卡尔曼滤波理论及在机器人中应用研究.docVIP

卡尔曼滤波理论及在机器人中应用研究 　　摘 要：卡尔曼滤波提供了一种高效可计算的方法来估计过程的状态，并使估计均方误差最小,它在用于线性离散随机系统中具有滤除噪声的能力以及很好的收敛性。经试验表明，在机器人足球比赛中使用卡尔曼滤波，克服了视觉传感器采集回来的数据含有大量噪声的问题，因此能够更好地进行自我定位，执行上层策略，大大提高了准确性，减少了误差。?? 　　关键词：卡尔曼滤波；状态方程；机器人足球；自我定位；准确性?? 　　中图分类号：TP242.6 文献标识码：A 文章编号：1672-7800（2011）10-0021-02?お? 　　?? 　　作者简介：孙晶（1986-），女，河南信阳人，中国地质大学信息工程学院硕士研究生，研究方向为机器人；游佳佳（1986-），男，湖北黄冈人，中国地质大学信息工程学院硕士研究生，研究方向为无线通讯。 　　 　　1 卡尔曼滤波?? 　　1.1 卡尔曼滤波简介?? 　　 卡尔曼滤波是Kalman提出的从与被提取信号有关的观测量中，通过算法估计出所需信号的一种滤波方法，他将状态空间的概念引入随机估计理论中，将信号过程视为白噪声作用下的一个线性系统的输出，用状态空间的概念来描述这种输入输出关系。估计过程中利用系统状态方程、观测方程以及系统过程噪声、观测噪声的统计特性构成滤波算法。卡尔曼滤波是一套由计算机实现的实时递推算法，它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以系统的状态作为滤波的输出，滤波器的输入与输出由时间更新和观测更新算法联系在一起，根据系统状态方程和观测方程估计出所需要处理的信号。?? 　　1.2 卡尔曼滤波基本理论?? 　　 卡尔曼滤波是根据上一状态的估计值和当前状态的观测值推算出当前状态的估计值的滤波方法，是一种高效率的递归滤波器，其5条核心的公式如下：?? 　　 X(k|k-1)=A X(k-1|k-1)+B U(k)(1)?? 　　 其中，X(k|k-1)是指利用上一状态预测的结果，X(k-1|k-1)表示上一状态最优的结果，U(k)表示现在状态的控制量，如果没有控制量，它可以为0，A和B表示系统参数，对于多模型系统，它们为矩阵。这一步利用系统的过程模型，预测了下一状态的系统，实现了系统结构的更新。?? 　　 P(k|k-1)=A P(k-1|k-1) A’+Q（2）?? 　　 其中，P(k|k-1)是指X(k|k-1)对应的协方差，P(k-1|k-1)表示上一状态最优结果X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q表示系统过程的协方差。?? 　　 公式（1）、（2）实现了卡尔曼滤波对系统的预测功能，下面再结合现在状态的测量值去进行计算。?? 　　 Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ +R) （3）?? 　　 其中，Kg称为卡尔曼增益(Kalman Gain)，H表示协方差的转换系数，此步也就是说计算出一个系数，看看究竟是更相信预测值还是更相信真实值。?? 　　 X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1))（4）?? 　　 其中，X(k|k)是指得到的k状态下的最优的估算值，Z(k)表示k时刻状态下的观测值。?? 　　 P(k|k)=（I-Kg(k) H）P(k|k-1)（5）?? 　　 其中，P(k|k)是指更新的k状态下X(k|k)对应的协方差，I表示单位矩阵，如果对于单模型单测量，I为1。?? 　　 该算法还需要两个初始值，X(0|0)和P(0|0)，这样上面这5个公式就可以自回归地运算下去。?? 　　2 卡尔曼滤波在机器人中的应用?? 　　 近年来卡尔曼滤波在机器人领域的研究中发挥着重要作用，如机器人导航、控制、图像识别、传感器融合等。下面以全自主类人型机器人足球比赛的仿真系统，来介绍一下卡尔曼滤波的具体应用。?? 　　2.1 全自主机器人足球比赛系统?? 　　 在全自主机器人足球比赛中，每个机器人头部都有独立的视觉传感器，用来感知周围事物的角度和距离，机器人头部的自由度为180度。比赛场地上共有8个标定点，场地的4个拐角处有4个标定点，双方球门两侧各有一个标定点，这些标定点供机器人去定位识别。机器人在场上的时候，会选择离它自己最近的一个标定点去感知，并且由机器人坐标系转换为场地坐标系，来确定自己的位置。在此过程中，由于干扰的存在，信息中不可避免的含有噪声，主要为随机干扰和观测干扰，其中随机干扰主要由无线噪声、脉冲噪声、热噪声、霰弹噪声引起，还有一些其他干扰，观测干扰主要来源于与摄像有关的光线强弱、色度、方向、阴影及焦距、速度等。因此，我们运用卡尔曼滤波来滤除噪声，减少干扰的