System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及粉尘环境下机器人系统的目标状态估计,具体而言,涉及一种粉尘环境下机器人系统的目标状态估计。
技术介绍
1、随着机器人领域的发展,机器人的目标状态估计功能得到广泛应用。其中粉尘环境下,机器人的目标状态估计的实现,变得尤为困难。无规则的粉尘环境,可理解为非高斯扰动,对于非线性非高斯的机器人系统而言,不仅大大增加了所需收敛时间,更会带来更大的估计误差。
2、因此,滤波技术的应用变得尤为重要。滤波是指从含有噪声的传感测量中估计未知的状态或参数,非线性滤波是解决该类不确定信号处理问题的核心技术之一,其广泛应用于工程,统计和数学领域。贝叶斯推理为滤波问题提供了一种数学机制,然而在实际应用中,由于非线性动态系统函数的复杂性,难以对方程的积分运算进行闭式解析分析,通常需利用数值方法近似解算。其中,高斯逼近是一种常用方法,该方法通过高斯矩匹配法近似目标分布的第一二阶矩,该方法计算简单,然而数值精度较为一般。无迹变换技术通过选择固定数量的sigma点进行状态传递,直接逼近目标原始分布的均值和协方差。在满足协方差矩阵为正定的前提条件下,无迹卡尔曼滤波(unscented kalman filter,ukf)算法可达到三阶数值精度。当状态空间模型的积分维度适中时,可根据gauss-hermite规则确定数值积分点进行多维二次积分或者容积积分,若满足假定的概率模型条件下的特定积分条件,该算法能够最大程度地减小近似误差而成为相关应用领域中的高性能基准技术。然而该类sigma-point卡尔曼滤波器的应用通常仅限于高斯噪声扰动,该局
3、因此亟需对相关方法进行改进,提高在粉尘环境下无迹卡尔曼滤波的收敛速度,降低机器人进行目标状态估计时的平均误差。
技术实现思路
1、本专利技术的目的在于提供基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其可以提高在粉尘环境下无迹卡尔曼滤波的收敛速度并降低机器人进行目标状态估计时的平均误差。
2、本专利技术的实施例通过以下技术方案实现:
3、基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,用于粉尘环境下机器人系统的目标状态估计,包括以下步骤:
4、建立离散时间的非线性非高斯机器人系统;
5、设定广义高斯核函数的形状系数σα、核宽系数σβ,设定初始状态估计值和初始协方差矩阵p0|0;
6、进行时间更新,获得k时刻的和pk|k-1,其中为在时刻k-1预测得到的时刻k的状态估计,pk|k-1在时刻k-1预测得到的时刻k的状态协方差矩阵;
7、根据pk|k-1进行量测更新;
8、根据pk|k-1和更新后验估计和获取卡尔曼增益kk;
9、根据相比的变化情况进行判断,若变化情况符合标准则令然后进入下一步,否则更新t=t+1然后返回上一步;
10、根据pk|k-1、所述卡尔曼增益kk、观测噪声的协方差矩阵rk和观测矩阵h获取更新后的时刻k的状态协方差矩阵pk|k。
11、优选地,所述建立离散时间的非线性非高斯机器人系统的方法为:
12、
13、其中,f(x)是机器人系统的状态方程,a是机器人系统的状态转移矩阵,wk是机器人系统的状态转移噪声,h(x)是机器人系统的量测方程,vk是机器人系统的量测噪声,xk+1是k+1时刻机器人系统的多维状态向量,zk是k时刻机器人系统的多维量测向量。
14、优选地,所述进行时间更新的方法包括以下步骤:
15、获得多个sigma点及其相关权值和
16、
17、其中,是机器人系统k-1时刻的状态变量的估计值,n为状态变量的总数,pk-1|k-1为更新后的时刻k-1状态协方差矩阵,λ=α2(n+κ)-n;
18、
19、其中,α为与所述sigma点间的比例因子,κ为采样比例因子;
20、进行状态预测获得k时刻的和pk|k-1:
21、
22、其中,γi,k|k-1=f(χi,k-1|k-1),f(x)是机器人系统的状态方程,qk是过程噪声协方差矩阵。
23、优选地,所述与所述sigma点间的比例因子α和所述采样比例因子κ的取值方法为:α为0-1;当是单变量时κ为0,是多变量是时κ为3-n。
24、优选地,所述进行量测更新的方法包括以下步骤:
25、获得多个sigma点及其相关权值:
26、
27、其中,xk|k-1是在时刻k-1对时刻k的状态的最佳估计,n为状态变量的总数,pk-1|k-1是更新后的时刻k-1的状态协方差矩阵,λ=α2(n+κ)-n,h(.)是机器人系统的量测方程;
28、
29、其中,α为与所述sigma点间的比例因子,κ为采样比例因子;
30、进行量测更新:
31、
32、其中,zk+1|k为在时刻k对k+1时刻预测的观测值,pzz,k+1|k为在k时刻预测的k+1时刻的观测协方差矩阵,pxz,k+1|k为在k时刻预测的k+1时刻的交叉协方差矩阵,γi,k|k为更新后的k时刻的第i个采样点的γ函数,xk+1|k为在k时刻更新得到的对k+1时刻的状态估计预测值,zi,k+1|k为在k时刻预测的k+1时刻的第i个采样点的观测值。
33、优选地,所述与所述sigma点间的比例因子α和所述采样比例因子κ的取值方法为:α为0-1;当是单变量时κ为0,是多变量是时κ为3-n。
34、优选地,所述根据pk|k-1和更新后验估计和获取卡尔曼增益kk的方法包括以下步骤:
35、获得更新矩阵hk以及统计线性化误差的协方差fk:
36、hk=(pxz,k|k-1)t(pk|k-1)-1;
37、fk=pzz,k|k-1-(pxz,k|k-1)t(pk|k-1)-1(pxz,k|k-1)t;
38、对pk|k-1和fk+rk进行cholesky分解得到θk|k-1。
39、
40、其中,θp(k|k-1)是pk|k-1的cholesky分解;θr(k)是fk+rk的cholesky分解,rk是观测噪声的协方差矩阵;
41、计算新的误差ek:
42、
43、
44、
45、式中中的t表示迭代次数且初始值θk为pk和fk+rk的cholesky分解,zk为时刻k机器人系统的多维量测向量,h(.)是机器人系统的量测方程;
46、根据所述误差ek计算矩阵ψk和矩阵φk:
47、
48、
49、其中,l=m+n,m为量测变量的数目,n是状态变量的数目,是广义高斯核函数,其形式如下:
50、
51、式子中,γ(x)是gamma函数,σα和σβ分别为形状本文档来自技高网...
【技术保护点】
1.基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,用于粉尘环境下机器人系统的目标状态估计,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述建立离散时间的非线性非高斯机器人系统的方法为:
3.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述进行时间更新的方法包括以下步骤:
4.根据权利要求3所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述与所述sigma点间的比例因子α和所述采样比例因子κ的取值方法为:α为0-1;当是单变量时κ为0,是多变量是时κ为3-n。
5.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述进行量测更新的方法包括以下步骤:
6.根据权利要求5所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述与所述sigma点间的比例因子α和所述采样比例因子κ的取值方法为:α为0-1;当是单变量时κ为0,是多变量是时κ为3-n。
8.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述根据相比的变化情况进行判断的方法为:
9.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述获取更新后的时刻k的状态协方差矩阵Pk|k的方法为:
...【技术特征摘要】
1.基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,用于粉尘环境下机器人系统的目标状态估计,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述建立离散时间的非线性非高斯机器人系统的方法为:
3.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述进行时间更新的方法包括以下步骤:
4.根据权利要求3所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所述与所述sigma点间的比例因子α和所述采样比例因子κ的取值方法为:α为0-1;当是单变量时κ为0,是多变量是时κ为3-n。
5.根据权利要求1所述的基于广义误差熵于粉尘环境下的无迹卡尔曼滤波方法,其特征在于,所...
【专利技术属性】
技术研发人员:何嘉诚,彭倍,毛雪梅,高松,胡搏,王洁,李雪花雨,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
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。