机器人控制理论与技术6重点.pptx

1 单独使用本体感受型传感器的问题 误差的不确定性随着时间快速增长！ 消除的方法：引入外传感器信息！ 关键的问题： 如何融合本体感受型传感器和外传感器的信息？ 2 机器人位置更新的两个步骤 3 感知更新与动作更新问题描述 已知条件 当前位置估计 当前时刻位置估计值的协方差 当前控制输入 传感器的观测值 地图 求取目标 下一时刻的位置 新位置的协方差 4 基于Kalman滤波器的位置估计 5 Kalman滤波器简介 卡尔曼滤波器的本质是利用递归算法获得贝叶斯规则最优解 贝叶斯规则指的是在已知观测信号的分布的前提下由真实变量的先验估计推算其后验概率分布； 最优解指的是后验估计的误差协方差最小，即最小均方误差准则。 6 Kalman滤波器示例（1） 7 Kalman滤波器示例（2） 对下一时刻温度值进行估计：23℃ 计算估计值的方差： 计算Kalman增益Kg： 计算最优估计值： 更新估计值偏差： 8 Kalman滤波器计算的五个步骤 对k位置进行估计： 计算估计值的方差：P(k|k-1)=P(k-1|k-1)+Q 计算Kalman增益Kg： 计算最优估计值： 更新估计值偏差： 9 基于Kalman滤波器的定位方法 10 基于Kalman滤波器的定位方法 根据里程计信息和机器人运动学模型，可以估计出当前机器人位置：1m 估计方差为0.3 前一时刻机器人位置的方差：0.2； 机器人根据超声传感器测量得到当前的位置：1.2m 超声传感器方差0.3； 试利用Kalman滤波器估计当前机器人位置。 11 基于Kalman滤波器的定位方法 对下一时刻位置进行估计：1m 计算估计值的方差： 计算Kalman增益Kg： 计算最优估计值： 更新估计值偏差： 12 位置估计概率密度分布曲线 13 动态位置估计 14 Markov定位方法 首先将机器人的位姿空间栅格化成地图中有限的、离散的位姿 一般用网格地图或拓扑地图来表示 通过扫描所有可能的状态确定概率最高的状态。 15 Markov定位方法（1） 开始 机器人没有任何先验知识，因此开始时刻假设为一致分布； 机器人探测到第一个支柱 只看到了一个支柱，那么机器人在第1，2，3支柱处的概率是一致的。 当机器人运动时 基于运动模型建立了一个新的位置概率分布 机器人探测到第二个支柱 基于前面的先验知识，机器人在第2个支柱前的概率最大。 16 Markov定位方法（2） Museum Laser scan 1 17 Markov定位方法（3） Museum Laser scan 2 18 Markov定位方法（2） Museum Laser scan 3 19 Markov定位方法（4） Museum Laser scan 13 20 Markov定位方法（5） Museum Laser scan 21 21 Markov VS Kalman Markov 考虑了从任何位置开始的定位，因而可以恢复不明确的状况； 要在整个状态空间中更新所有位置的概率，因此计算时间较长； 存储器和计算能力有可能限制了精度和地图的尺寸； Kalman 必须从已知的起始位置开始定位； 可以被用于连续环境表示中； 22 常用的机器人控制结构 23 自主移动机器人学中的三个关键问题： 我在哪里？ （Where am I?） 我要去哪里？ （Where am I going?） 我如何去那里？ （How do I get there?） 24 自主移动机器人路径规划问题 给定机器人的初始位置（当前位置）Ps、终止位置（目标位置） Pg 、环境地图M。 求取一条从Ps到Pg的可行路径R(x,y)。 25 自主移动机器人轨迹规划问题 给定机器人的初始位置（当前位置）Ps、终止位置（目标位置） Pg、环境地图M，和工作时间约束，比如给定起始时刻Ts和终止时刻Te。 求取一条从Ps到Pg的可行轨迹(x(t),y(t))，使得Ps=(x(Ts),y(Ts)，Pg=(x(Te),y(Te))。 26 自主移动机器人运动规划问题 给定机器人的 初始位置（当前位置）Ps、终止位置（目标位置） Pg 、环境地图M。 工作时间约束，比如给定起始时刻Ts和终止时刻Te。 机器人的运动学模型KM: 求取一条可以使机器人在给定的时间约束下从Ps运动到Pg的控制输入u(t)。 27 自主移动机器人运动规划问题 一般来讲，移动机器人有三个自由度（X,Y,θ）。因此，移动机器人的运动规划不是在2个位置自由度（X,Y）构成的2维空间，而是要搜索位置和姿态构成的3维空间。如图所示。 28 自主移动机器人规划问题 29 全局规划 Vs 局部规划 全局规划所需的先验信息是包括了起点终点的全局的环境信息。规划的结果是从起点到终点的完整路径、轨迹或控制输入。 局