CN111291319A - 一种应用于非高斯噪声环境下的移动机器人状态估计方法 - Google Patents
一种应用于非高斯噪声环境下的移动机器人状态估计方法 Download PDFInfo
- Publication number
- CN111291319A CN111291319A CN202010212534.6A CN202010212534A CN111291319A CN 111291319 A CN111291319 A CN 111291319A CN 202010212534 A CN202010212534 A CN 202010212534A CN 111291319 A CN111291319 A CN 111291319A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- state
- mobile robot
- weight
- noise
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种应用于非高斯噪声环境下的移动机器人状态估计方法。针对现有滤波器在非线非高斯噪声环境下其估计精度大打折扣,本发明将利用高斯和容积卡尔曼滤波解决非高斯非线性滤波问题,采用凸组合融合,对高斯和滤波器产生的大量高斯项,将Salmood高斯混合项合并方法和基于KL距离的高斯混合项合的方法B(i,j)准则进行加权融合,进而得到一种更好的高斯项合并方法。本发明能够有效提高移动机器人在非高斯非线性环境下的滤波精度与稳定性。
Description
技术领域
本发明属于状态估计领域,涉及一种应用于非高斯噪声环境下的移动机器人状态估计方法。
背景技术
移动机器人在运动过程中,存在***延时、噪声干扰以及不确定因素干扰等问题,使机器人不可能很好的按照规划好的路线行驶。在移动机器人跟踪定位***中,环境中存在非高斯噪声,导致跟踪精度低、稳定性差。高斯和滤波器(GSF)常被用于解决非线性、非高斯***的状态估计问题,GSF使用高斯分布的加权和来逼近状态概率密度函数,同时可以近似任意分布。但是传统高斯和滤波器存在严重的局限性,即每次迭代时用于近似密度函数的高斯项的数量都会增加,高斯项的增加会增加算法的复杂度,限制算法的使用。
目前解决高斯和滤波器中高斯项数目不断增加一般采用Salmood提出的高斯项合并方法,该高斯项合并方法的效果并不理想。本发明基于GSF原理,同时利用并行的CKF进行状态预测与量测更新,采用凸组合融合方法,对高斯和滤波器产生的大量高斯项,融合了Salmood高斯混合项合并方法和基于KL距离的高斯混合项合的方法B(i,j)准则。这样可以得到一种更好的高斯混合项合并方法更趋向于原分布,并且最终得到的高斯混合项的数目也比较理想,为解决移动机器人在非高斯状态估计中的跟踪精度低、稳定性差等问题,提供有效解决方法。
发明内容
本发明的目的是针对现有机器人状态估计滤波算法在非线性非高斯环境下滤波估计的性能急剧下降,提供了一种应用于非高斯噪声环境下的移动机器人状态估计方法。
本发明解决技术问题所采取的技术方案为:
本发明包括以下步骤:
步骤一:考虑以下移动机器人运动模型。
xk=f(xk-1)+ωk-1
zk=h(xk)+vk
其中xk表示移动机器人在x轴方向的位置,zk为传感器对移动机器人状态的观测值,f(·)为移动机器人的状态转移矩阵,h(·)是传感器的观测模型,ωk-1为非高斯过程噪声,vk为非高斯量测噪声k表示时刻。
步骤二:时间更新:将非高斯过程噪声wk用高斯和表示为
根据贝叶斯滤波递推公式可得k时刻xk的一步预测概率密度估计为p(xk|zk-1)为
步骤三:量测更新:将非高斯量测噪声用高斯和原理表示为:
其中zk|k-1为观测值的预测。
当接收到k时刻量测值zk时,则可以得到后验概率密度p(xk|z1:k)为:
步骤四:利用凸组合融合,将基于马氏距离的Salmond合并高斯项的方法与基于KL距离的B(i,j)方法的高斯项合并方法进行加权融合。
和分别为利用Salmond合并高斯项的方法与利用B(i,j)方法合并后的高斯混合项中的第i个状态分量与其协方差。其中α1′、为利用Salmond合并后的高斯项的权重,以及合并后x的概率密度。α′2、为利用B(i,j)方法合并后的高斯项的的权重,以及合并后x的概率密度。分别表示融合后第i个状态分量与其协方差,β′ii为与的权重。
最终融合得到k时刻的移动机器人的状态估计xk|k和估计误差协方差Pk|k如下:
然后将k时刻的机器人状态估计作为参数输入到步骤二中的一步预测概率密度中,去估计k+1时刻的机器人的运动状态。这样一直进行迭代,便可估计移动机器人在时间T内的运动状态。
本发明的有益效果:本发明提出一种应用于非高斯噪声环境下的移动机器人状态估计方法,该算法采用容积卡尔曼滤波框架,并结合高斯和滤波过程,利用凸组合融合进行高斯和滤波中高斯项的合并,从而对高斯和滤波过程中产生大量的高斯项进行有效的合并,提升估计精度,能够解决非线性非高斯噪声环境下的机器人状态估计问题。
附图说明
图1.本发明流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,本发明方法具体实施方式是:
步骤一:给定移动机器人具体运动模型,其进行转弯运动,目的为了在非高斯噪声下估计移动机器人的运动状态:
xk=F(ω)xk-1+wk-1
zk=h(xk)+vk
其中:
移动机器人状态向量其中(xk,yk)表示移动机器人在k时刻的位置,分别表示x轴方向的分速度与y轴方向的分速度。h(xk)为传感器的观测模型,zk为传感器在k时刻对移动机器人状态的观测值。状态转移矩阵F(ω)是将机器人由一个状态转为另一个状态,其中的ω表示移动机器人运动的角速度,Δ为采样周期。wk-1为非高斯过程噪声,vk为非高斯量测噪声。
步骤二:时间更新:高斯和原理:任意分布的概率密度函数都能够用有限个高斯项的累加进行近似。
假设已知移动机器人k-1时刻的运动状态,将k-1时刻运动状态用高斯混合模型可以表示为:
其中βr为容积点权重,nx为状态向量维数,cr为球面径向规则确定的容积点。
步骤三:量测更新:非高斯量测噪声用高斯和原理表示为:
其中zk为真实的量测值。
步骤四:高斯和滤波算法过程中开始有I个高斯项,第一步估计结束后项数增加到I·J·L个,第k步估计结束后,高斯项增加到I·Jk·Lk个。随时间的推移,高斯和的项数一直增加,这样便会导致计算量不停的增加,限制了该算法的实用性。利用凸组合融合,将基于马氏距离的Salmond合并高斯项的方法与基于KL距离的B(i,j)方法的高斯项合并方法进行加权融合。
Salmond:对于两个高斯项马氏距离小于一定阈值的高斯项进行合并原则如下:
其合并方法如下:
α1′=αm+αn
μ1′=(αmμm+αnμn)/(αm+αn)
∑′1=(αm∑m+αn∑n)/(αm+αn)
其中d2(m,n)为两个高斯项的马氏距离,(αm,μm,∑m)与(αn,μn,∑n)分别表示合并前第m个和第n个高斯项的权重、均值、方差。
α1′、μ1′、∑′1为利用Salmond方法合并后高斯项的权重、均值、方差。
B(i,j)方法:对于两个高斯项KL距离小于一定阈值的高斯项进行合并原则如下:
其合并方法如下:
α′2=αm+αn
μ′2=αn|mnμm+αm|mnμn
∑mn=αn|mn∑n+αm|mn∑m+αn|mnαm|mn(μm-μn)(μm-μn)T
α′2、μ′2、∑′2为利用B(i,j)准则合并后高斯项的权重、均值、方差。
其中相对权重αm|mn、αn|mn定义如下:
αm|mn=αm/(αm+αn)
αn|mn=αn/(αm+αn)
对来自两者的高斯项进行凸组合融合:
其中α1′、α′2、分别为第一种和第二种高斯项合并方法所得到的权重,以及x的概率密度。分别表示融合后第i个状态分量与其协方差,β′ii为其权重。和 分别为利用Salmond方法与利用B(i,j)方法合并后的高斯混合项中的第i个状态分量与其协方差。
最终融合得到k时刻的移动机器人的状态估计xk|k和估计误差协方差Pk|k如下:
然后将k时刻的机器人状态估计作为参数输入到步骤二中的一步预测概率密度中,去估计k+1时刻的机器人的运动状态。这样一直进行迭代,便可估计移动机器人在时间T内的运动状态。
综上,一种应用于非高斯噪声环境下的移动机器人状态估计方法,可以有效的解决非线性非高斯噪声环境下的移动机器人状态估计问题,能够有效提升状态估计的精度与稳定性。
Claims (1)
1.一种应用于非高斯噪声环境下的移动机器人状态估计方法,其特征在于该方法包括以下步骤:
步骤一:建立移动机器人运动模型
xk=f(xk-1)+ωk-1
zk=h(xk)+vk
其中xk表示移动机器人在x轴方向的位置,zk为传感器对移动机器人状态的观测值,f(·)为移动机器人的状态转移矩阵,h(·)是传感器的观测模型,ωk-1为非高斯过程噪声,vk为非高斯量测噪声k表示时刻;
步骤二:时间更新
高斯和原理:任意分布的概率密度函数都能够用有限个高斯项的累加进行近似;
将非高斯过程噪声wk用高斯和原理表示为:
根据贝叶斯滤波递推公式可得k时刻xk的一步预测概率密度估计为:
步骤三:量测更新
将非高斯量测噪声用高斯和原理表示为:
则得到似然概率密度p(zk|xk)为:
其中zk|k-1为观测值的预测;
当接收到k时刻量测值zk时,得到后验概率密度p(xk|z1:k)为:
步骤四:利用凸组合融合,将基于马氏距离的Salmond合并高斯项的方法与基于KL距离的B(i,j)方法的高斯项合并方法进行加权融合;
和分别为利用Salmond合并高斯项的方法与利用B(i,j)方法合并后的高斯混合项中的第i个状态分量与其协方差;其中α′1、为利用Salmond合并后的高斯项的权重,以及合并后x的概率密度;α′2、为利用B(i,j)方法合并后的高斯项的的权重,以及合并后x的概率密度;分别表示融合后第i个状态分量与其协方差,β′ii为与的权重;
最终融合得到k时刻的移动机器人的状态估计xk|k和估计误差协方差Pk|k如下:
然后将k时刻的机器人状态估计作为参数输入到步骤二中的一步预测概率密度中,去估计k+1时刻的机器人的运动状态;这样一直进行迭代,便可估计移动机器人在时间T内的运动状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212534.6A CN111291319B (zh) | 2020-03-24 | 2020-03-24 | 一种应用于非高斯噪声环境下的移动机器人状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212534.6A CN111291319B (zh) | 2020-03-24 | 2020-03-24 | 一种应用于非高斯噪声环境下的移动机器人状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291319A true CN111291319A (zh) | 2020-06-16 |
CN111291319B CN111291319B (zh) | 2023-07-07 |
Family
ID=71025955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010212534.6A Active CN111291319B (zh) | 2020-03-24 | 2020-03-24 | 一种应用于非高斯噪声环境下的移动机器人状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291319B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111998854A (zh) * | 2020-08-31 | 2020-11-27 | 郑州轻工业大学 | 基于Cholesky分解计算的精确扩展Stirling插值滤波方法 |
CN112478015A (zh) * | 2021-02-03 | 2021-03-12 | 德鲁动力科技(成都)有限公司 | 四足机器人足端触地检测方法及*** |
CN117973429A (zh) * | 2024-04-01 | 2024-05-03 | 南京信息工程大学 | 一种应用于非高斯噪声滤波的模型参数比估计方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119829A1 (en) * | 2003-11-28 | 2005-06-02 | Bishop Christopher M. | Robust bayesian mixture modeling |
CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
CN108333569A (zh) * | 2018-01-19 | 2018-07-27 | 杭州电子科技大学 | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 |
CN108344981A (zh) * | 2018-01-19 | 2018-07-31 | 杭州电子科技大学 | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 |
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的***状态估计方法 |
CN108759838A (zh) * | 2018-05-23 | 2018-11-06 | 安徽科技学院 | 基于秩卡尔曼滤波器的移动机器人多传感器信息融合方法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
CN110401430A (zh) * | 2018-09-28 | 2019-11-01 | 南京航空航天大学 | 一种基于kld采样的改进高斯粒子滤波数据融合算法 |
-
2020
- 2020-03-24 CN CN202010212534.6A patent/CN111291319B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119829A1 (en) * | 2003-11-28 | 2005-06-02 | Bishop Christopher M. | Robust bayesian mixture modeling |
CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
CN108333569A (zh) * | 2018-01-19 | 2018-07-27 | 杭州电子科技大学 | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 |
CN108344981A (zh) * | 2018-01-19 | 2018-07-31 | 杭州电子科技大学 | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 |
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的***状态估计方法 |
CN108759838A (zh) * | 2018-05-23 | 2018-11-06 | 安徽科技学院 | 基于秩卡尔曼滤波器的移动机器人多传感器信息融合方法 |
CN110401430A (zh) * | 2018-09-28 | 2019-11-01 | 南京航空航天大学 | 一种基于kld采样的改进高斯粒子滤波数据融合算法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
KARL GRANSTRÖM ET AL: "On the reduction of Gaussian inverse Wishart mixtures" * |
LIU YU ET AL: "Adaptive Gaussian sum squared-root cubature Kalman filter with split-merge scheme for state estimation" * |
O. ZOBAY.: "Variational Bayesian inference with Gaussian-mixture approximations" * |
周波: "基于随机有限集的多目标跟踪技术研究" * |
廖良雄: "基于随机有限集的弱小目标TBD方法研究" * |
李宁: "基于MeMBer滤波器的弱小目标检测前跟踪方法研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111998854A (zh) * | 2020-08-31 | 2020-11-27 | 郑州轻工业大学 | 基于Cholesky分解计算的精确扩展Stirling插值滤波方法 |
CN112478015A (zh) * | 2021-02-03 | 2021-03-12 | 德鲁动力科技(成都)有限公司 | 四足机器人足端触地检测方法及*** |
CN117973429A (zh) * | 2024-04-01 | 2024-05-03 | 南京信息工程大学 | 一种应用于非高斯噪声滤波的模型参数比估计方法 |
CN117973429B (zh) * | 2024-04-01 | 2024-06-07 | 南京信息工程大学 | 一种应用于非高斯噪声滤波的模型参数比估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291319B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN111291319A (zh) | 一种应用于非高斯噪声环境下的移动机器人状态估计方法 | |
WO2020173105A1 (zh) | 机动目标跟踪方法及装置 | |
Akca et al. | Multiple model Kalman and Particle filters and applications: A survey | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN107229060B (zh) | 一种基于自适应滤波的gps测量数据处理方法 | |
CN111127523B (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
CN110031798A (zh) | 一种基于简化Sage-Husa自适应滤波的室内目标跟踪方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及*** | |
CN103973263B (zh) | 一种逼近滤波方法 | |
CN110596693A (zh) | 一种迭代更新的多传感器gmphd自适应融合方法 | |
Thormann et al. | A comparison of Kalman filter-based approaches for elliptic extended object tracking | |
CN109115228B (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN108303095B (zh) | 适用于非高斯***的鲁棒容积目标协同定位方法 | |
CN110989341B (zh) | 一种约束辅助粒子滤波方法及目标跟踪方法 | |
CN111948601A (zh) | 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法 | |
Jing et al. | Process noise identification based particle filter: an efficient method to track highly manoeuvring targets | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
CN114445459B (zh) | 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法 | |
CN114637956B (zh) | 一种基于双卡尔曼滤波器实现目标位置预测的方法 | |
CN115859626A (zh) | 针对周期运动目标的自适应无迹卡尔曼滤波器设计方法 | |
Tang et al. | An improved adaptive unscented FastSLAM with genetic resampling | |
Mourllion et al. | Kalman filters predictive steps comparison for vehicle localization | |
CN115828533A (zh) | 一种基于Student’s t分布的交互多模型鲁棒滤波方法 | |
Wei et al. | Robust interacting multiple model cubature Kalman filter for nonlinear filtering with unknown non-Gaussian noise |
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 |