[发明专利]基于自适应卡尔曼滤波器的室内移动机器人组合定位方法

说明书

基于自适应卡尔曼滤波器的室内移动机器人组合定位方法，包括：S1、构建室内机器人的惯导运动学模型和超宽带量测模型，并且初始化自适应卡尔曼滤波器；S2、基于惯导运动学模型和超宽带量测模型生成组合量测方程，并且利用组合量测方程对室内机器人的状态进行量测，得到量测值；S3、对量测值中的野值进行处理，得到修正值；S4、使用自适应估计算法估计修正值的噪声协方差；S5、将噪协方差代入到自适应卡尔曼滤波器中对量测值进行更新，得到优化值。本发明提供一种基于自适应卡尔曼滤波器的室内移动机器人组合定位方法，具有高定位精度和高鲁棒性。

技术领域

本发明涉及组合定位技术领域，具体的说是基于自适应卡尔曼滤波器的室内移动机器人组合定位方法。

背景技术

移动机器人定位是其实现导航及其他任务的基础，定位的精确度直接影响到机器人完成任务的质量。近年来，随着机器人技术的飞速发展，人们对机器人在室内环境下完成任务的需求越来越多，尤其是复杂室内环境下的移动机器人定位技术是该领域的一个重要研究方向。

由于室内环境的封闭性，卫星导航系统(Global Navigation Satellite System，GNSS)往往难以提供一致性和长期稳定的位置信息。惯性导航系统(Inertial NavigationSystem，INS)在室内定位中应用广泛，虽然其不受外界环境变化的干扰，但存在累积误差，不适合长距离精确定位。在室内环境下，无线传感器网络(Wireless SensorNetwork,WSN)被广泛应用于室内定位，如WiFi，蓝牙，射频识别(Radio frequencyidentification，RFID)，超宽带(UltraWideband，UWB)等技术。其中，UWB较其他技术具有发射功率低、测量精度高等优点，近年来受到越来越多关注。但由于室内环境的复杂性产生的多径效应、非视距因素(Non-LineofSight，NLOS)会对UWB信号造成干扰，进而引起较大的定位误差。综上所述，单一的定位技术往往不能满足复杂室内环境下的定位需求。

组合定位是一种融合了相对定位和绝对定位的技术。在组合定位系统中，两种定位技术特性互补，克服了各自的缺点。最近，INS/UWB组合定位技术逐渐成为研究热点，扩展卡尔曼滤波(ExtendedKalmanfilter，EKF)，无迹卡尔曼滤波器(UnscentedKalman filter,UKF),容积卡尔曼滤波器(Cubature Kalman filter,CKF)等非线性滤波器被广泛应用于INS/UWB组合定位中。上述非线性滤波器假定过程和量测噪声协方差为常数，但是，在复杂室内环境下，UWB量测数据会受到多种因素(动态环境、多径效应、非视距因素等)的影响，导致量测噪声具有时变特性，并且可能在量测值中出现野值，不仅使状态估计失去了最优性，甚至可能导致滤波器的发散，进而出现较大的定位误差，不能满足室内移动机器人的任务需求。为解决上述问题，Fan等人使用简化的Sage-Husa自适应滤波器对量测噪声协方差进行自适应估计。Zhong等人将强跟踪滤波器应用到组合定位系统中，以应对无法预测的动态因素。然而，这些组合定位方法没有考虑到野值对定位系统性能带来的影响。

为了提高组合定位系统的鲁棒性，文献“Zhen W,Zeng S,Soberer S.Robustlocalization and localizability estimation with a rotating laser scanner[C].IEEE International Conference on RoboticsAutomation.IEEE,2017:6240-6245.