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】
本申请涉及机器人控制算法领域,涉及基于卡尔曼滤波的机器人位姿预估方法。
技术介绍
1、面向低成本轮式机器人同步定位与地图构建(simultaneous localization andmapping,slam)领域中,相关性扫描匹配(correlative scan matching,csm)算法是一种基于激光雷达的扫描匹配算法,具体是结合搜索窗口进行扫描匹配,获取栅格地图中被激光点云占用概率最大的位姿,作为最终位姿,然而,该算法精度严重依赖初始搜索位姿的置信度。
2、现有技术还可以选择以初始搜索位姿作为先验信息,通过扩展卡尔曼滤波(extended kalman filter,ekf)框架融合惯性测量单元(inertial measurement unit,imu)的感测数据与旋转编码器的感测数据来处理出机器人的最终优化位姿。
3、机器人基于相关性扫描匹配(correlative scan matching,csm)算法对激光数据处理不及时以及输出的位姿数据存在信息延迟等问题,例如,通过相关性扫描匹配算法执行窗口搜索和匹配操作会存在延时,导致接收到的量测数据经常存在延时、乱序等现象,使得来自同一目标的较早时刻的量测晚于当前时刻的量测到达处理中心的状况,称之为滞后无序量测问题,当延迟的量测数据到来时,直接利用延迟的量测数据会引起机器人的惯导传感器的感测误差快速增长。
技术实现思路
1、本申请公开基于卡尔曼滤波的机器人位姿预估方法,具体的技术方案如下:
...【技术保护点】
1.基于卡尔曼滤波的机器人位姿预估方法,其特征在于,机器人位姿预估方法包括:
2.根据权利要求1所述机器人位姿预估方法,其特征在于,通过重复执行步骤A3和步骤A4来更新所述当前位姿预测数据及其先验协方差矩阵,直至重复执行次数达到预设目标迭代次数,将当前校正后的当前位姿预测数据设置为目标位姿预测数据;
3.根据权利要求1所述机器人位姿预估方法,其特征在于,在所述步骤A1中,机器人获取当前位姿观测数据及其噪声协方差矩阵时,配置当前时刻存在当前位姿观测数据,并确定当前位姿观测数据的时间戳小于当前时刻,其中,当前位姿观测数据的时间戳是预先设置的相关性扫描匹配算法计算出当前位姿观测数据的时刻;
4.根据权利要求1所述机器人位姿预估方法,其特征在于,在所述步骤A3中,计算所述卡尔曼增益矩阵的方法包括:
5.根据权利要求4所述机器人位姿预估方法,其特征在于,在所述步骤A4中对当前位姿预测数据进行校正的方法包括:其中,是所述当前位姿观测数据,且以向量表示;是所述历史位姿观测数据;j是所述历史位姿观测数据的时间戳,j小于i;是所述当前位姿预测数据;是
6.根据权利要求1所述机器人位姿预估方法,其特征在于,在所述步骤A2中,所述基于运动学方程,由当前位姿观测数据计算出当前位姿预测数据的方法包括:
7.根据权利要求6所述机器人位姿预估方法,其特征在于,在所述步骤A2中,所述基于状态方程计算当前位姿预测数据的先验协方差矩阵的方法包括:
8.根据权利要求6所述机器人位姿预估方法,其特征在于,所述机器人位姿预估方法还包括:
9.根据权利要求8所述机器人位姿预估方法,其特征在于,当确定机器人处于静止状态时,使用N组加速度测量矢量的平均值更新为所述偏置加速度,并使用N组角速度测量矢量的平均值更新为所述偏置角速度,以使机器人在更新所述偏置加速度和所述偏置角速度后通过执行步骤A2至步骤A4来更新所述当前位姿预测数据及其先验协方差矩阵。
10.根据权利要求8所述机器人位姿预估方法,其特征在于,当确定机器人不处于静止状态时,基于卡尔曼滤波算法,使用所述左轮转动测量值和所述右轮转动测量值分别计算出左轮预测状态数据和右轮预测状态数据,再分别校正左轮预测状态数据和右轮预测状态数据。
11.根据权利要求10所述机器人位姿预估方法,其特征在于,在确定机器人不处于静止状态后,在卡尔曼滤波算法所需的计算框架下,基于状态方程计算出左轮预测状态数据及其先验协方差矩阵,并基于状态方程计算出右轮预测状态数据及其先验协方差矩阵;然后通过引入机器人运动速度约束条件,对左轮预测状态数据和右轮预测状态数据分别进行卡尔曼滤波以形成非完整约束校正,得到校正后的左轮预测状态数据和校正后的右轮预测状态数据;然后将校正后的左轮预测状态数据更新为所述左轮转动测量值,并将校正后的右轮预测状态数据更新为所述右轮转动测量值;
12.根据权利要求8所述机器人位姿预估方法,其特征在于,所述对一个所述观测周期内所采集的N组测量值计算加权均方误差的方法包括:
...【技术特征摘要】
1.基于卡尔曼滤波的机器人位姿预估方法,其特征在于,机器人位姿预估方法包括:
2.根据权利要求1所述机器人位姿预估方法,其特征在于,通过重复执行步骤a3和步骤a4来更新所述当前位姿预测数据及其先验协方差矩阵,直至重复执行次数达到预设目标迭代次数,将当前校正后的当前位姿预测数据设置为目标位姿预测数据;
3.根据权利要求1所述机器人位姿预估方法,其特征在于,在所述步骤a1中,机器人获取当前位姿观测数据及其噪声协方差矩阵时,配置当前时刻存在当前位姿观测数据,并确定当前位姿观测数据的时间戳小于当前时刻,其中,当前位姿观测数据的时间戳是预先设置的相关性扫描匹配算法计算出当前位姿观测数据的时刻;
4.根据权利要求1所述机器人位姿预估方法,其特征在于,在所述步骤a3中,计算所述卡尔曼增益矩阵的方法包括:
5.根据权利要求4所述机器人位姿预估方法,其特征在于,在所述步骤a4中对当前位姿预测数据进行校正的方法包括:其中,是所述当前位姿观测数据,且以向量表示;是所述历史位姿观测数据;j是所述历史位姿观测数据的时间戳,j小于i;是所述当前位姿预测数据;是当前校正后的当前位姿预测数据;是当前位姿观测数据与历史位姿观测数据之间的残差;
6.根据权利要求1所述机器人位姿预估方法,其特征在于,在所述步骤a2中,所述基于运动学方程,由当前位姿观测数据计算出当前位姿预测数据的方法包括:
7.根据权利要求6所述机器人位姿预估方法,其特征在于,在所述步骤a2中,所述基于状态方程计算当前位姿预测数据的先验协...
【专利技术属性】
技术研发人员:王珂,周和文,包敏杰,戴崑,许润泽,肖刚军,
申请(专利权)人:珠海一微半导体股份有限公司,
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。