专业外语期末考试作业-适应性强的传感器组合用于卡尔曼滤波.docVIP

专业外语期末考试作业 题目：适应性强的传感器组合用于卡尔曼滤波适应性强的传感器组合用于卡尔曼滤波器 摘要 这篇论描述关于定位水下机器人的一个传感器融合的创新策略。 在没有任何修改模型的前提下使用多重卡尔曼滤波器制造高度适应的系统允许不同传感器的结合。这个算法能处理许多冗余的传感器借用多重滤波器融合，能同不同的传感器基准率异步工作通的一个滤波器转换过程。 介绍 作为水坝安全计划中的一部分，水下远程操作工具已经在IREQ研发几年了。这种水下机器人可用于多种水下环境的视察任务， 这种工具的主要目的是视察水坝表面 。多年来，用混凝土铸造的暴漏的大坝表面经受着疲劳和来自各方面的攻击。对大坝的情形作精确监测是极其重要的，目的是避免故障带来灾难性的后果。 由于水下机器人视察大坝表面的裂缝必须用摄影机鉴定，精确地定位和重述他们并在虚拟的环境组成大坝完整的模型，然后维修工人返回被鉴定有故障的地方跟随记录它的发展并修复它。为了做这种修复性工作，水下机器人必须装备精确地导航系统，随时提供精确的相对大坝的位置。 水下机器人导航系统包括两部分：一个是装在运转工具上的多种传感器提供信息，另一个是运算规则。传感器部分包括一个报警装置系统、加速计、陀螺仪、速度传感器、倾角罗盘、多普勒速度传感器以及其他一些定位作用的传感器。导航运算规则通过从传感器输入的不同值最好的估计工具的方位。这个位置通过x,y,z坐标以及它的方向表达。传感器融合是用于连结众多传感器的信息来获得精确地估计值，以及关于水下机器人的重要参数。 适合水下机器人需要的设计者和使用者，导航系统必须使用简单和实用性好。工具的使用者应在不同的时候按照它们手头要处理的或者是执行特殊的视察任务给机器人装配不同的传感器组合。工具的算法必须适合在没有任何自身算法要求修饰的情况下它能够处理来自不同的传感器组合传来的混合信息。 为了达到这一点我们打算做一个处理，允许添加或去除工具系统上的传感器选择适当的模型贮存在卡尔曼滤波器中。有人建议在传感器调节或适合的卡尔曼滤波器出现故障之前使用卡尔曼滤波器内的滤波器。受到这个问题的启发，我们设计出多重卡尔曼滤波器运算规则以适应不同的传感器组合。一种革新的方法是同时接受来自不同传感器的信息。在真实的系统中，所有的传感器以不同的速率传送资料。我们的途径是经滤波器转换处理，这样只有最新的数据被用来计算估计值。我们的设计方法是同时联系从许多冗余的传感器传来的信息。 这篇文章做了有条理的叙述。第二章介绍广泛应用传感器组合的卡尔曼滤波器。 然而，卡尔曼滤波器无疑存在着一些缺点。第三章介绍我们已经设计出来多重卡尔曼滤波器传感器融合策略旨在克服这些限制，接下来在第四章介绍通过这些结果总结使用方法。 传统的卡尔曼滤波器 卡尔曼滤波器在文献[4]中有详细的介绍，理想的线性估计基于反复的递归处理。它有很广泛的应用性并且对于传感器融合实用性很好。递归运算对于线性系统是理想的估计。在这种情形下，系统的状态即为工具的状态。在每个迭代的滤波器一个新状态的判断就是一个估计，滤波做处理这些新测量值。卡尔曼滤波器由两部分低处理部分组成，随时重复扫描：时间修正和测量修正。 一种简单的方法介绍卡尔曼滤波器就是说它包含两种传感器测量值，每种处理过程包含一组测量值。在修正处理过程中优先估计的X（k）是基于先前的状态估计值即X（k-1）得到的，传感器间接联系到这个状态。然后，在修正估计值的处理中这个优先的估计值这个状态的来自其它传感器的直接得测量值，这样得到这个状态的修正估计值X(k)。 2.1 时间修正处理 由方程（1）和（2）所描述的最理想的估计来自之前的迭代值，注意X(k-1) 是在时间上的投影通过状态的转变矩阵，输入的噪声矩阵U(k)通过系统的矩阵B联系输入的状态进行描述。 (1) (2) 说明，我们把它当作我们的机器人导航系统一个例子。在方程1中，X的状态是线性的安装在工具上，U是线性传感器的输入。矩阵A和B反映了影像系统，A等于1，B等于dt,时间间隔是相同的。方程2表示误差的协方差矩阵P，其代表估计值X的误差的方差。Q是协方差矩阵，它联系处理来自测量值U(k)的噪声。 2.2 测量值修正处理 这个处理过程形式化如方程3至5，Z(k)来自传感器的测量值 Z(k)的直接噪声与优先估计值Xprior(k)相比较，通过修正后符合这个优先估计值的值来得到新的估计值X(k)。矩阵H叙述了这个状态的估计值。 (3) （4） （5） 每个估计值的重要性由卡尔曼系数K决定。矩阵Q和R是轮流确定获得的值，Q和R分别表示过