[發明專利]一種應用于非高斯噪聲環境下的移動機器人狀態估計方法

有效

• 申請號: 202010212534.6
• 申請日: 2020-03-24
• 公開（公告）號: CN111291319B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 王賀彬;葛泉波;劉華平;付東洋;申興發;劉洺辛
• 申請（專利權）人: 廣東海洋大學深圳研究院
• 主分類號: G06F17/15
• 分類號: G06F17/15;G06F17/16
• 代理公司: 杭州奧創知識產權代理有限公司 33272
• 代理人: 王佳健

本發明涉及一種應用于非高斯噪聲環境下的移動機器人狀態估計方法。針對現有濾波器在非線非高斯噪聲環境下其估計精度大打折扣，本發明將利用高斯和容積卡爾曼濾波解決非高斯非線性濾波問題，采用凸組合融合，對高斯和濾波器產生的大量高斯項，將Salmood高斯混合項合并方法和基于KL距離的高斯混合項合的方法B(i,j)準則進行加權融合，進而得到一種更好的高斯項合并方法。本發明能夠有效提高移動機器人在非高斯非線性環境下的濾波精度與穩定性。

技術領域

本發明屬于狀態估計領域，涉及一種應用于非高斯噪聲環境下的移動機器人狀態估計方法。

背景技術

移動機器人在運動過程中，存在系統延時、噪聲干擾以及不確定因素干擾等問題，使機器人不可能很好的按照規劃好的路線行駛。在移動機器人跟蹤定位系統中，環境中存在非高斯噪聲，導致跟蹤精度低、穩定性差。高斯和濾波器(GSF)常被用于解決非線性、非高斯系統的狀態估計問題，GSF使用高斯分布的加權和來逼近狀態概率密度函數，同時可以近似任意分布。但是傳統高斯和濾波器存在嚴重的局限性，即每次迭代時用于近似密度函數的高斯項的數量都會增加，高斯項的增加會增加算法的復雜度，限制算法的使用。

目前解決高斯和濾波器中高斯項數目不斷增加一般采用Salmood提出的高斯項合并方法，該高斯項合并方法的效果并不理想。本發明基于GSF原理，同時利用并行的CKF進行狀態預測與量測更新，采用凸組合融合方法，對高斯和濾波器產生的大量高斯項，融合了Salmood高斯混合項合并方法和基于KL距離的高斯混合項合的方法B(i,j)準則。這樣可以得到一種更好的高斯混合項合并方法更趨向于原分布，并且最終得到的高斯混合項的數目也比較理想，為解決移動機器人在非高斯狀態估計中的跟蹤精度低、穩定性差等問題，提供有效解決方法。

發明內容

本發明的目的是針對現有機器人狀態估計濾波算法在非線性非高斯環境下濾波估計的性能急劇下降，提供了一種應用于非高斯噪聲環境下的移動機器人狀態估計方法。

本發明解決技術問題所采取的技術方案為：

本發明包括以下步驟：

步驟一：考慮以下移動機器人運動模型。

x_k＝f(x_k-1)+ω_k-1

z_k＝h(x_k)+v_k

其中x_k表示移動機器人在x軸方向的位置，z_k為傳感器對移動機器人狀態的觀測值，f(·)為移動機器人的狀態轉移矩陣，h(·)是傳感器的觀測模型，ω_k-1為非高斯過程噪聲，v_k為非高斯量測噪聲k表示時刻。

步驟二：時間更新：將非高斯過程噪聲w_k用高斯和表示為

其中分別代表第j個過程噪聲分量的權重、均值、方差。則k時刻一步轉移概率p(x_k|x_k-1)可以表示為：

其中為根據機器人運動模型得到的移動機器人狀態的一步預測。

根據貝葉斯濾波遞推公式可得k時刻x_k的一步預測概率密度估計為p(x_k|z_k-1)為

k時刻有I個狀態分量，一步預測后，每個狀態分量又結合J個過程噪聲分量，狀態分量增加到I*J個，其中為分別為一步預測結束后第(i,j)個狀態分量以及狀態分量的協方差，表示它們的權重。

步驟三：量測更新：將非高斯量測噪聲用高斯和原理表示為：