无嗅卡尔曼滤波在移动机器人定位中的应用.pdf

无嗅卡尔曼滤波在移动机器人定位中的应用.pdf

ID:51499890

大小:262.43 KB

页数:4页

时间:2020-03-25

无嗅卡尔曼滤波在移动机器人定位中的应用.pdf_第1页
无嗅卡尔曼滤波在移动机器人定位中的应用.pdf_第2页
无嗅卡尔曼滤波在移动机器人定位中的应用.pdf_第3页
无嗅卡尔曼滤波在移动机器人定位中的应用.pdf_第4页
资源描述:

《无嗅卡尔曼滤波在移动机器人定位中的应用.pdf》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、无嗅卡尔曼滤波在移动机器人定位中的应用梅黎锦无嗅卡尔曼滤波在移动机器人定位中的应用AppIicationoftheUnscentedKaImanFiIterinPos.tiOningofMObiIeRObOt籀罄锦(上海电机学院高职学院,上海200240)摘要:为了更有效、可靠地从传感器原始数据中获取信息,介绍了一种移动机器人同步定位与地图创建的方法。该方法使用二维激光测距传感器实现室内环境中的移动机器人自主定位,依靠无嗅卡尔曼滤波器减少定位过程中所产生的误差;通过激光测距仪采集机器人所在环境数据的曲率函数,将环境特征分解为直线、拐角和曲线三类基本定位特征,并结合环境地图得到

2、机器人位置和姿态的最优解。试验结果表明。该定位方法对于室内环境是有效的。关键词:机器人定位激光测距仪无嗅卡尔曼滤波计算精度中图分类号:T甲242文献标志码:AAbstract:T0ob谢nt}Iei山订Il“onfromtlle祈girIaldata∞me‰dvely绷dreliably,tlleme山od0fsync}Iro∞mpositioIlilll;aIIdm印cm矾i洲formobilembot8i8ilI仉汕∞ed.WidltIlismethod。tlle2一Dla∞rmllge6ndillg鸵n80risu8edf打aulonom叫8p08iti耐IIg0fth

3、e蝴underindoorenVi∞rIment;aIldthe唧rc明8cdinp08i缸oIIingprocedu陀samredIIcedby咖scentedK山n锄矗lter(uKF}.T1lTnugIlcouec6ngtIlecu丌&tL眦劬cdom0ftlleenvi瑚meIltaldatabyla鸵rra“ge丘nder,tIleenvhD姗entalfeatu坤isdecomp‘,鸵di-lloth陀ecate学DIiesofP08i60niJlgfeatur略,i.e,.s昀iglltUn郫。即硼e玛andcuⅣ髓;combiIlingwithenvimnf∞

4、ntalmap。tlleoptimal∞luti∞oftllep∞idon锄dattitudeformbotisob“ned.TlIe麟perim蛐taI陀sIIlt8indicatetlIattIli8posidoni嚷methodige脑tiveforind∞ren“mnmem.K唧唧ords:RobotP08ib叩iIlgh∞rr蚰gefinderUn8cented-“ln啪fiherC且lc山tionaccur龇yO引言移动机器人在运动过程中需要知道自身的位姿(位置和姿态),这对于移动机器人的导航至关重要。众所周知,仅依靠电机码盘信息无法满足定位过程的需要,因为随着机

5、器人移动距离的增加,码盘数据的误差也会不断增加⋯。基于特征的机器人导航的关键问题是如何有效、可靠地从传感器原始数据中获取信息一。。激光测距仪具有高可靠性、高采样率和高测量精度等特点,被广泛应用于移动机器人的导航领域日1。无嗅卡尔曼滤波(u鹏centedKaI眦nfilter,uKF)”J是一种非线性的最优估计器。不同于扩展卡尔曼滤波(extendedKal啪nfilter,EKF)”1需要线性化处理过程,UKF是基于采样原理来处理非线性问题,并且不需要服从高斯分布。通过采用合适的si目嗽点采样策略,UI(F'较EKF能够提供更好的计算精度。本文介绍了一种新颖的移动机器人定位方

6、法,uKF将来自电机码盘的数据和来自激光测距仪的数据进行有效融合。6o,并给出机器人位姿的最优解。该方法由数据分割、特征提取和概率修改稿收到日期:2012一04—14。作者梅棼锦(1964一),女.20呕年毕业于上海理工大学计算机应用专业.获硕士学位。讲师;主要从事机械工程、图形学和计算机应用方面的研究。《自动化仪表》第33卷第7期2012年7月定位三个主要步骤组成。l激光扫描数据的分割激光扫描仪按照一定的角解析度△妒=吼一妒。一。对环境进行测量。它所提供的一帧距离像数据是离散的数据集,通常用极坐标形式描述为:S。=(L,吼)乃=O,⋯,Ⅳ(1)式中:(0,妒。)为第,1个测

7、量点的极坐标值;r。为在吼方向上传感器的中轴到障碍物体间的水平距离。原始数据通常包含许多基本特征(如直线、曲线和拐角等),因此,需要对其进行进一步分解。曲率值反映了在每—个测量点处特征的弯曲情况,属于同一特征数据的曲率值可以被认为是基本相同的。本文利用测量数据的曲率函数将聚类后的数据分割成几种独立的特征,曲率函数的具体计算方法参见参考文献[7]。在室内环境中所采集到的激光测距传感器图像信息及其曲率函数如图l所示(图中实心圆点表示传感器原始采集信号;空心圆圈表示机器人)。从曲率函数中可以提取图像信息所含的

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。