资源描述：
《多传感器融合中的卡尔曼滤波探讨》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、《现代电子技术》2009年第14期总第301期þ新型元器件ü多传感器融合中的卡尔曼滤波探讨杨承凯,曾军,黄华(四川大学电气信息学院四川成都610065)摘要:现代科技对目标跟踪精度的要求越来越高,而系统所处环境的复杂性,使单传感器状态的估计已经无法满足系统感知外部环境的需要。在此,针对运动检测中的速度传感器和加速度传感器,给出一种应用卡尔曼滤波原理对多传感器进行数据融合的方法,得到了该方法下滤波器状态矩阵和相关矩阵的一般表达式。仿真和试验证明,运用该方法可以得到很好的滤波效果。关键词:多传感器;信息融合;卡尔曼滤波;速度与加速度中图分类号:TP212文献
2、标识码:A文章编号:10042373X(2009)142159203DiscussionofKalmanFilterinMulti2sensorFusionYANGChengkai,ZENGJun,HUANGHua(SchoolofElectricalEngineeringandInformation,SichuanUniversity,Chengdu,610065,China)Abstract:Ascomplexityofthesystemenvironmentandhighdemandofthemodernscienceforprecisiontra
3、cking,singlesensorstateestimationhasnotmettheperceivedneedsoftheexternalenvironment.Inthepaper,accordingtothespeedandaccelerationsensorinthemovementdetection,amethodofdatafusionisofferedtomulti2sensorusingtheprincipleofKalmanfilter,thenageneralexpressionoffilterstatematrixandcorr
4、elationmatrixisgained.Simulationandtestshowthatthismethodhasaverygoodfiltereffect.Keywords:multi2sensor;informationfusion;Kalmanfilter;speedandacceleration此,分析了速度传感器和加速度计各自的优缺点,给出0引言一种应用卡尔曼滤波器原理对两者进行数据融合的较靠单一的信息源己很难保证获取环境信息的快速好方法。性和准确性,以及给系统对周围环境的理解及系统的决1传感器简介策带来的影响。另外,单一传感器获得的仅是
5、环境特征的局部、片面的信息,信息量十分有限,而且每个传感器1.1光电编码器采集到的信息还受到自身品质、性能噪声的影响,信息光电编码器通常用于角度、位移或转速的测量,通往往是不完整的,带有较大的不确定性,甚至出现错误。过对光脉冲的个数进行计数,再经过计算,得到测量值。通常在传统方式中,各传感器采集的信息是单独、孤立假设在周长为L的圆盘上有M个过光孔。在离散系统地进行加工处理的。这不仅会导致处理工作量增加,而中,周期时间T内,对脉冲进行计数,其值为N,则且割裂了各传感器信息的联系,丢失了信息的有机组合第k次测量的线速度可表达为:[125]蕴涵的信息特征,也造
6、成信息资源的浪费。在运动Lv(k)=[N(k)+e(k)]=控制系统中,往往将速度传感器测量到的速度与加速度MT计测量到的加速度进行单独处理,没有将两者的信息进LN(k)Le(k)Le(k)+=^v(k)+(1)MTMTMT行数据融合。由物理定律可知,加速度与速度成导数关式中:e是随机误差,其为光脉冲取整后的剩余值,取值系,所以两者的数据存在着内在的联系,完全可以根据范围为(-1,1),可看作均匀分布;^v为实际的观测值,信息融合理论对两者数据进行综合处理,从而得到更加它与真值v之间相差Le/MT。可见,在固定长度的L准确的结果。卡尔曼滤波器是常用的一种
7、数据融合技术。它利用迭代递推计算的方式,对存贮空间要求很上,加大M或T的值,都可以减小误差。但是加大M小,适合于存贮空间和计算速度受限的场合[6,7]。在需要付出昂贵的成本,使传感器价格大幅提高,如光栅式光电传感器;加大T又会降低系统的动态响应性能,收稿日期:2008210215所以在实际应用中,这两者均难如愿。159传感器技术杨承凯等:多传感器融合中的卡尔曼滤波探讨在需要同时测量加速度的场合,理论上可以由对速算得到,因此只需存储前一次估计,用计算机计算起来[8]度求差分方程得出,即:非常高效。这些优点使得卡尔曼滤波特别适合于本v(k)-v(k-1)文的
8、速度与加速度状态的估计,下面将介绍离散卡尔曼a(k)==T滤波算法。L[N(k)
