[发明专利]一种基于ANFIS-ESKF的地面移动机器人多传感器融合定位方法

说明书

本发明公开了一种基于ANFIS‑ESKF的地面移动机器人多传感器融合定位方法。该方法包括：建立轮式‑IMU里程计(WIO)的测量模型，推导系统的状态方程；建立视觉里程计(VO)的测量模型，推导系统的观测方程；用ESKF对WIO和VO的运动估计信息进行融合；建立自适应神经模糊推理系统ANFIS(Adaptive Neural Fuzzy Inference System)，根据WIO和VO的直接信息，推断里程计的运动状态，实时调整误差状态卡尔曼滤波ESKF(Error State Kalman Filter)中预测模型和测量模型的协方差矩阵。本发明与现有技术相比，能够根据系统的状态实时调整ESKF参数，定位精度更高，鲁棒性更强。

技术领域

本发明属于导航技术领域，特别是一种基于ANFIS-ESKF的地面移动机器人多传感器融合定位方法。

背景技术

里程计系统使用本体传感器来估计车辆相对于起始点的瞬时位置和方向，这是自动导航系统中的一个关键模块，可以在外部传感器不可用时提供位置信息。常用的机载传感器包括车轮编码器、惯性测量单元(IMU)、摄像机和激光雷达。使用单个传感器的里程计的性能受传感器特性、环境干扰和车辆状态的影响，通常不能提供稳定和满意的定位结果。

多传感器融合技术可以融合多个传感器的信息得到稳定的定位结果。应用最广泛的传感器融合方法是卡尔曼滤波器(KF)的变种，如扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)。如国内专利CN201310455813.5《GPS盲区下融合多源信息的车辆高精度定位方法及装置》，该方法使用陀螺仪输出的角速率信息和加速度信息、路面图像信息输入到卡尔曼滤波器得到最终融合信息、再由道路旁边设置的锚节点重新矫正融合算法产生的累计误差，可以提供稳定、可靠、高精度的车辆位置信息。如专利CN201310369354.9《一种面向室内移动机器人的光流场视觉/INS组合导航方法》中所述，利用光流场视觉和IMU等信息输入到扩展卡尔曼滤波器进行融合计算，能够提高室内移动机器人的导航精度。

尽管卡尔曼滤波器及其变种在某些应用中被证明是有效的，但它们有一个共同的假设，对于实际的工作场景可能是有问题的——不变协方差。在现实中，测量噪声不确定，模型误差存在，车辆经历暂时不可预测的运动变化，环境局部改变。这种变化的条件需要适当处理，否则定位性能将严重降低。以往的误差状态卡尔曼滤波(ESKF)方法在预测模型和测量模型中都不能解决具有不同不确定性的传感器融合问题。基于ANFIS-ESKF(AdaptiveNetwork-Based Fuzzy Inference System–Error State KalmanFilter，自适应网络模糊推理系统-误差状态卡尔曼滤波)方法可以对系统的瞬时变化做出响应，并且在融合算法中可以独立确定两个协方差矩阵，从而提高定位系统的鲁棒性。

发明内容

为了解决现有技术问题，本发明的目的在于克服已有技术存在的卡尔曼滤波及其变种模型在多传感器融合技术中不足，提供一种基于ANFIS-ESKF的地面移动机器人多传感器融合定位方法，能够在线检测异常工况并且调整融合增益的基于ANFIS-ESKF的地面移动机器人多传感器融合定位，能够解决现有卡尔曼滤波技术的弊端，从而实现对多传感器融合的瞬时变化做出响应，并确定独立确定两个协方差矩阵，提高定位系统的鲁棒性。

为达到上述发明创造目的，本发明采用如下技术方案：

一种基于ANFIS-ESKF的地面移动机器人多传感器融合定位方法，包括模块1、模块2、模块3和模块4共四个计算模块，其特征在于：

所述模块1，建立轮式-IMU里程计(WIO)的测量模型，推导系统的状态方程；

所述模块2，建立视觉里程计(VO)的测量模型，推导系统的观测方程；

所述模块3，用误差状态卡尔曼滤波(ESKF)对WIO和VO的运动估计信息进行融合；