迭代卡尔曼滤波在机器人定位中的应用.docVIP

迭代卡尔曼滤波在机器人定位中的应用 　　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 　　中图分类号:TP919-34; TP391 文献标识码:B 　　文章编号:1004-373X(2010)22-0123-03 　　 　　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 Company, 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 was solved by iterated extended Kalman filtering (IEKF) by combining 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 lower than the threshold and localization error aroused from Taylor expand is reduced effectively. The convergent stability was improved by the method. Finally, IEKF and EKF methods are compared. the simulation result shows that IEKF is an effective method in localization of mobile robots.Keywords: iterated Kalman 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-Whyte 把导航问题归结为3个子问题[2],包括回答“我在哪里?”,“我要去哪里?” 和“我怎样到达那里?”。其中第一个问题就是定位问题。如果机器人没有获取自身的位置,就无法进行后续的目标识别和路径规划。现有大多数定位方法的关键是通过融合内部传感器的测量信息与外部传感器的测量信息,以减少过程噪声和传感器的测量误差,得到更精确的机器人位置信息。 　　Kalman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?Х直鸨硎净?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),w(k)] 　　=x(k)y(k)θ(k)+ΔD(k)cos[θ(k)+Δθ(k)/2] 　　ΔD(k)sin[θ(k)+Δθ(k)/2] 　　 Δθ(k)(1) 　　z(k)=h[x(k),v(k)](2) 　　式中:??x(k)为系统在k 时刻状态; z(k)为k 时刻状态变