状态估计在足球机器人中的应用

《状态估计在足球机器人中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、东北大学硕士学位论文摘要状态估计在足球机器人中的应用摘要当今，国际上对足球机器人的研究以及相应的各种比赛取得了迅速的发展。足球机器人是一个交叉学科，并且足球机器人系统本身既是一个典型的多智能体系统，又是一个多机器人协作自治系统，同时又为它们的理论研究和模型测试提供一个标准的实验平台。本文简要介绍了足球机器人的发展历史、现状和未来的前景，分析了研究足球机器人的意义，说明了它是富有活力的新兴学科。并介绍了足球机器人的基本类型及其组成原理，对集控式足球机器人系统做了一定的阐述。本文着重讲述了在足球机器人中使用卡尔曼滤波对视觉采集

2、回来的数据进行处理。由于，视觉传感器采集回来的数据不可避免的含有大量噪声，而我们又为了准确的预测后几个周期小球的速度、加速度和位置，所以我们必须滤波。卡尔曼滤波是可以在线性离散随机系统中使用的。而且，它具有简单的滤波结构、非常好的收敛性和滤掉高频噪声的能力。卡尔曼滤波突出的优点是它的数学公式是以状态方程的形式给出的。它的另一个优点是它有利于计算机的递归运算，特别是在每次计算系统的状态时，只需要系统上一个周期的状态值和这个周期所新输入的状态值。所以，卡尔曼滤波非常适合用于在计算机上计算和用状态空间表示的系统。实践证明，此方法

3、是行之有效的。而且在今年北京的比赛上，我们用这种方法来处理守门员的预测问题。结果守门员的表现比较理想，一些基本的射门都能被守门员扑出。这就证明了守门员对小球的预测是比较准的，也同时证明了卡尔曼滤波的可行性和优越性。我们还总结了东大“牛牛”比赛时的经验教训，在试验了多种算法之后改进了一些决策函数，并增加了一些实战效果良好的函数，对原有的决策程序做了一定幅度的修改、归纳和分类，完善和改进了足球机器人决策子系统。改进后的决策程序在实际比赛中取得了很好的成绩。关键词：足球机器人：卡尔曼滤波：线性离散随机系统：高频噪声：状态方程东北

4、大学硕士学位论文AbstractTheApplicationofParameterEst、imationinCentralizedRobot-soccerStrategySystemAbstractRecentyearssawallincreaseinresearchinterestsandkindsofcompetitionsinrobotsoccer-Thesoccerrobotisanewinterdisciplinaryresearcharea，atypicalmulti—agentsystemandamulti—

5、robotcooperativeautonomoussystem．Furthermore，itprovidesastandardtest·bedandtheoreticresearchmodelofthesefields．Thisthesisinbriefintroducestherobot．Soccerintheareasofhistory,actualsituationanddevelopmentinthefutureandanalysesitsgreatsignificanceinresearch．Alsoitpro

6、veditisanewpattemenergeticsubject．Thisthesisalsodescribedthebasictypesofrobot—socceranditsconstructionandthefurthersystemofcentralizedrobot—soccer．Thethesismainlypresentsasolutiontotheproblemofvisualtrackingsystemforthemovingballintherobotsystemusingthetimevarying

7、Kalmanfiltermethod．DuetothevisionSC=rlsorinherentlycontainsalotofnoise，inordertopredictthepositionofthemovingballatthenexttimestep，thevelocityestimation，theaccelerationestimationaswellaspositonestimationatthecurrenttimestepisneeded．TheKalmanfilterisdefinedasobserv

8、erforthelineardiseretestoehasticsystem．IthassimplefilterstructureandgoodconYergenceandabilitytoremovehighfrequencynoise(10w-passfilter)．Adistinctivefeat