一种基于IEKF的轮式移动机器人自定位算法

许 垚,孙勇智,马连伟

(1.浙江科技学院 自动化与电气工程学院,杭州 310023;2.浙大宁波理工学院 信息科学与工程学院,浙江 宁波 315100)

随着人们对未知领域探索的不断深入,移动机器人扮演着越来越重要的角色,而移动机器人完成各项任务的前提是要能够在其运动过程中实时地进行自主定位与导航。一般而言,机器人的准确定位主要依靠各种传感器来提取并分析自身和周围环境的信息以得到某一时刻它在环境中的位置,比较常用的传感器有里程计、激光雷达、视觉和超声传感器等,然而单个传感器通常只测量一至两个参数且精度有限。为了实现移动机器人的精确定位并尽可能减小误差,在现代机器人中常采用多个传感器融合[1]的方法来提高测量精度。目前,将多个传感器信息进行融合的方法主要有利用卡尔曼滤波[2]和人工神经网络[3]两种。

常用传感器模型大多具有非线性的特点,在使用时会产生一定的非线性误差。对此,扩展卡尔曼滤波(extended Kalman filter,EKF)算法得益于其非线性滤波的方式被广泛应用到移动机器人的定位中。然而受到泰勒级数展开项数的限制及各种环境噪声的影响,传统的EKF算法会产生一定的线性化误差从而导致滤波精度的下降。对此,研究人员进行了许多改进算法的研究。强敏利等[4]利用EKF算法在测量更新阶段对所需信息进行多次迭代运算,在一定程度上减小了非线性误差,提高了定位精度。曹军等[5]通过比较EKF算法预测和观测过程中的数据来判断环境干扰程度的大小,从而实时调整先验误差协方差矩阵,提高了算法的实时性和抗干扰性能。……