简论迭代卡尔曼滤波在机器人定位中的应用的论文.docVIP

　　简论迭代卡尔曼滤波在机器人定位中的应用的论文 摘 要:定位是移动机器人最基本的问题之一。应用了迭代卡尔曼滤波(iekf)集成航位推算和全局观测信息,解决机器人的定位问题。该方法在卡尔曼滤波测量更新阶段,多次迭代计算估计状态,直到误差小于一定的阈值。减少了由于泰勒展开的截断带来的定位误差,使得算法的收敛稳定性增强。最后通过仿真实验与ekf方法比较。结果表明,iekf在移动机器人定位中是一种有效的方法。 关键词:迭代卡尔曼滤波; 误差分析; 移动机器人; 机器人定位 　　　　 　　application of iterated kalman filtering in robot localization 　　long hui1, hu li2, zhou yan-yu3 　　(1.hunan biological and electromechanical polytechnic, changsha 410126, china;2.hunan intelligent control system pany, changsha 410001, china; 　　3.college of information engineering, central south university, changsha 410075, china) 　　abstract: localization is one of the most fundamental problem in mobile robots. the localization problem an filtering (iekf) by bining the reckon reference and global observation information. in the measurement update phase of kalman filtering, the state estimation is iterated many times until estimation error is lo taylor expand is reduced effectively. the convergent stability proved by the method. finally, iekf and ekf methods are pared. the simulation result shoethod in localization of mobile robots.keyan filtering; error analysis; mobile robots; robot localization 　　 　　0 引 言 　　定位是自主机器人导航当中最基本的问题之一[1],对于一个自主机器人系统,精确的空间定位是其实现自主导航的前提。.leonard和 durrant-an滤波[3]是一种线性无偏最小方差估计,采用时间递推得到的,模型简单,数据存储量小,特别适用于计算机应用,已被广泛应用于航天、航空、航海、系统工程、通信等多种领域状态的估计和控制中。 　　1 问题描述 　　在二维空间,移动机器人的位置可以用3个变量表示(x,y,θ)[4],其中x,y和θ分别表示机器人的位置坐标和方位角。机器人具有的运动模型如下: 　　x(k+1)=f[x(k),u(k),an于1960 年提出的,它是一种简单有效的线性最优递推估计算法,可估计带噪声的线型动态系统状态。然而,假设卡尔曼滤波器是线性系统,但实际上机器人的运动模型与观测模型是非线性的。因此通常采用扩展卡尔曼滤波器(extended kalman filter,ekf),并通过一阶泰勒展开来近似非线性模型。依据curran [5]综合航位推算、超声和红外传感器数据,提出了基于ekf的定位和运动控制算法。为了简化定位算法,jensfelt和christensen[6]应用加权霍夫变换算法提取了环境特征,采用最小化环境特征模型和激光雷达数据,建立了基于ekf的位姿跟踪算法。基于ekf的滤波算法分为时间更新和测量更新2个阶段,具体步骤如下: 　(1) 初始化。给定机器人初始位置和协方差矩阵: 　　+0=[x(0),y(0),θ(0)]t;p(0)+ 　　(2) 时间更新。 　　当k≥1,则: 　　(k)-= f[(k-1)+,u(k)] 　　p(k)- =axp(k-1)atx+bup(k-1)btu + q(k) 　　ax=fxx=x(k)+,bx=fuu=u(k) 　　(3) 测量更