相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法技术

本发明专利技术涉及一种相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法，属于轮式机器人轨迹跟踪数据融合技术领域，包括建立轮式移动机器人的连续时间运动学模型，将其进行离散化，建立轮式移动机器人的非线性状态模型和非线性传感器测量模型；对于非线性状态模型考虑高斯噪声干扰，对于非线性传感器测量模型考虑高斯噪声干扰和非高斯噪声干扰；对非线性传感器测量模型进行线性化；综合考虑过程噪声和测量噪声之间的一步相关性；提出一种无迹信息滤波算法，得到信息矩阵和信息向量的估计；产生每个时刻的状态估计，进行轮式移动机器人的轨迹跟踪。本发明专利技术基于无迹卡尔曼滤波的基础上引入噪声的相互干扰和非高斯干扰，提高了对目标轨迹跟踪的精度。轨迹跟踪的精度。轨迹跟踪的精度。

【技术实现步骤摘要】
相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法


[0001]本专利技术涉及一种相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法，属于轮式机器人轨迹跟踪数据融合


技术介绍

[0002]近年来，传感器数据融合在目标跟踪、定位、机器人等领域发挥着越来越广泛的作用。对于数据融合，尽可能保持融合算法的稳定性和鲁棒性以获得更准确的状态估计是人们正在研究的问题。在状态估计中，非线性系统滤波是一个非常重要的领域，因为在实际应用中非线性的例子数不胜数。因此，非线性领域引起了越来越广泛的兴趣。非线性滤波通过贝叶斯滤波的思想，利用先验概率和似然概率来估计后验概率，从而得到状态估计。无迹卡尔曼滤波器是一种应用于非线性系统的通用状态估计方法。当系统具有高度强非线性时，仍具有较高的估计精度。无迹卡尔曼滤波(UKF)被证明具有高稳定性、鲁棒性和更好的估计精度。无迹信息滤波(UIF)源于UKF的思想，它也有准确的状态估计。UIF相对于UKF的优势是可以适应传感器数据问题，可以融合分散收集的传感器数据。这种数据融合是通过贝叶斯准则完成的，对数形式的贝叶斯准则变成了加法。因此，可以通过添加传感器数据信息来获得信息融合。
[0003]在一般情况下，对于噪声之间的相互影响，现在的很多算法并没有考虑，在复杂的室内环境下以及计算机离散的过程中，这会带来过程噪声和测量噪声的相关性，并且影响状态的估计精度。在传感器测量过程中，除了有高斯白噪声的干扰，还有非高斯噪声的影响，其中非高斯噪声的干扰也会影响传感器的测量精度，从而影响轮式机器人的估计精度。因此非高斯噪声的影响是不可避免的。

技术实现思路

[0004]本专利技术的目的是提供一种相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法，通过考虑过程噪声和测量噪声之间的一步相关性、传感器测量的非高斯干扰以及信息滤波的加法特性，给出了一种无迹信息滤波算法来完成轨迹的跟踪效果，具有良好的跟踪效果和估计精度。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法，包括如下步骤：
[0007]S1、建立轮式移动机器人的连续时间运动学模型，将连续时间运动学模型进行离散化，建立轮式移动机器人的非线性状态模型和非线性传感器测量模型；对于非线性状态模型考虑高斯噪声干扰，即用过程噪声来表示离散化过程中的误差和建模过程中的误差；对于非线性传感器测量模型考虑高斯噪声的干扰，即用测量噪声来描述传感器的量测误差特性；针对传感器测量过程中的不确定性考虑非高斯噪声的干扰，并给出非高斯噪声的描述方法；
[0008]S2、对非线性传感器测量模型进行线性化，得到线性测量模型；
[0009]S3、综合考虑过程噪声和测量噪声之间的一步相关性，得出相关噪声特性的描述方法；
[0010]S4、对于过程噪声和测量噪声一步相关以及测量过程中的非高斯噪声干扰，提出一种无迹信息滤波算法，得到信息矩阵和信息向量的估计；
[0011]S5、根据所述信息矩阵和信息向量的估计，产生每个时刻的状态估计，进行轮式移动机器人的轨迹跟踪。
[0012]本专利技术技术方案的进一步改进在于：所述步骤S1的连续时间运动学模型为：
[0013][0014][0015][0016]其中，
x
和y分别表示轮式移动机器人X轴和Y轴的位置，v为轮式移动机器人的线速度，θ为轮式移动机器人的角度信息，ω为轮式移动机器人的角速度。
[0017]所述离散化后的轮式移动机器人的非线性状态模型为：
[0018][0019]其中，x
k+1
∈R
n
表示状态向量，x
k,1
和x
k,2
表示离散化轮式移动机器人的位置，x
k,3
表示离散化后的角度，T表示采样周期。f(
·
)表示非线性状态转移函数，ω
k
表示在k时刻的过程噪声；
[0020]所述离散化后的非线性传感器测量模型为：
[0021][0022]其中，z
k
∈R
m
表示传感器的测量向量，h(
·
)表示传感器的非线性测量函数，v
k
表示在k时刻的测量噪声；
[0023]针对传感器测量过程的不确定性，认为非高斯噪声的干扰为r
k
，且服从均匀分布r
k
～U(a,b)，其中，a和b分别是一个标量常数，并且有a<b。
[0024]本专利技术技术方案的进一步改进在于：所述步骤S2将非线性传感器测量方程进行泰勒展开，得到如下线性测量方程：
[0025]z
k
＝H
k x
k
+v
k
[0026]其中，是线性化后的测量矩阵。
[0027]本专利技术技术方案的进一步改进在于：所述步骤S3的相关噪声特性为：
[0028][0029]v
k
＝a1ω
k
‑1+b1[0030]S
k
‑
1,k
＝Q
k
‑1a
1T
[0031]其中，a1是相关噪声强度，b1是高斯噪声，S
k
‑
1,k
表示相关噪声，相关噪声的存在影响状态的估计精度。
[0032]本专利技术技术方案的进一步改进在于：所述步骤S4中轮式移动机器人在k时刻的信息向量和信息矩阵具体表示为：
[0033][0034][0035]其中，Y
k|k
是更新的信息矩阵，Y
k|k
‑1是预测信息矩阵，是更新的信息向量，R
k
是传感器测量噪声方差，表示为预测的测量值，并且有
[0036]本专利技术技术方案的进一步改进在于：所述步骤S5根据k时刻信息矩阵和信息向量得到轮式移动机器人的位置信息估计：
[0037][0038]其中，是状态向量估计。
[0039]由于采用了上述技术方案，本专利技术取得的技术效果有：
[0040]本专利技术提出了在过程噪声和测量噪声一步相关和传感器测量过程中非高斯干扰情况下的无迹信息滤波方法，本专利技术基于无迹卡尔曼滤波的基础上引入噪声的相互干扰和非高斯干扰，提高了对目标轨迹跟踪的精度。
附图说明
[0041]图1是本专利技术的流程图；
[0042]图2是本专利技术实施例滤波算法轨迹跟踪示意图；
[0043]图3是本专利技术实施例X轴方向滤波算法轨迹跟踪示意图；
[0044]图4是本专利技术实施例Y轴方向滤波算法轨迹跟踪示意图；
[0045]图5是本专利技术实施例位置误差曲线示意图；
[0046]图6是本专利技术实施例角度误差曲线示意图；
[0047]图7是本专利技术实施例均方根误差曲线对比示意图。
具体实施方式
[0048]下面结合附图及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法，其特征在于，包括如下步骤：S1、建立轮式移动机器人的连续时间运动学模型，将连续时间运动学模型进行离散化，建立轮式移动机器人的非线性状态模型和非线性传感器测量模型；对于非线性状态模型考虑高斯噪声干扰，即用过程噪声来表示离散化过程中的误差和建模过程中的误差；对于非线性传感器测量模型考虑高斯噪声的干扰，即用测量噪声来描述传感器的量测误差特性；针对传感器测量过程中的不确定性考虑非高斯噪声的干扰，并给出非高斯噪声的描述方法；S2、对非线性传感器测量模型进行线性化，得到线性测量模型；S3、综合考虑过程噪声和测量噪声之间的一步相关性，得出相关噪声特性的描述方法；S4、对于过程噪声和测量噪声一步相关以及测量过程中的非高斯噪声干扰，提出一种无迹信息滤波算法，得到信息矩阵和信息向量的估计；S5、根据所述信息矩阵和信息向量的估计，产生每个时刻的状态估计，进行轮式移动机器人的轨迹跟踪。2.根据权利要求1所述的一种相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法，其特征在于：所述步骤S1的连续时间运动学模型为：征在于：所述步骤S1的连续时间运动学模型为：征在于：所述步骤S1的连续时间运动学模型为：其中，
x
和y分别表示轮式移动机器人X轴和Y轴的位置，v为轮式移动机器人的线速度，θ为轮式移动机器人的角度信息，ω为轮式移动机器人的角速度；所述离散化后的轮式移动机器人的非线性状态模型为：其中，x
k+1
∈R
n
表示状态向量，x
k,1
和x
k,2
表示离散化移动机器人的位置，x
k,3
表示离散化后的角度，T表示采样周期；f(
·
)表示非线性状态转移函数，ω
k
表示过程噪声；所述离散化后的非线性传感器测量模型为：其中，z
k
∈R
m
表...

【专利技术属性】
技术研发人员：李丽，李鹏超，
申请(专利权)人：燕山大学，
类型：发明
国别省市：