但是，我朋友告诉我的这种方法的问题是，我假设我已经知道障碍物的位置，这使所有过程毫无用处。从某种程度上讲我不了解障碍，我应该如何处理呢？那么如何实现粒子过滤器呢？万一我不知道障碍物的位置，粒子过滤器将如何工作？一个过程示例将对您大有帮助。谢谢
#1 楼
您的问题解决了三个非常不同的问题，使用复杂的研究型算法很难解决所有这些问题。本地化：当您拥有已知的环境图和未知的图时机器人位置。最常用的算法是Monte Carlo Localizataion。这是一个与您所描述的完全一样的粒子过滤器。
映射：当机器人在未知环境中醒来并必须构建地图时。通常，映射算法会假设您知道机器人的位置，即从GPS或类似设备知道。我从来没有做过纯映射，所以我不知道任何算法，但是一个快速的Google应该会找到它们。
SLAM：当您将两个问题结合在一起时，一个未知的环境和一个未知的位置会导致问题称为同时定位和映射（SLAM）。这很难。有好的算法和好的软件包可以执行此操作，但是它们都仍处于实验阶段，仅适用于某些类型的环境/传感器。我强烈建议您使用现有程序包，而不要自己实施SLAM，因为它可能需要花费数月的研究工作才能调整所有参数。我不知道是否有用于Java的SLAM软件包，但是openslam.org上有大量最新的SLAM算法。我个人已经使用了GMapping了很多，我相信它不会让我的$ 25k机器人崩溃。请注意，您正在研究领域。
很抱歉为您回答了这么短的问题。我的建议是假设您知道障碍物的位置，然后做一个简单的蒙特卡洛粒子过滤器。
#2 楼
如果您不知道障碍物的位置并想应用滤镜，我会看到两种解决方案：使用易于实现的简单算法进行快速映射类似于“占用网格算法”（通过该方法您可以相对于机器人来定位障碍物）
应用粒子过滤器
移动机器人
使用测距法重新定位机器人
通过使用以下方法纠正测距误差尽可能进行另一次传感器测量
使用SLAM算法同时定位和映射障碍物。与占用网格算法相比，SLAM算法对传感器和测距法错误的鲁棒性更高，但更难以实现，并且通常需要更多的CPU消耗。
NB：您必须了解，没有“最佳”解决方案由于此问题仍然是机器人技术中非常活跃的研究领域，因此这两种解决方案各有利弊。
还要考虑处理器或微控制器的速度。
评论
$ \ begingroup $
您是否需要了解粒子过滤器的环境图？因此，在未知地图上使用粒子过滤器将不起作用。
$ \ endgroup $
–MoneyBall
18年1月13日在2:49