卡尔曼滤波框架下基于最大相关熵的移动机器人位姿估计

摘要

在同时定位与地图构建(simultaneous localization and mapping,SLAM)框架下,针对移动机器人传统滤波算法在非高斯噪声下位姿估计精度低的问题,提出了一种基于迭代无迹卡尔曼滤波(iterative unscented kalman filter,IUKF)和最大相关熵(maximum correntropy,MC)相结合的位姿估计算法(MCIUKF).利用MC来处理非高斯噪声,构造了基于MC的代价函数,然后利用麦夸尔特法(levenberg-marguardt method,LM)对该代价函数进行优化,在此基础上推导了状态和协方差的迭代更新过程,改进了IUKF的更新步骤.仿真结果表明,在非高斯噪声环境下,该算法与传统的滤波算法相比具有更好的估计精度,并具有良好的稳定性.