《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > IEKF濾波在移動機器人定位中的應(yīng)用
IEKF濾波在移動機器人定位中的應(yīng)用
來源：電子技術(shù)應(yīng)用2013年第2期
強敏利， 張萬緒
西北大學(xué) 信息科學(xué)與技術(shù)學(xué)院， 陜西 西安 710127
摘要： 針對EKF中觀測噪聲方差估計不準(zhǔn)確導(dǎo)致濾波器性能下降甚至發(fā)散的問題，提出了基于環(huán)境特征的迭代擴展卡爾曼濾波(IEKF)融合算法。該算法融合了里程計采集的機器人內(nèi)部數(shù)據(jù)和激光雷達(dá)傳感器采集的外部環(huán)境特征，在測量更新階段多次迭代狀態(tài)估計值并對機器人的位姿進(jìn)行修正，減少了非線性誤差，提高了定位精度。
中圖分類號： TP242
文獻(xiàn)標(biāo)識碼： A
文章編號： 0258-7998(2013)02-0074-04
Application of iterated extended Kalman filtering in mobile robot localization
Qiang Minli， Zhang Wanxu
College of Information Science and Technology, Northwest University, Xi′an 710127，China
Abstract： To address the problem of performance degradation and even divergence of EKF caused by poor estimates of the observation noise，an iterated extended Kalman filter fusion algorithm based environment characteristic is proposed. This algorithm combined with the robot internal data collected by odometer and external environment characteristic collected by laser radar sensor. In the measurement of update stage, the state estimation is iterated many times to correct the robot position, and the nonlinear error is reduced and localization accuracy is improved.
Key words : self-localization; mobile robot; Kalman filtering; information fusion

    隨著電子技術(shù)和計算機技術(shù)的快速發(fā)展及機器人定位精度的不斷提高，智能移動機器人的應(yīng)用越來越廣泛。現(xiàn)已廣泛應(yīng)用于工業(yè)生產(chǎn)、?？仗剿?、軍事、家庭和一些服務(wù)行業(yè)。

     精確的定位是移動機器人安全、有效地完成任務(wù)的關(guān)鍵和前提[1]?，F(xiàn)有的大多數(shù)定位方法是通過機器自身攜帶的傳感器實時感知自身所處環(huán)境的位置和周圍信息，并不斷修正自身狀態(tài)，然后在有障礙物的環(huán)境中有效地完成任務(wù)。
    卡爾曼濾波[2]是由一系列遞歸數(shù)學(xué)公式描述的。它們提供了一種高效可計算的方法來估計過程的狀態(tài)，并使估計均方誤差最小，應(yīng)用廣泛且功能強大。但如果模型或系統(tǒng)噪聲特性估計與實際不符，則會降低濾波器的精度甚至導(dǎo)致濾波器發(fā)散。為了解決此問題，本文結(jié)合外部環(huán)境特征信息并在測量更新階段多次迭代濾波估計值，減小定位誤差，提高系統(tǒng)穩(wěn)定性。
1 系統(tǒng)模型
    本文的研究對象是一種三輪智能移動機器人，該機器人的其中一輪為萬向輪，另外兩輪為驅(qū)動輪。兩個驅(qū)動輪上裝有光電碼盤。利用驅(qū)動輪的碼盤數(shù)據(jù)，可以計算機器人的動態(tài)位置信息。機器人的正前方裝有激光雷達(dá)測距傳感器，可以采集已知環(huán)境中的路標(biāo)信息。準(zhǔn)確的系統(tǒng)模型直接影響著機器人的定位精度。因此，本文首先根據(jù)機器人信息建立了坐標(biāo)系統(tǒng)模型、機器人運動模型和傳感器觀測模型。


1.3 觀測模型
    根據(jù)機器人運動模型估計的位姿，只是實際位姿的一個粗略的估計，由于輪子打滑等原因存在一定誤差，而且隨著機器人移動時間的增加，誤差將越來越大，最終移動機器人將偏離自己的軌跡。為了修正誤差，移動機器人需要利用激光雷達(dá)傳感器，對路標(biāo)進(jìn)行觀測，修正自身的位姿。
    本文利用激光雷達(dá)測距傳感器的觀測信息來修正機器人自身的位置。機器人在運動過程中，利用測距傳感器掃描周圍環(huán)境，獲得的觀測量z(k)是周圍環(huán)境路標(biāo)相對于傳感器的距離和方向，然后根據(jù)先驗的地圖信息確定自身的實際位置。在定位問題的狀態(tài)空間描述中可以表示為：



 

 


    眾所周知，迭代次數(shù)越多，計算量越大，時間越長。因此，實際機器人定位中，針對實際硬件條件，可以選取合適的迭代次數(shù)提高算法的定位精度，增強算法的收斂穩(wěn)定性。
    由兩次實驗結(jié)果可以看出，IEKF算法估計的路標(biāo)特征和機器人路徑與實際基本相符。從實驗所得的誤差數(shù)據(jù)可以看出，相對于機器人自身的空間大小，誤差在可接受的范圍之內(nèi)，表明該定位系統(tǒng)定位精度較高，具有較高的可靠性。
    本文針對機器人定位精度問題，在傳統(tǒng)卡爾曼濾波的基礎(chǔ)上，提出一種迭代擴展卡爾曼濾波算法。該算法相對于傳統(tǒng)卡爾曼濾波算法，在狀態(tài)更新階段采用多次迭代更新，減少了系統(tǒng)線性化時所帶來的誤差，并將該算法與多傳感器信息融合技術(shù)結(jié)合應(yīng)用于有路標(biāo)的機器人定位。模型簡單、存儲量小。實驗結(jié)果表明該算法在保證實時性的同時較大地提高了定位精度，能夠滿足機器人高精度及可靠性等方面的要求。
參考文獻(xiàn)
[1] 丁偉，孫華，曾建輝.基于多傳感器信息融合的移動機器人導(dǎo)航綜述[J].傳感器與微系統(tǒng)，2006,25(7):1-3.
[2] 石杏喜，趙春霞.基于概率的移動機器人SLAM算法框架[J].計算機工程，2010,36(2)：31-32.
[3] 曾健平, 王保同， 謝海情. 自主移動機器人定位系統(tǒng) Kalman濾波算法改進(jìn)[J].計算機應(yīng)用研究，2011,28(5): 1710-1712.
[4] 李良群，姬紅兵，羅軍輝.迭代擴展卡爾曼粒子濾波器 [J].西安電子科技大學(xué)學(xué)報，2007,34(2)：233-238.
[5] 陳小寧，黃玉清，楊佳. 多傳感器信息融合在移動機器人定位中的應(yīng)用[J].傳感器與微系統(tǒng)，2008，27(6)：110-113.
[6] 鄒智榮，蔡自興，陳白帆.移動機器人SLAM中一種混合 數(shù)據(jù)關(guān)聯(lián)方法[J]. 小型微型計算機系統(tǒng)，2011,32(7)：1341-1343.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。