基于 PMCMC-RFS 的自主车 SLAM 算法

针对无人自主车同时定位与地图构建（Simultaneous Localization And Mapping，SLAM）问题，采用随机有限集（Random Finite Set，RFS）方法对环境特征和车辆的位姿进行描述，将 SLAM算法涉及到的多路标特征检测、跟踪、识别及相关等问题在一个统一的贝叶斯状态估计框架内表述，从而可以有效地解决后验估计、信息融合等算法严重依赖数据关联结果的问题。同时，为了计算复杂的联合后验分布，解决粒子滤波算法中提议分布选择困难问题，采用序贯蒙特卡罗（Sequential Monte Carlo，SMC）算法为马尔科夫链蒙特卡罗（Markov Chain Monte Carlo，MCMC）采样构建高维提议分布策略，提出了基于 PMCMC-RFS（Particle MCMC based RFS）的 SLAM问题求解方法。试验结果表明：PMCMC-RFS 算法能动态估计感知范围内的特征数量，有效地避免了数据关联问题，从而提高了状态估计性能。