《表1 仿真环境下算法运行时间对比表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于高斯混合模型最大期望聚类的同时定位与地图构建数据关联》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在仿真环境中，机器人从初始状态开始逆时针匀速移动，分别对基于GEMJCBB以及上面提到的3种关联算法的SLAM进行20次蒙特卡洛仿真实验，下表显示了4种关联算法的关联时间以及基于这4种算法的SLAM运行总时长.由运行结果可知，本文提出的GEMJCBB–SLAM数据关联算法在仿真环境1中的算法平均运行时间为137.3047 s，平均关联时长为119.3047 s；在仿真环境2中的算法平均运行时间为207.4528 s，平均关联时长为188.6390 s.对仿真实验结果进行分析可知，本文提出算法的平均运行总时长和关联时长均小于其他3种算法.具体地，KJCBB，DFJCBB和GEMJCBB 3种算法均对观测量进行了分组，降低了联合兼容计算中观测量的维数，进而降低了计算的复杂度；同时，GEMJCBB算法采用高斯混合模型（GMM）最大期望值（EM）算法对观测值进行聚类分组.GMM中的概率密度函数能精确的将观测样本数据分配到各个混合成分中，并简化数据处理步骤.同时，GMM在评估参数时参考了EM算法思想，使算法的数据分析速度得到了明显的提升.并且本文提出的GEMJCBB算法在数据预处理操作中划定了局部关联区域，减少了同一时刻参与数据关联的环境特征数量，所以进一步提高了算法的效率.