[发明专利]一种基于人工蜂群的蒙特卡洛定位方法

说明书

一种基于人工蜂群的蒙特卡洛定位方法，在传统蒙特卡洛定位方法中加入模拟蜜蜂采蜜的行为以实现定位，首先在给定的空间初始化一定数量粒子的初始粒子样本集S1，其次建立机器人运动模型，并将初始粒子样本集S1中所有粒子根据运动模型形成一次新粒子样本集S2，再次建立观测模型，并将观测模型作为人工蜂群算法的适应度函数，而后将一次新粒子样本集S2作为人工蜂群的初始蜜源位置，模拟蜜蜂采蜜行为进行全局寻优，最后更新粒子权值，计算出机器人位姿；有效提高粒子的探索能力，以避免粒子在复杂或者结构相似的环境中，陷入局部最优而导致定位失败；同时使在保证粒子多样性的同时，快速收敛到机器人的真实位置。

技术领域

本发明涉及定位技术领域，尤其涉及一种基于人工蜂群的蒙特卡洛定位方法。

背景技术

自定位是移动机器人领域一个重要而基本的问题，是移动机器人路径规划、导航和决策的先决条件；蒙特卡洛定位(Monte Carlo Localization，MCL)是一种基于概率的定位方法，将机器人的位置看作许多粒子密度模型，每个粒子作为机器人在此位置的定位假设，所有粒子都按照机器人的运动模型移动；粒子代表机器人真实位置的概率取决于感知模型中传感器的读数，定位过程中粒子向更高概率的采样位置移动，概率平均分布用来表示当前机器人位置的最优估计。但在实际应用中由于传感器感知范围的约束与感知数据存在一定的噪声，易导致定位不精确且收敛速度较慢；同时算法后期粒子样本多样性减少，在周围环境相似的情况下也容易出现定位失败的问题。

人工蜂群算法(Artificial Bee Colony Algorithm,简称ABC算法)是一个由蜂群行为启发的算法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣比较，通过各人工蜂个体的局部寻优行为，在群体中使全局最优值突现出来，有着较快的收敛速度。

如何在传统的蒙特卡洛定位算法中加入模拟蜜蜂采蜜的行为，使所有粒子快速收敛到后验概率分布取值较大的区域，同时能快速跳出与机器人真实位置相似的环境，以减弱粒子退化现象，避免在结构相似的环境出现定位失败问题已经成为本领域技术人员亟待解决的重要问题。

发明内容

本发明所解决的技术问题在于提供一种基于人工蜂群的蒙特卡洛定位方法，以解决上述背景技术中的缺点。

本发明所解决的技术问题采用以下技术方案来实现：

一种基于人工蜂群的蒙特卡洛定位方法，在传统蒙特卡洛定位方法中加入模拟蜜蜂采蜜的行为以实现定位，具体步骤如下：

采用N个带权值的离散粒子模拟被估状态的后验概率密度函数，

Bel(x)＝{xi,ωi}i＝1…N

xi代表一个粒子，ωi代表该粒子的权重；

1)在给定的空间初始化一定数量的粒子形成初始粒子样本集S1

选取机器人在地图上的坐标值及与x轴方向夹角作为状态量(x，y，θ)，每个粒子为三维，按公式(1)随机生成N个粒子，形成初始粒子样本集S1；