《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》
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.
图表编号 | XD00135788600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 阮晓钢、张晶晶、朱晓庆、周静 |
绘制单位 | 北京工业大学信息学部计算智能与智能系统北京市重点实验室、北京工业大学信息学部计算智能与智能系统北京市重点实验室、北京工业大学信息学部计算智能与智能系统北京市重点实验室、北京工业大学信息学部计算智能与智能系统北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |