移动机器人定位方法对比研究课件

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2010-9-18,#,移动机器人定位方法,对比,研究,.,.,移动机器人定位方法对比研究.,1,定位问题是移动机器人领域内一个重要的内容。,首先定义了用于移动机器人位置跟踪的,系统模型,，介绍了基于该系统模型的移动机器人定位方法。,在统一的平台上实现了,三个滤波估计定位方法,，,两个贝叶斯估计定位方法,，,一个地图匹配定位方法,。,.,.,定位问题是移动机器人领域内一个重要的内容。.,2,1,、,系统模型,移动机器人在一个室内环境中移动，机器人上安装有,里程计,和,激光测距雷达,。,里程计的数据,用于对机器人的位置进行预测估计，,激光测距雷达,对环境进行扫描观测，提取自然路标，并运用路标信息对预测的机器人位置进行修正。（,由于各种不确定性，里程计记录的数据和雷达测量的数据都是不完全确定的,）,.,.,1、系统模型 移动机器人在一,3,1.1,坐标系统,假设室内环境是一个,2D,的平面，在移动机器人导航系统中有四个坐标系统：一个是全局坐标系统，一个是机器人的局部坐标系统，另外两个是里程计坐标系统和激光雷达坐标系统。由于后两个坐标系统与局部坐标系统有固定的平移和旋转关系，可以变换到机器人的局部坐标系统中。,.,.,1.1坐标系统假设室内环境是一个2D的平面，在移动机器人导航,4,机器人的位置表示为一个三维的状态向量,x,y,T,。其中,(x,y),是机器人在全局坐标系中的位置，,是机器人车体的方向，值的范围为：,(,。,如图,1,所示。,.,.,机器人的位置表示为一个三维的状态向量x,y,T。其中(,5,1.2,运动模型,机器人的位置变换是基于里程计的，假设机器人的每一步都是沿着圆弧移动。在,k,时刻，里程计的数据为,U k=(Dk,k),，,Dk,是沿着圆弧移动的距离，,k,是机器人航向的改变。如图,2,所示，机器人运动模型为：,.,.,1.2运动模型 机器人的位置变换是基,6,.,.,.,7,其中，,k,是关于里程计建模和轮子随机滑动的不确定，假设为高斯分布，均值为,0,方差为,Q,。,.,.,其中，k是关于里程计建模和轮子随机滑动的不确定，假设为高,8,1.3,观测模型,激光测距雷达对机器人周围环境进行扫描，提取墙角路标信息。一个墙角的位置在,局部坐标系,中表示为,(xL,yL),，并基于当前的机器人位置估计变换到,全局坐标系,中，得到墙角在全局坐标系中的表示,(xG,yG),，并把它作为系统的预测观测信息。如图,3,所示，观测模型为：,.,.,1.3观测模型 激光测距雷,9,.,.,.,10,其中，,k,是关于传感器测量的不确定。假设为高斯分布，均值为,0,，方差为,R,。,.,.,其中，k是关于传感器测量的不确定。假设为高斯分布，均值为0,11,2,、定位方法,.,.,2、定位方法.,12,2.1,三个滤波估计定位方法,扩展的卡尔曼滤波定位（,Extended Kalman Filter,EKF,）,线性卡尔曼滤波器（,Kalman Filter,，,KF,）,无味卡尔曼滤波（,Unscented Kalman Filter,UKF,）,.,.,2.1三个滤波估计定位方法扩展的卡尔曼滤波定位（Extend,13,(1),扩展的卡尔曼滤波器,对移动机器人的,非线性,运动方程和非线性的观测方程进行线性化，从而运用卡尔曼滤波器对系统状态进行递归估计。,扩展的卡尔曼滤波器是一个有效的滤波估计技术,，广泛用于各种非线性系统的状态估计。然而，这种线性化近似忽略了二阶项和高阶项，引入了,线性化误差,。,.,.,(1)扩展的卡尔曼滤波器 对移,14,(2),线性卡尔曼滤波器,对于线性系统，卡尔曼滤波器是一个最优的,线性,均方误差估计。通过对系统状态向量和系统模型进行重构，系统动态方程和系统观测方程都是线性的，从而运用最优的线性卡尔曼滤波技术进行移动机器人定位。,.,.,(2)线性卡尔曼滤波器 对于线,15,(3),无味卡尔曼滤波器,UKF,也是在卡尔曼滤波的基础上，运用,Unscented,变换来代替非线性系统方程，从而实现对系统状态的递归估计。,UKF,是通过无味变换使非线性系统方程适用于线性假设下的标准,Kalman,滤波体系,而不是像,EKF,那样,通过线性化非线性函数实现递推滤波。,UKF,有效地克服了扩展卡尔曼滤波的估计,精度低,、,稳定性差,的缺陷,.,.,.,(3)无味卡尔曼滤波器,16,2.2,两个贝叶斯估计定位方法,马尔可夫定位,(Markov Localization,MKV),是一种基于粒子滤波,(Particle Filter),的定位方法,(Monte Carlo Localization,MCL),.,.,2.2两个贝叶斯估计定位方法马尔可夫定位(Markov Lo,17,(1),马尔可夫定位,递归地计算在机器人位置空间上的概率密度分布。,x,y,T,表示机器人在位置空间中的位置，,lt,表示,t,时刻的真实位置，而,Lt,表示机器人位置的随机变量。,Bel(Lt),是机器人位置空间上的一个概率分布，也就是机器人在,t,时刻的位置分布。,在每一步，基于运动更新得到机器人在位置空间上的,先验概率分布,。再基于观测更新得到机器人在位置空间上的,后验概率分布,。,.,.,(1)马尔可夫定位 递归,18,先验概率,是指根据以往经验和分析得到的概率,后验概率,是信息理论的基本概念之一,.(,在一个通信系统中,在收到某个消息之后,接收端所了解到的该消息发送的概率称为后验概率,.),.,.,先验概率是指根据以往经验和分析得到,19,(2),基于粒子滤波的定位方法,它运用一组粒子来近似概率密度，从而表示机器人在位置空间上的分布情况。机器人位置的概率密度函数用一组,“,samples”/“particles”,来近似。在定位过程中，对,先验概率密度分布,进行随机采样，当得到新的传感器信息时，对采样进行加权。,.,.,(2)基于粒子滤波的定位方法,20,2.3,一个地图匹配定位方法,基于环境地图和当前的传感器观测，通过把环境观测信息与环境地图进行匹配，从而确定机器人当前的位置。,匹配技术是仅仅基于环境地图和当前的观测信息确定机器人的位置。全局地图与当前地图由有向线段和特征点构成，并且线段和点在地图中是逆时针方向顺序存储的。基于顺序地图的搜索匹配的效率更高。匹配是基于特征点相对于有向线段的相对位置关系。它避免了不断的坐标变换，节省了时间，提高了匹配算法的效率。,.,.,2.3一个地图匹配定位方法 基于,21,结论,通过对六种定位方法进行实验验证，表明：基于,滤波估计,的定位方法得到的,定位结果更精确,一些，而基于,贝叶斯,推理的定位方法,更鲁棒,一些。虽然依赖,地图匹配,也能得到机器人的当前位置信息，但,不能解决在动态、对称或相似的环境中的定位问题,。由于移动机器人的系统方程通常都是非线性的，滤波估计的定位方法引入了一些近似，并要求动态噪声与观测噪声的高斯性、不相关性。而基于贝叶斯推理的定位方法并无这些要求。,.,.,结论 通过对六种定位方法,22,