基于ekf与pf多机器人协同定位技术

《基于ekf与pf多机器人协同定位技术》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、基于EKF与PF多机器人协同定位技术　　摘要：无论对于单机器人还是多机器人系统，定位能力是其完成各项任务的前提条件。针对常用定位技术难以满足移动机器人群体协同定位精度高、实时性强等要求，提出了一种基于扩展卡尔曼滤波（EKF）和粒子滤波（PF）的混合定位技术。首先，对机器人进行运动建模，然后分别讨论基于扩展卡尔曼滤波和粒子滤波的机器人协同定位的基本原理、优缺点，在此基础上提出基于扩展卡尔曼滤波和粒子滤波相结合的协同定位方法。结果表明，该算法在满足一定条件下可有效解决定位精度与运算量之间的矛盾，可实现在初始条件未知或存在较大误差情况下多机器人快速、精

2、确地协同定位。关键词：多机器人系统；协同定位；扩展卡尔曼滤波；粒子滤波中图分类号：TN710?34；TP332.3文献标识码：A文章编号：1004?373X（2013）23?0095?04Multi?robotsco?localizationtechniquebasedonEKFandPFTIANHong?bing1，FANGuang?nan2，SONGLong2（1.CollegeofComputerandCommunication，LanzhouUniversityofTechnology，Lanzhou730050，12China；2.Co

3、llegeofElectricalandInformationEngineering，LanzhouUniversityofTechnology，Lanzhou730050，China）Abstract：Thepositioningcapacityisaprerequisitetocompletethetasks，nomatterforsingle?robotormulti?robotssystems.Itisdifficultforcommonlocationtechniquetomeettherequirementsofmobilerobot

4、groupsinhighco?localizationaccuracyandstrongreal?time.AhybridlocationtechniquebasedonExtendedKalmanFilter（EKF）andParticleFilter（PF）isproposed.Themulti?robotsaremotionmodeling，thenthebasicprincipleofrobotco?localizationbasedonEKForPFandtheiradvantagesanddisadvantagesarediscuss

5、edrespectively.Onthisbasis，anotherco?localizationbasedonthecombinationofEKFandPFisproposed.Theexperimentresultshowsthatthismethodiseffectivelyinsolvingthecontradictionbetweenpositioningaccuracyandcalculationundersomecondition.Andwhentheinitialconditionisunknownortheerrorsisla

6、rge，12themulti?robotsco?localizationcanalsoberapidlyandprecisely.Keywords：multi?robotsystem；co?operativelocalization；EKF；PF0引言随着人工智能、计算机、传感器等技术的不断发展，移动机器人的研究及应用得到了前所未有的进步。多机器人的群体协作由于具有比单一机器人系统更高的工作效率、鲁棒性、定位精度等优点而得到了广泛的关注，其中多机器人的协同定位问题成为近年来机器人研究领域的一大热点及难点。目前，机器人协同定位技术主要有：卡尔曼滤波

7、、粒子滤波、最大似然估计、模糊逻辑、人工神经网络[1]。这些定位方法的基本思想是：如何融合内部传感器的测量信息和外部传感器的观测信息以减少过程误差和传感器的测量误差，得到更精确的机器人位置信息[2]。它们都有一定的适应范围，单一方法很难满足多机器人系统的复杂工作环境。针对初始状态未知或存在较大测量误差的情况，本文提出EKF和PF相结合的定位方法，即先用PF使初始条件收敛到EKF的初始误差允许范围，再用EKF进行迭代滤波，以达到快速、精确协同定位的目的。1多机器人系统协同定位技术框架12多机器人系统的协同定位是指多机器人群体利用相互之间的观测信息，

8、在未知环境中互为路标，并通过信息交换，共享各个机器人获得的自身和环境测量信息，得到比单个机器人自身定位更精确的位姿估计[3]，其技术框架