[發明專利]基于自適應卡爾曼濾波與平均跟蹤的分布式地圖融合方法

有效

• 申請號: 202010972064.3
• 申請日: 2020-09-16
• 公開（公告）號: CN112097774B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 陳飛;楊承旺;黃伯敏;項林英
• 申請（專利權）人: 東北大學秦皇島分校
• 主分類號: G01C21/20
• 分類號: G01C21/20;G01C21/16
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

本發明提供基于自適應卡爾曼濾波與平均跟蹤的分布式地圖融合方法，涉及控制和信息技術領域。該方法首先構造多智能體系統的網絡拓撲結構圖，并確定其鄰接矩陣；再根據智能體所使用的運動傳感器和測量傳感器分別建立各智能體的狀態方程及觀測方程；根據各智能體的狀態方程及觀測方程設計自適應卡爾曼濾波算法，獲取各智能體的局部地圖信息，并將其轉換成信息向量和信息矩陣的形式，再利用平均跟蹤算法設計實現分布式地圖融合方法；設定多個智能體的初始值信息與路標點信息，以及過程噪聲和觀測噪聲的統計量初值，運行分布式地圖融合算法，并根據運行結果不斷修正分布式地圖融合算法，直至算法收斂，最終得到智能體探測區域的全局地圖。

技術領域

本發明涉及控制和信息技術領域，尤其涉及基于自適應卡爾曼濾波與平均跟蹤的分布式地圖融合方法。

背景技術

20世紀90年代末以來，關于單個智能體的同步定位與建圖問題(SLAM)一直是人們關注的焦點。同步定位和建圖(SLAM)指的是在沒有非自主導航方法輔助下，如GPS、北斗等定位系統，智能體依靠實現自身位置估計的傳感器，以及獲取環境信息的傳感器，在實現自身定位的同時繪制探測區域地圖的過程。單個智能體進行SLAM過程時，如果系統模型中的噪聲統計量未知，那么其準確的系統模型就不可知；同時，隨著時間的推移，環境傳感器會發生誤差積累，導致繪制的地圖偏差越來越大。

近年來，多智能體協同SLAM逐漸成為國內外機器人認知領域的研究熱點。多智能體系統具有更快的操作速度、更高的執行效率，以及更可靠的系統穩定性。所以，在各種復雜的未知環境下，尤其是沒有定位系統輔助的情況下進行救災、資源勘查和空間探測等特殊任務，多智能體系統更有優勢。

卡爾曼濾波已廣泛應用于SLAM問題。但是，它需要精確已知的系統模型，這種條件只適用于仿真實驗環境下。實際應用過程中，智能體所在的外部環境都是未知，這就導致各個機器人所使用的各種傳感器會出現各種偏差。因此，各種噪聲的統計量也就是未知且變化的，進而使得每個智能體的系統模型是未知的。

多智能體協同完成SLAM過程時，整個智能體網絡結構可能是動態變化的，而且每個智能體的通信半徑是有限的。所以，每個智能體需要自主決定在什么情況下和鄰居智能體進行通信，從而提高整個算法的運行效率。而且，由于局部地圖經常用狀態向量和協方差矩陣來表示，這種表現形式下，很難求解多個智能體之間的互協方差。

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，提供一種基于自適應卡爾曼濾波與平均跟蹤的分布式地圖融合方法，利用自適應卡爾曼濾波算法提高每個智能體的定位精度，并繪制出較為精確的局部地圖，再通過平均跟蹤算法將各個智能體的局部地圖融合成全局地圖同時實現全局定位。

為解決上述技術問題，本發明所采取的技術方案是：基于自適應卡爾曼濾波與平均跟蹤的分布式地圖融合方法，包括以下步驟：

步驟1：構造多智能體系統的網絡拓撲結構圖，每個節點代表一個智能體，每條邊代表智能體間的信息交互；

所述構造的多智能體系統的網絡拓撲結構圖記為：其中，表示所有智能體的集合，ε表示所有智能體連邊的集合，N_ij＝{j|(i,j)∈ε；j≠i}表示由智能體i的鄰居智能體所構成的集合，j表示智能體i的鄰居智能體；

步驟2：確定所構造的多智能體系統的網絡拓撲結構圖的鄰接矩陣；

多智能體系統的網絡拓撲結構圖的鄰接矩陣A，其形式為：如果智能體i和智能體j有邊相連，則A_ij＝a，a代表相鄰智能體之間邊的權重值；如果沒有邊相連，則為A_ij＝0；

步驟3：根據智能體所使用的運動傳感器和測量傳感器分別建立多智能體系統中各智能體的狀態方程及觀測方程；

建立多智能體系統中各智能體的狀態方程和觀測方程，其形式如下：