机器人机构分析与综合课件：5_3 机器人的的信息融合.pptVIP

(2). 卡尔曼滤波 应用：融合低层的实时动态多传感器冗余数据。 该方法应用测量模型的统计特性递推地确定融合数据的估计，且该估计在统计意义下是最优的。如果系统可以用一个线性模型描述，且系统与传感器的误差均符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一的统计意义下的最优估计。 滤波器的递推特性使得它特别适合在那些不具备大量数据存储能力的系统中使用。 应用领域：目标识别、机器人导航、多目标跟踪、惯性导航和遥感等。 卡尔曼滤波 卡尔曼滤波器应用 应用卡尔曼滤波器对n个传感器的测量数据进行融合后，既可以获得系统的当前状态估计，又可以预报系统的未来状态。 所估计的系统状态可能表示移动机器人的当前位置、目标的位置和速度、从传感器数据中抽取的特征或实际测量值本身。 3．贝叶斯估计  贝叶斯估计是融合静态环境中多传感器低层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示。 当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。 大多数情况下，传感器是从不同的坐标系对同一环境物体进行描述，这时传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。 4. 多贝叶斯方法 Durrant－Whyte将任务环境表示为不确定几何物体集合的多传感器模型，提出了传感器信息融合的多贝叶斯估计方法。 多贝叶斯估计把每个传感器作为一