卡曼机器人.docVIP

关于LRF传感器在卡曼滤波机器人定位中的应用 Luka Tesli￠ _, Igor .krjanc, Gregor Klan￡ar 【摘要】此论文是基于机器人定位所涉及的输出波做出评估，卡曼滤波器本地化的移动机器人激光测距仪（激光）传感器在环境描述与线段。协方差的观察环境，构成output-noise协方差矩阵的校正步骤，扩展卡尔曼滤波，是由于噪声引起的范围传感器的（例如，一个激光测距仪）测量距离和角度。一种方法估计协方差的线路参数对经典最小二乘（最小二乘）算法。这种方法是比较所产生的正交最小二乘法在计算复杂性。比较结果表明，采用经典的最小二乘而非正交最小二乘减少计算的定位算法是一部分一个（同时定位与地图）算法。统计准确性的方法还比较了模拟的测量和比较，证明其效率提出的方法。 机器人定位和定位的问题广泛的研究。机器人知道自己的姿态定位问题建立一个地图，机器人需要知道环境地图映射问题本地化本身其目前的构成。机器人可以本地化本身利用里程计测量和比较本地地图，从当前视图的机器人，全球环境地图。映射定位可以分开处理，如果机器人的姿态是给予该机器人由一人或通过使用全球定位系统和惯性导航系统传感器构建户外环境当地图。该地图的环境可以用来解决本地化问题。避免假设该机器人的姿态是众所周知的一个同步定位与地图其中问题的定位和测绘合并。算法的计算众所周知非常复杂操作的。解决大问题联合组成的国家机器人的姿态和位置，观察固定标志（例如，线段）必须估计。需要所有的标志和联合协方差矩阵更新每次观测了。这意味着程度的扩展二次计算一些地标在地图许多方法已经制定了减少这种复杂性和相关计算。在全面调查的问题的提出，并在文献中，许多方法和算法在求解，定位与地图问题已经提出。在一个比较算法采用二维激光测距仪报告。因为它的速度和正确性在此基础上比较分裂与合并算法选择在本文中。 该卡尔曼滤波技术是非常常用解决定位问题。收敛性的滤波算法，因此大大取决在设置过程的输入和协方差矩阵。这些矩阵必须是适当的设置。在我们先前的工作一个卡尔曼滤波为基础的定位算法一种移动机器人与激光测距仪是介绍和测试模拟器建中，那里的噪声协方差矩阵卡尔曼滤波是来自噪声方差已知的角速度测量两个机器人车轮。然而，本文重点推导协方差矩阵该卡尔曼滤波器和估计方法参数的协方差提出了。在一个环境描述与线段，协方差的参数构成协方差矩阵的扩展卡尔曼滤波。线段往往用于描述环境和文件的不同方法是用来估计协方差的正常参数。在这项工作中提出的估算方法这些协方差是源于经典的最小二乘（最小二乘）并计算更有效率比法从正交最小二乘如果线路参数和协方差矩阵计算从8至200点，该方法产生的从经典的最小二乘在噪声情况与非零或零的角方差约4至6至7倍或4少操作该方法比产生正交最小二乘，分别。在未来的定位算法，本文将扩展到算法，在相同的方法作为本文提出将被用于估计参数和它们的协方差。因此，该算法在计算成本的计算线参数和协方差将一样的定位算法中本文。统计各种方法的准确性分析两种方法比较。准确的线路参数协方差估计与经典的最小二乘法造成的取决于一些线段点从这些协方差估计。精度的方法从正交最小二乘估计的准确性取决于差异的激光测距仪的测距误差和方差的激光梁角误差，必须从一个先验给定的噪声模型。标准偏差和协方差的线路参数估计每个方法接近的统计估计参考标准偏差和协方差在噪声情况（零和非零的角方差）。 （一）行参数根据全球坐标线路参数根据机器人的坐标。二）反射点激光光束线和环境线段 本文在预测步骤和修正扩展卡尔曼滤波描述第一步。然后该方法估算的线所造成的参数经典和正交最小二乘的介绍。此外，该方法估计线的参数协方差产生从经典的最小二乘方法产生正交最小二乘提出了。然后计算复杂性的方法分析和比较彼此。在3节统计验证这两种方法的准确性使用模拟测量的传感器和执行两种方法的准确性比较。本文的结论是2、卡尔曼滤波线参数和协方差估计 扩展滤波器的方法，其中包括一个预测和校正步骤，是通过这里的目的定位。在本文提出的定位算法参数的环境和它们的协方差需要进行校正步的扩展卡尔曼滤波。如果文中给出的定位算法扩展到该算法，这些线路参数和它们的协方差还必须计算。根据制定的如下。是一个过程，一个移动机器人可以建立地图的环境，并在同一时间使用这个地图推断其位置。在大满贯，双方的移动机器人轨迹和地点的所有环境标志的在线估计不需要任何先验知识的一个机器人的姿态。 2.1、预测和校正扩展卡尔曼滤波 预测模拟机器人模型的姿态里程计 Xp（k + 1）= f（Xp（k），u（k）+ n（k） 在国家和txr xp.k/。钾；钾；是年。。钾/但表示机器人的姿态相对于全局坐标（图1）和u.k/是指输入向量的里程计模型（例如，速度机器人的左和右轮）。矢量n.k/表示噪声捕捉的不确定性的模型和里