CN111090281B - 基于改进粒子滤波算法估算机器人方位的方法和装置 - Google Patents
基于改进粒子滤波算法估算机器人方位的方法和装置 Download PDFInfo
- Publication number
- CN111090281B CN111090281B CN201911184272.0A CN201911184272A CN111090281B CN 111090281 B CN111090281 B CN 111090281B CN 201911184272 A CN201911184272 A CN 201911184272A CN 111090281 B CN111090281 B CN 111090281B
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- azimuth
- significant
- improved particle
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims description 40
- 230000003068 static effect Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于改进粒子滤波算法估算移动机器人精确方位的方法和装置，包括：S1:根据***动力学特性建立移动机器人的运动模型；S2:通过传感器采集移动机器人的方位信息数据，采用改进粒子滤波算法处理***中的显著误差，对其进行相应的补偿操作，得到精确估计移动机器人的方位状态参数。本发明基于改进粒子滤波算法实现显著误差的检测，识别和补偿，从而实现移动机器人***精确的方位估计，有效的提升了移动机器人方位估计的精度。
Description
技术领域
本发明涉及移动机器人定位的领域，具体是利用改进型粒子滤波算法处理显著误差问题，实现移动机器人精确的方位估计方法和装置。
背景技术
随着大数据及人工智能的迅速发展，移动机器人以其工作空间大，适应性强等优点获得了快速的发展和广泛的应用。移动机器人在复杂环境中的移动，其所面对的环境具有复杂、未知和非结构化的特点。为了保障其在各种环境中能够有效地完成各项任务，那么机器人应该具备自主定位导航和路径跟踪的能力，以便对自身的方位进行准确的估计。自定位算法是移动机器人实现的关键技术之一，移动机器人定位功能是各种移动机器人***中最基础、最重要的一项功能，也是实现各类功能的关键。估算精确方位是机器人正常工作的基本要求也是完成其他工作的基础。
作为最重要的状态估计工具，滤波器已经历了从非递归到递归、频域到时域、非平稳随机过程到状态空间模型的发展历程。如今，有众多用于状态估计的滤波算法，最典型的有：卡尔曼滤波(Kalman Filter，KF)、扩展卡尔曼滤波(Extended Kalman Filter，EKF)、无迹卡尔曼滤波(Unscented Kalman Filter，UKF)和粒子滤波(Particle Filter，PF)。粒子滤波算法可以说是当代非线性滤波中最被重视的一种滤波方法，它在各个领域中都有着极大的作用，近年来国内外学者们将粒子滤波算法结合到状态估计中，构成基于粒子滤波的状态估计。
在实际***中，考虑到测量数据可能会受到非随机事件的干扰，即显著误差的影响。显著误差一般由仪器故障、测量设备校正错误、传感器损坏、模数变换错误、过程缺陷等现象单独或多个所引起。显著误差的存在会引入了不准确的信息，其对于解决移动机器人的方位估计问题造成极大困难，因此有必要进行改进。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足，而提供基于改进粒子滤波算法估算机器人方位的方法和装置。通过该方法和装置利用改进型粒子滤波算法处理显著误差问题，实现移动机器人精确的方位估算。
为实现上述目的，本发明的提供了基于改进粒子滤波算法估算机器人方位的方法，其技术方案是其特征在于包括：
S1:根据***动力学特性建立移动机器人的运动模型；
S2:通过传感器采集移动机器人的方位信息数据，采用改进粒子滤波算法处理***中的显著误差，对其进行相应的补偿操作，得到精确估计移动机器人的方位状态参数。
进一步设置是：采用改进粒子滤波算法处理***中的显著误差方法为先对采集的方位信息数据进行检测，判断是否存在显著误差，如果不存在，就迭代进行下一次滤波估计；如果存在，就进行显著误差识别判别属于哪一类显著误差，判别出来之后，根据所属的显著误差类型，对其进行相应的补偿操作。
进一步设置是：将补偿后的方位信息数据作为下一次滤波的初始数据，进行下一次状态估计。
进一步设置是：所述的显著误差设定为异常值、静差和漂移三种类型，其中异常值表现为在测量数据中出现若干突发峰值；静差是指完成过渡过程之后的残余偏差，也就是被控变量的稳定值与给定值之差，其值可正可负，静差要求限制在给定值附近的某一允许的小范围内，其表现为在测量器件上产生了持续且相对稳定的错误值；漂移反映了在规定的条件下，测量仪器量测特性在一段时间内的连续或增量变化。
本发明还提供基于改进粒子滤波算法估算机器人方位的方法和装置，包括方位信号收集模块、信号处理模块以及上位机，其中通过方位信号收集模块对移动机器人的方位信息进行采集，并输入到信号处理模块进行改进粒子滤波算法处理，对其存在的显著误差进行识别类型，判别出来之后，该显著误差设定为异常值、静差和漂移三种类型，根据所属的显著误差类型对其进行相应的补偿操作，得到精确估计移动机器人的方位状态参数。
本发明基于改进粒子滤波算法实现显著误差的检测，识别和补偿，从而实现移动机器人***精确的方位估计，有效的提升了移动机器人方位估计的精度。
本发明是基于改进粒子滤波算法实现显著误差的检测与补偿，从而实现移动机器人***精确的方位估计，有效的提升了移动机器人方位估计的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1移动机器人的精确方位估计流程图；
图2包含异常值的测量数据；
图3包含静差的测量数据；
图4包含漂移的测量数据；
图5移动机器人非线性***动力学模型；
图6移动机器人全局坐标系下的动力学模型；
图7基于显著误差的改进型粒子滤波算法。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，本实施例所述方法包括：根据***动力学特性建立移动机器人的运动模型；通过传感器采集移动机器人的方位信息数据；采用改进粒子滤波算法处理***中的显著误差，得到精确估计移动机器人的方位状态参数，本发明的方法通过对比补偿显著误差前后的移动机器人的运行轨迹，验证所提出的改进粒子滤波算法的优越性。
S1：根据***动力学特性建立移动机器人的运动模型
设定移动机器人方位估计参数，建立非线性方位估计***的数学模型，如图5所示。选取移动机器人的方位变量时，选取线速度v和转向角速度w来作为测量数据，得到它的位置和姿态：x，y和θ。由于存在噪声，因此测量和控制都存在一定误差，即v和w均存在噪声信息。其非线性描述可以表述如下：
根据移动机器人的动力学模型，建立其在全局坐标系下的数学模型，从而实现***状态空间的构建，如图6所示。根据数学模型，建立粒子滤波算法的状态空间模型，其表述如下所示。
其中状态空间模型包括6个状态变量，分别为：x，y，θ，vx，vy，vθ。这里的vx和vy分别表示x轴和y轴的线速度，vθ表示转向角速度，即vθ＝w。此步骤得到的数据形成了移动机器人的真实运行轨迹模型，是为了与滤波处理后所得到的估计轨迹进行对比。
S2：采用改进型粒子滤波算法精确估计移动机器人的方位参数
在步骤1中对方位估计***—移动机器人进行数学建模，得到了其状态空间模型。之后是对收集到的数据进行处理的过程，其具体步骤如下所示。
1)首先根据粒子滤波的原理方法，从先验概率p(xk|xk-1)中得到一组随机样本，称为粒子i表示第i个粒子，并设初始粒子的权值为/>
2)在预测阶段，利用k-1时刻的这些粒子根据状态转移方程计算k时刻的先验样本集：
3)在更新阶段，根据测量数据yk和先验样本计算每个粒子的权重其中/>是似然概率。之后将权重进行归一化处理，以便于统一样本的分布特性。更新之后的后验分布：
4)由于p(xk|y1：k)不是常规的概率密度函数，无法进行直接采样，因此引入重要性采样得到粒子群和联合的权重。通过定义一个重要性密度q(xk|y1：k)，则联合权重表示为：
5)利用状态转移概率函数为建议分布，归一化权重：
6)在迭代过程中，由于粒子退化问题，重要性权重的协方差会增加，会对状态估计的精确性产生不良影响。因此引入重采样，将权重大的亲代粒子按照权重大小进行复制作为子代粒子，将权重小的亲代粒子舍弃。设定有效粒子数(Neff)来衡量粒子权值的退化程度：/>通过重采样以后，子代粒子的后验估计表示为：
7)计算状态估计向量和校正的测量值/>
8)对校正的测量值进行显著误差检测的方法是计算其残差大小，残差的表示方法是：
所述的显著误差主要包括异常值，静差和漂移三中类型。其中异常值表现为在测量数据中出现若干突发峰值，如图2所示。静差是指完成过渡过程之后的残余偏差，也就是被控变量的稳定值与给定值之差，其值可正可负，它是一个表明准确性的重要指标。在生产中被控变量的静差要求限制在给定值附近的某一允许的小范围内。其表现为在测量器件上产生了持续且相对稳定的错误值，如图3所示。漂移反映了在规定的条件下，测量仪器量测特性在一段时间内的连续或增量变化，在一定时间内保持其恒定量测特性的能力。漂移往往是由于压力、温度、湿度等外界因素所致，或是由于仪器本身性能的不稳定所致。如果测量误差出现漂移将很难校正。含有漂移的测量误差比其他两类误差要复杂得多，如图4所示。
显著误差三种类型的检测方式描述如下：
①如果异常值出现在k0步的第m个测量值中，那么其观测函数可以表示：
其中，表示k0步的第m个测量异常值的大小。
由于异常值主要是以独立且偶然的峰值形式出现，某一时刻的异常值往往与其他时刻没有关联。利用基于测量残差向量r与响应时间点k的距离尺度实现对异常值的检测。例如，在kc时刻第m个测量数据含有显著误差，则其测量残差点为它与其他所有测量残差点/>的最小距离Dmin可以表示为：
由于静差和漂移在表现形式上是许多连续数据点，而异常值是由若干孤立的突发峰值组成，因此静差和漂移的Dmin值会明显低于含有异常值的测量值。当测量值中未出现异常值时，所有的Dmin点与应基本呈现随机分布，为了对此假设加以测试，测试程序中下列假设应满足高斯分布。
检测统计量Dmin＜Zα/2时就接受H0，即ym，k被认为不是异常值。反之，满足备择假设H1时，ym，k被认为是异常值，异常值可以表示为：
②在出现第m个测量值出现静差的情况下，观测函数可以表示为：
其中，Bm表示第m个测量值的静差。
静差表现为在测量器件上产生了持续且相对稳定的错误值，本文利用测量值m的残差时间序列rm，1，rm，2，…,rm，k来估计包含静差的测量值误差。具体来讲，利用一个移动的跨度为W的时间窗口来计算数据点rm，k-W+1，rm，k-W+2，…,rm，k的均值和方差，如下所示：
均值：
方差：
由于干扰wk服从白噪声序列，方差S2将服从F分布，因此可以选择合适的阈值来识别当前哪些测量值是与静差或者漂移这两种显著误差最相关的。S2的方差可以通过以下假设测试获得：
根据静差和漂移的特点可知，***性静差会产生稳定持续性错误值，因此静差的最新的W个数据点方差会远小于那些发生漂移的数据点。对于统计量S2的单边假设测试是基于F分布计算得到的。当方差S2小于预定义的阈值ε时，第m个测量值对应的数据点就被判定为静差，否则就归类为漂移。包含静差的第m个测量值的大小可以用下式估算：
③在出现第m个测量值漂移的情况下，测量函数可以表示为:
其中，Dm(k)是描述测量误差漂移变化的函数，它可能是线性、非线性乃至周期函数。在此假设该函数是连续的且局部可线性化的。
在描述漂移函数Dm(k)时，采用基于计算残差的线性回归来分析趋势，然后使用拟合之后的斜率和截距来估计方差。包含漂移的第m个测量值大小计算如下：
Cm，k＝Dm(k)≈am，kk+bm，k9)在检测出显著误差并确定其大小之后应该消除显著误差，即实现对测量值的补偿。补偿后的测量值y′k可以表示为：
y′k＝yk-Cm，k
更新相应的权重如下所示：
将更新后的权重值用于粒子滤波的重采样阶段，并推导得到状态变量估计值和校正后的测量值/>利用校正测量值通过/>更新得到测量残差信息。由于Cm，k是由测量残差时间序列信息估计得到，因此更新后的测量残差可以用于改善后续量的测量补偿。
在考虑显著误差问题之后，归纳基于显著误差的改进型粒子滤波算法的原理如图7所示。
步骤3：将移动机器人的真实运行轨迹与滤波之后的补偿显著误差和未补偿显著误差两种情况下的估计运行轨迹进行对比。因为显著误差对状态估计会产生不良影响，因此为了实现精确的状态估计，在基于粒子滤波的状态估计中应对显著误差进行检测。基于改进型粒子滤波的移动机器人的状态估计***。它包括三个部分：检测测量值、识别显著误差及测量值补偿。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
应当注意，本发明的实施例可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。
虽然已经参考若干具体实施例描述了本发明，但是应当理解，本发明不限于所公开的具体实施例。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等效布置。
Claims (4)
1.基于改进粒子滤波算法估算机器人方位的方法，其特征在于包括：
S1:根据***动力学特性建立移动机器人的运动模型；
S2:通过传感器采集移动机器人的方位信息数据，采用改进粒子滤波算法处理***中的显著误差，对其进行相应的补偿操作，得到精确估计移动机器人的方位状态参数；
采用改进粒子滤波算法处理***中的显著误差方法为先对采集的方位信息数据进行检测，判断是否存在显著误差，如果不存在，就迭代进行下一次滤波估计；如果存在，就进行显著误差识别判别属于哪一类显著误差，判别出来之后，根据所属的显著误差类型，对其进行相应的补偿操作；
所述步骤S1具体为：
设定移动机器人方位估计参数，建立非线性方位估计***的数学模型，选取移动机器人的方位变量时，选取线速度v和转向角速度w来作为测量数据，得到它的位置和姿态：x，y和θ，其非线性描述表述如下：
根据移动机器人的动力学模型，建立其在全局坐标系下的数学模型，根据数学模型，建立粒子滤波算法的状态空间模型，其表述如下所示：
其中状态空间模型包括6个状态变量，分别为：x，y，θ，vx，vy，vθ，这里的vx和vy分别表示x轴和y轴的线速度，vθ表示转向角速度，即vθ＝w；
所述步骤S2具体为：
1)首先根据粒子滤波的原理方法，从先验概率p(xk|xk-1)中得到一组随机样本，称为粒子i表示第i个粒子，并设初始粒子的权值为/>
2)在预测阶段，利用k-1时刻的这些粒子根据状态转移方程计算k时刻的先验样本集：
3)在更新阶段，根据测量数据yk和先验样本计算每个粒子的权重其中/>是似然概率，之后将权重进行归一化处理，以便于统一样本的分布特性，更新之后的后验分布：
4)通过定义一个重要性密度q(xk|y1：k)，则联合权重表示为：
5)利用状态转移概率函数为建议分布，归一化权重：
6)引入重采样，将权重大的亲代粒子按照权重大小进行复制作为子代粒子，将权重小的亲代粒子舍弃，设定有效粒子数Neff来衡量粒子权值的退化程度：/>通过重采样以后，子代粒子的后验估计表示为：
7)计算状态估计向量和校正的测量值/>
8)对校正的测量值进行显著误差检测的方法是计算其残差大小，残差的表示方法是：
9)在检测出显著误差并确定其大小之后应该消除显著误差，即实现对测量值的补偿，补偿后的测量值y′k表示为：
y′k＝yk-Cm，k
更新相应的权重如下所示：
将更新后的权重值用于粒子滤波的重采样阶段，并推导得到状态变量估计值和校正后的测量值/>利用校正测量值通过/>更新得到测量残差信息，由于Cm，k是由测量残差时间序列信息估计得到，因此更新后的测量残差用于改善后续量的测量补偿。
2.根据权利要求1所述的基于改进粒子滤波算法估算机器人方位的方法，其特征在于：将补偿后的方位信息数据作为下一次滤波的初始数据，进行下一次状态估计。
3.根据权利要求1所述的基于改进粒子滤波算法估算机器人方位的方法，其特征在于，所述的显著误差设定为异常值、静差和漂移三种类型，其中异常值表现为在测量数据中出现若干突发峰值；静差是指完成过渡过程之后的残余偏差，也就是被控变量的稳定值与给定值之差，其值可正可负，静差要求限制在给定值附近的某一允许的小范围内，其表现为在测量器件上产生了持续且相对稳定的错误值；漂移反映了在规定的条件下，测量仪器量测特性在一段时间内的连续或增量变化。
4.基于改进粒子滤波算法估算机器人方位的装置，其特征在于该装置采用如权利要求1-3任一项所述的方法进行估算移动机器人精确方位，包括方位信号收集模块、信号处理模块以及上位机，其中通过方位信号收集模块对移动机器人的方位信息进行采集，并输入到信号处理模块进行改进粒子滤波算法处理，对其存在的显著误差进行识别类型，判别出来之后，该显著误差设定为异常值、静差和漂移三种类型，根据所属的显著误差类型对其进行相应的补偿操作，得到精确估计移动机器人的方位状态参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184272.0A CN111090281B (zh) | 2019-11-27 | 2019-11-27 | 基于改进粒子滤波算法估算机器人方位的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184272.0A CN111090281B (zh) | 2019-11-27 | 2019-11-27 | 基于改进粒子滤波算法估算机器人方位的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111090281A CN111090281A (zh) | 2020-05-01 |
| CN111090281B true CN111090281B (zh) | 2023-07-28 |
Family
ID=70393136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911184272.0A Active CN111090281B (zh) | 2019-11-27 | 2019-11-27 | 基于改进粒子滤波算法估算机器人方位的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111090281B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113791578B (zh) * | 2021-08-23 | 2023-05-02 | 五邑大学 | 基于数控加工***的轨迹滤波方法、装置和电子设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7289906B2 (en) * | 2004-04-05 | 2007-10-30 | Oregon Health & Science University | Navigation system applications of sigma-point Kalman filters for nonlinear estimation and sensor fusion |
| KR100809352B1 (ko) * | 2006-11-16 | 2008-03-05 | 삼성전자주식회사 | 파티클 필터 기반의 이동 로봇의 자세 추정 방법 및 장치 |
| CN106291645B (zh) * | 2016-07-19 | 2018-08-21 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
| CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
| CN108318038A (zh) * | 2018-01-26 | 2018-07-24 | 南京航空航天大学 | 一种四元数高斯粒子滤波移动机器人姿态解算方法 |
| CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
-
2019
- 2019-11-27 CN CN201911184272.0A patent/CN111090281B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111090281A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829938B (zh) | 一种应用在目标跟踪的自适应容错容积卡尔曼滤波方法 | |
| CN109813342B (zh) | 一种惯导-卫星组合导航***的故障检测方法和*** | |
| CN114166221B (zh) | 动态复杂矿井环境中辅助运输机器人定位方法及*** | |
| CN110287537B (zh) | 用于频标输出跳变检测的抗野值自适应卡尔曼滤波方法 | |
| US20140019046A1 (en) | Multiple truth reference system and method | |
| CN111090281B (zh) | 基于改进粒子滤波算法估算机器人方位的方法和装置 | |
| KR20070036009A (ko) | 관성 항법 장치를 이용한 실시간 위치 검사 방법 및 시스템 | |
| EP2869026B1 (en) | Systems and methods for off-line and on-line sensor calibration | |
| CN115902963A (zh) | 一种单点定位数据处理方法、装置、电子设备及存储介质 | |
| CN110702093B (zh) | 基于粒子滤波的定位方法、装置、存储介质及机器人 | |
| Fatemi et al. | A study of MAP estimation techniques for nonlinear filtering | |
| CN111766573B (zh) | 卡尔曼滤波的提高阵列光栅定位空间分辨率的方法及*** | |
| CN112767545A (zh) | 一种点云地图构建方法、装置、设备及计算机存储介质 | |
| CN116772837A (zh) | 基于交互式多模型的gnss/sins组合导航方法 | |
| Zhang et al. | Adaptive cubature Kalman filter based on the variance-covariance components estimation | |
| Laftchiev et al. | Terrain-based vehicle localization from real-time data using dynamical models | |
| CN117367419A (zh) | 机器人定位方法、装置和计算可读存储介质 | |
| Trehag et al. | Onboard estimation and classification of a railroad curvature | |
| CN115615456A (zh) | 基于迭代最邻近整数点集的传感器误差配准方法及设备 | |
| CN112346479B (zh) | 一种基于集中式卡尔曼滤波的无人航行器状态估计方法 | |
| Vazquez-Olguin et al. | Design of blind robust estimator for smart sensors | |
| Javadi et al. | Robust, evidence-based data fusion | |
| CN116518983B (zh) | 用于移动机器人定位的自适应融合方法及装置 | |
| Zhang et al. | A robust particle filter for ambiguous updates of underwater terrain-aided navigation | |
| CN111007553B (zh) | 被测对象的导航方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |