多传感器信息融合在移动机器人定位中的应用(共5页).doc

《多传感器信息融合在移动机器人定位中的应用(共5页).doc》由会员分享，可在线阅读，更多相关《多传感器信息融合在移动机器人定位中的应用(共5页).doc（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上多传感器信息融合在移动机器人定位中的应用 1 引言多传感器信息融合是指对不同知识源和传感器采集的数据进行融合以实现对观测现象更好的理解。随着传感器技术、计算机科学和信息技术的快速发展，多传感器信息融合技术已成为当前信息科学领域的重要研究方向之一。多传感器信息融合扩展了时间和空间的观测范围，增强了数据的可信度和系统的分辨能力，提高了系统的可靠性、描述环境的能力和信息处理速度。自主移动机器人在未知环境下作业时，首先要解决的基本问题就是其自身的定位问题。常见的方法是预先提供给机器人描述环境的地图信息，地图中包含一系列标注位置的地标，这些地标具有一定的特征。机器人通过自身携带

2、的传感器所采集到的环境特征与已知地标中的特征进行匹配，以此来推断自己所处的位置。在早期的研究中机器人通常配备激光、声纳等距离、角度传感器，这些传感器依靠高精度（如激光）的测量结果，保证机器人获取准确的环境特征信息从而得到正确的定位结果。然而各类传感器都有它自己的局限性，不能满足复杂的环境变化。多传感器信息融合为移动机器人在各种复杂的、动态的、不确定或未知的环境中工作提供了一种技术解决途径。视觉系统数据传感器数据融合激光测距仪数据定位算法导航策略机器人位姿及速度控制模块碰撞传感器里程计检测动作执行模块图1 机器人定位控制软件结构框图准确并可靠感知周围环境是移动机器人定位的重要任务。多传感器数据融

3、合可提高移动机器人定位过程中对环境观测的可靠性和精确性。不同的传感器对于不同特点的环境能提供冗余的信息。所以提高可靠性的一个基本思想就是综合从不同传感器获得的环境信息来提高观测冗余性。从移动机器人定位控制软件结构框图1中可知，激光测距仪和视觉系统首先完成数据采集，经过各自滤波算法处理的结果再被输入到传感器数据融合模块进行进一步匹配与合并。在传感器数据融合算法中，由传感器自身特性所决定的处理周期的差异需要系统确定统一的时间参考。根据导航策略中所完成目的任务的不同，不同的传感器数据存数据融合算法中具有不同的重要性，这也造成不同数据处理任务调度规则也不尽相同。2理论基础在移动机器人位姿估计中，卡尔曼

4、滤波是一种基于概率模型进行状态和参数估计的有效方法。在系统噪声和测量服从高斯白噪声分布情况下，卡尔曼滤波用带有噪声的状态方程和观测方程递推决定统计意义上的最优位姿估计，但实际应用中不满足这一条件的情况会造成机器人误定位的发生。卡尔曼滤波同时可实现实时低层次传感器信息的融合，但多种传感器提供的环境信息也会造成新息协方差矩阵维数的增高，从而增加系统处理的负担，影响定位和地图创建的实时性。扩展卡尔曼滤波(EKF)是一种用于机器人位姿跟踪的常用定位方法，其效果主要取决于由里程计误差造成的机器人位姿误差分布与理想高斯分布之间的偏差速度。由于只采用高斯分布一种误差模型，所以当这种单一分布无法保证时会造成局

5、部地图和全局地图之间无法正确匹配，继而导致不可恢复的滤波发散。如果发生这种定位失败情况，机器人只能采用全局定位方法对机器人进行重新定位。但如果机器人的位姿跟踪速度足够快，同时机器人配备的传感器可以获取足够精度的外部环境信息，并且定位过程中没有碰撞等意外事件的发生，此时扩展卡尔曼滤波可以满足机器人定位的可靠性要求，这是因为机器人位姿误差能够保证在我们事先假设的高斯分布范围之内。3 算法描述机器人定位问题是一个系统状态随时问变化的问题。一般而言，分析一个动态系统至少需要建立两个模型，一个模型描述状态随时间的发展情况，称为运动模型，另一个是关于状态测量值的模型，成为感知模型。而卡尔曼滤波对这个问题提

6、供了一个有效的解决路径。3.1 线性卡尔曼滤波卡尔曼滤波提供了解决离散时间控制下的状态估计问题。这个离散时间过程由以下离散随机差分方程描述：, 并且己知该过程中伴随着测量方程：, 随机变量wk和vk分别代表过程和测量误差。假设两者为相互独立，正态分布的白色噪声：P(w) N(0,Q)P(v) N(0,R)在实际中，过程噪音协方差矩阵Q与测量噪音协方差矩阵R都会随着时间和测量的进行而不断变化,但是在这里我们假设它们是恒定的。k-1时刻的状态通过矩阵A与k时刻状态联系起来,实际中该矩阵可能是变化的，但是在这里我们假设它不变。矩阵B将控制量与状态量x联系起来。在测量方程中，矩阵H将测量量与状态量x联

7、系起来。在实际操作中，随着测量过程的进行，H也是可能发生变化的，但是这里我们依旧将其视为不变。定义（代表先验，代表估计）为在已知第k步以前状态情况下第k步的先验状态估计。定义为已知变量时第k步的后验状态估计。由此定义先验估计误差和后验估计误差：这样，就可以分别得到两者误差估计协方差分别为：为了得到卡尔曼滤波算法的方程，首先要构造如下方程，从而将上述各量合理联系起来： 式中（）称为测量残差。它表示预测测量值与实际测量之间的差异。K为一个矩阵，为卡尔曼增益，用来减小后验误差协方差，通常由以下式子得到：由上式可以得到以及，也就是说测量误差协方差越小，实际的测量就越准确，而预测的测量值也就越不准；然而

8、，先验估计误差协方差越小，实际的测量反而越不准确，预测的测量值却相对更准确。使用卡尔曼滤波进行的过程估计是通过反馈控制来完成的。在某时刻先对过程状态进行估计，然后通过测量反馈进行更正。因此，可以将算法中的方程分为两大类即：时间更新方程和测量更新方程。时间更新方程是用来通过当前状态值以及其误差协方差获得下一时刻状态的先验估计值；而测量更新方程则是用于反馈，通过反馈回来的测量值以及先验估计来获得更为准确的后验估计。实际上时间更新方程可以看成是“预测”，而测量更新方程则可以看成是“矫正”。时间更新（预测）测量更新（矫正）图2 预测矫正算法3.2 扩展卡尔曼滤波(EKF)通过上述对卡尔曼滤波的简单介绍

9、可以看出它主要处理的是线性问题，而通常情况下，我们更多遇到的是非线性问题。这样就应该了解一下专门用于处理这类问题的扩展卡尔曼滤波算法。仿效泰勒级数展开，在当前估计值处对过程或测量方程求偏导，从而将非线性问题线性化。同卡尔曼滤波一样，假设过程状态向量，不同的是该过程是由以下非线性方程表示：同样，观测方程也是非线性的：，随机变量wk和vk分别代表的是过程与测量噪音。实际过程中，我们可能无法获知任意时刻这两中噪音的具体值，但是我们可以在忽略它们的情况下给出状态与测量向量的近似表达式如下：以及根据上述两式将状态向量和测量向量线性化其中与分别为实际的状态向量和测量向量，和分别为根据上式得到的状态和测量向

10、量的估计。同样，可以将算法中的方程分为两大类即：时间更新方程和测量更新方程。时间更新方程是用来通过当前状态值以及其误差协方差获得下一时刻状态的先验估计值；而测量更新方程则是用于反馈，通过反馈回来的测量值以及先验估计来获得更为准确的后验估计。4 实际应用在实际应用中，用扩展卡尔曼理论的思想来建立机器人运动模型和观测模型。主要包括预测与更新两个阶段。某一时刻k，在给定控制参数后，根据动力学模型可以预测机器人在k+1时刻的位姿状态；同时结合观测模型还可以预测在k+1时刻机器人对旧（已经核实的）特征的观测值；在实践环节中，即在时刻k到时刻k+1的过程中，机器人基本上要完成三大工作：环境特征的提取和合理

11、性检验，以及相关数据的匹配。从而获得对特征的实际测量，同时筛选出新的特征。将对特征的估计测量和实际测量的差异值（残差），机器人位姿估计以及旧的地图一起作为输入参数，通过一定滤波算法即可更新机器人位姿，进而得到新特征的位置信息并将其融入到旧地图中尘成新地图。总而言之，该方法要求机器人的位置和所有地图特征的位置存放在同一个状态向量中，并且这个向量是增广的。当观测到环境中新的特征时，就要把它作为新的地图特征添加到状态向量中。然后通过滤波就可以构建一个收敛的地图。在极限情况下，随着对环境特征的重复观测，地图特征之间的相对关系变得完全确定，并且地图的不确定性控制在一个小的范围内。这个误差范围与机器人初始位置的不确定性有关。通过构建地图移动机器人就可以准确地定位。5 总结机器人自定位是实现自主导航的关键问题之一。为了满足机器人在导航时精确定位的要求，基于多传感器信息融合的定位算法是一个有效的途径。根据对机器人运动机构的分析和运动机构间的刚体约束，建立机器人的运动学模型；由传感器的工作原理建立观测模型；利用扩展卡尔曼滤波(EKF)算法将传感器采集的数据进行融合；最后，由匹配的环境特征对机器人的位置进行修正，得到精确的位置估计。这样就能有效地提高移动机器人定位精度。专心-专注-专业