization aided by CNN-based image retrieval with Monte Carlo localization ［J］. Sensors， 2019， 19（2）： 249.
15	蒋林，聂文康，朱建阳，等.基于具有墙角信息的语义地图改进AMCL重定位算法［J］.机械工程学报，2023，58（24）：312-323.
	JIANG L， NIE W K， ZHU J Y， et al. Improved AMCL relocation algorithm based on semantic map with corner information ［J］. Journal of Mechanical Engineering， 2023， 58（24）： 312-323.
16	TIAN Y， MA S. Kidnapping detection and recognition in previous unknown environment ［J］. Journal of Sensors， 2017， 2017： 6468427.
17	CHENG Y， LIN R， ZHAO W. Laser vision for low-coupling indoor positioning ［C］// Proceedings of the 2023 IEEE International Conference on Mechatronics and Automation. Piscataway： IEEE， 2023： 2163-2170.
18	陈铭，张淑芳，缪长蔚，等.自恢复蒙特卡罗定位算法［J］. 光电子·激光，2023，34（1）：43-51.
	CHEN M， ZHANG S F， MIAO C W， et al. Self-recovery Monte Carlo localization algorithm ［J］. Journal of Optoelectronics·Laser， 2023， 34（1）： 43-51.
19	袁千贺，田昕，沈斯杰.基于多传感器融合的移动机器人定位［J］.计算机系统应用，2022，31（3）：136-142.
	YUAN Q H， TIAN X， SHEN S J. Mobile robot localization based on multi-sensor fusion ［J］. Computer Systems & Applications， 2022， 31（3）： 136-142.
20	JOON A， KOWALCZYK W. Leader following control of non-holonomic mobile robots using EKF-based localization ［C］// Proceedings of the 2023 27th International Conference on Methods and Models in Automation and Robotics. Piscataway： IEEE， 2023： 57-62.
21	YU L， LI M， PAN G. Indoor localization based on fusion of AprilTag and adaptive Monte Carlo ［C］// Proceedings of the 2021 IEEE 5th Information Technology， Networking， Electronic and Automation Control Conference. Piscataway： IEEE， 2021： 464-468.
22	GARROTE L， BARROS T， PEREIRA R， et al. Absolute indoor positioning-aided laser-based particle filter localization with a refinement stage ［C］// Proceedings of the 2019 Annual Conference of the IEEE Industrial Electronics Society. Piscataway： IEEE， 2019： 597-603.
23	李航.统计学习方法［M］.北京：清华大学出版社，2012：111-147.
	LI H. Statistical Learning Methods ［M］. Beijing： Tsinghua University Press， 2012： 111-147.
24	HU C， DONG W， YANG Y， et al. Runtime verification on hierarchical properties of ROS-based robot swarms ［J］. IEEE Transactions on Reliability， 2020， 69（2）： 674-689.
25	GUAN R， RISTIC B， WANG L， et al. KLD sampling with Gmapping proposal for Monte Carlo localization of mobile robots ［J］. Information Fusion， 2019， 49： 79-88.
26	CHANG C C， LIN C J. LIBSVM： a library for support vector machines ［CP/OL］. （2019-12-10）［2023-10-01］. .

[1]	马天, 席润韬, 吕佳豪, 曾奕杰, 杨嘉怡, 张杰慧. 基于深度强化学习的移动机器人三维路径规划方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2055-2064.
[2]	胡映, 陈志环. 侧滑和打滑下的轮式移动机器人轨迹跟踪控制[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2294-2300.
[3]	孙敏, 成倩, 丁希宁. 基于CBAM-CGRU-SVM的Android恶意软件检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1539-1545.
[4]	朱东莹, 钟勇, 杨观赐, 李杨. 动态环境下视觉定位与建图的运动分割研究进展[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2537-2545.
[5]	黄学雨, 贺怀宇, 林慧敏, 陈金水. 基于特征聚合的铜合金金相图分类识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2593-2601.
[6]	李永迪, 李彩虹, 张耀玉, 张国胜. 基于改进SAC算法的移动机器人路径规划[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 654-660.
[7]	温祥西, 彭娅婷, 毕可心, 衡宇铭, 吴明功. 基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3632-3640.
[8]	张仲华, 赵福媛, 郭钧枫, 赵高长. 柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1829-1836.
[9]	杨磊, 赵红东, 于快快. 基于多头注意力机制的端到端语音情感识别[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1869-1875.
[10]	屈震, 李堃婷, 冯志玺. 基于有效通道注意力的遥感图像场景分类[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1431-1439.
[11]	乔桂芳, 侯守明, 刘彦彦. 基于改进卷积神经网络与支持向量机结合的面部表情识别算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1253-1259.
[12]	邱云志, 汪廷华, 戴小路. 双重特征加权模糊支持向量机[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 683-687.
[13]	谭旺, 李轶. 循环程序的界函数合成[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 565-573.
[14]	祁祥洲, 邢红杰. 基于中心核对齐的多核单类支持向量机[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 349-356.
[15]	申炳琦, 张志明, 舒少龙. 移动机器人超宽带与视觉惯性里程计组合的室内定位算法[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3924-3930.

基于支持向量机的自恢复自适应蒙特卡洛定位算法

Self-recovery adaptive Monte Carlo localization algorithm based on support vector machine

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 26

相关文章 15

编辑推荐

Metrics