基于变分贝叶斯优化的近邻采样 PF-SLAM 算法

针对移动机器人同时定位与地图构建（SLAM）中观测噪声随时间变化及粒子滤波(PF)中粒子多样性易丧失问题，提出基于变分贝叶斯优化的近邻采样PF-SLAM算法。采用高斯混合模型对时变的观测噪声建模，使用变分贝叶斯方法，迭代估算出混合模型中的未知参数；同时根据粒子权重将粒子划分为保留粒子和调整粒子，通过两种粒子间的近邻位置分布关系优化调整粒子位置，在处理时变观测噪声同时，解决粒子多样性丧失问题，使得优化的粒子集更好地表示机器人位置概率分布。实验表明，改进算法与传统PF-SLAM算法相比，定位与建图误差降低76%，较期望最大化算法下的定位与建图误差降低了54%，进一步验证了所提算法的可行性与有效性，为移动机器人同时定位与建图提供一定参考。

Adjacent sampling PF-SLAM algorithm based on variational Bayesian optimization