[发明专利]一种基于VCKF的多机器人协同导航定位方法

说明书

一种基于VCKF的多移动机器人协同导航定位方法，包括如下步骤：根据多移动机器人工作环境，确定协同导航系统的初始值；建立多移动机器人协同导航系统的非线性系统方程；对多移动机器人协同导航系统按照CKF滤波框架进行时间更新；多移动机器人对工作环境中的固定路标点以及其它机器人进行实时观测，获取相对距离和方位角作为观测信息；利用观测到的量测信息和系统方程，利用VCKF算法完成多移动机器人协同导航系统的量测更新；对多移动机器人的位姿信息进行更新；完成多移动机器人的高精度协同导航定位。本发明的运用了基于VCE的非线性滤波器CKF，可以实时估计出系统的过程噪声和量测噪声方差阵，有效解决的非线性问题，提高系统的定位精度和适应性。

技术领域

本发明涉及机器人导航定位领域，具体是一种基于VCKF的多机器人协同导航定位方法。

背景技术

由于多移动机器人具有单机器人所不具有的诸多优势，如执行任务更加复杂、工作效率更高等，多移动机器人逐渐成为机器人领域的一个研究热点。然而机器人协同导航是其安全、高效的完成任务的前提和保障，因此需要一种高精度多移动机器人协同导航算法。

由于实际系统具有非线性特性，因此在进行多移动机器人协同导航时需要利用非线性滤波器。CKF是将非线性变换作用于具有相同权值的2n个点，从而计算出系统近似的高斯分布，完成滤波过程。与传统的扩展卡尔曼滤波和无迹卡尔曼滤波相比，CKF不仅具有更高的滤波精度，而且对高维系统具有更好的稳定性。因此，CKF逐渐得到广泛的关注。然而CKF只有在系统的数学模型精确已知且外部干扰噪声(包括系统噪声和观测噪声)为零均值、白噪声时，滤波算法的结果才是最优的。这在实际的多移动机器人系统中，由于外部环境的不确定性以及自身元器件的误差漂移等因素的影响，很难得到精确的系统模型或保证系统噪声的特性，因此得到的滤波结果会存在加大的误差，严重的甚至会导致滤波发散。

为了正确估计系统中的未知参数，观测值的权必须准确给出，由此产生了方差分量估计(Variance Component Estimation，VCE)算法。VCE算法在统计学和大地测量学文献中已经被广泛的研究，其中应用比较广泛的是基于Helmert的VCE算法。本发明就应用VCE对CKF进行改进，提出一种改进的协同导航定位方法，可以同时解决实际多移动机器人系统中的非线性和不确定性问题，从而提高多移动机器人协同导航定位精度。

发明内容

本发明的目的是提供一种精度更高的基于VCKF的多移动机器人协同导航定位方法。

本发明的目的是通过以下步骤来实现的：

步骤1：根据多移动机器人工作环境，确定协同导航系统的初始值，包括多移动机器人的初始位姿和路标点的位置；

步骤2：建立多移动机器人协同导航系统的非线性系统方程；

步骤3：对多移动机器人协同导航系统按照CKF滤波框架进行时间更新；

步骤4：多移动机器人对工作环境中的固定路标点以及其它机器人进行实时观测，获取相对距离和方位角作为观测信息；

步骤5：利用观测到的量测信息和系统方程，利用VCKF算法完成多移动机器人协同导航系统的量测更新；

步骤6：对多移动机器人的位姿信息进行更新；

步骤7：重复步骤3～步骤6，完成多移动机器人的高精度协同导航定位。

进一步地，在步骤5中，利用改进的VCKF算法完成协同导航系统的量测更新过程包括以下步骤：

首先利用CKF框架完成协同导航系统的量测更新，估计出多机器人的位姿信息；