【技术实现步骤摘要】
基于秩卡尔曼滤波的无人车SLAM导航方法
本专利技术涉及无人车自主导航领域，具体涉及一种基于秩卡尔曼滤波的无人车SLAM导航方法。
技术介绍
SLAM是一种解决无人车在未知环境中导航问题的技术。这种技术就是无人车运用自身所带的传感器进行数据的获得，计算并确定自身所在的环境信息，同时又用自身所得的环境信息更新自身的位置。同时也成为机器人导航算法中的热门算法。SLAM算法的研究侧重于使用滤波器理论，一般使用里程计的输入为滤波器的预测输入，激光雷达或者视觉传感器输出为滤波器更新阶段的输入。最为传统的方法就是将扩展卡尔曼滤波(EKF)引入SLAM里边，其实际就是将非线性化的模型使用扩展卡尔曼滤波进行处理。EKF是将非线性函数展开成Taylor级数并略去二阶及以上项，它可以解决一部分的非线性问题，但是当系统非线性较严重时，它近似线性化所产生的截断误差会降低滤波精度和稳定性，因此在实际工程中，EKF只能对弱非线性系统进行局部线性化处理。
技术实现思路
本专利技术提供一种基于秩卡尔曼滤波的无人车SLAM导航方法...
【技术保护点】
1.一种基于秩卡尔曼滤波的无人车SLAM导航方法，其特征在于，包括：/n步骤一：建立无人车的动力学模型和观测模型如下：/n
【技术特征摘要】
1.一种基于秩卡尔曼滤波的无人车SLAM导航方法，其特征在于，包括：
步骤一：建立无人车的动力学模型和观测模型如下：
其中，为k时刻移动机器人的位姿信息，uk是nu维控制向量，zk是nz维的观测向量，wk和vk分别为系统噪声向量和量测噪声向量；
步骤二：建立SLAM模型并进行预测和更新，所述SLAM模型为：式中为k时刻的特征地图；
所述预测是通过无人车的状态模型和k-1时刻的后验概率分布来得到k时刻的先验概率分布：这一概率分布对应着上述无人车的动力学模型所述更新是量测方程获得k时刻的测量值zk，然后得到后验概率分布：这一概率分布对应着上述无人车的观测模型zk＝h(xk)+vk；
步骤三：对无人车的位姿信息采样，得到秩采样点集为：
式中，χk-1，i为的第i个采样点，共有4n个样本点；n为的维数。表示的是Pk-1平方根的第i列向量；up为标准正态偏量；为无人车第k-1时刻的状态；
步骤四：获取无人车第k步的状态一步预测：
xk/k-1，i＝f(χk-1，i)，i＝1，2，…，4n(3)
式中xk/k-1，i表示的是第i个采样点的状态预测值；表示的是移动机器人的状态预测值；
步骤五：获取协方差的一步预测：
式中，Pk/k-1表示的是移动机器人的状态一步预测误差协方差；Qk-1表示的是过程噪声的协方差；
步骤六：对状态一步预测进行重新秩采样：
式中，χk/k...
【专利技术属性】
技术研发人员：娄泰山，班鸿业，赵素娜，贺振东，丁国强，焦玉召，王晓雷，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。