[发明专利]基于改进粒子滤波算法估算机器人方位的方法和装置

说明书

本发明公开了一种基于改进粒子滤波算法估算移动机器人精确方位的方法和装置，包括：S1:根据系统动力学特性建立移动机器人的运动模型；S2:通过传感器采集移动机器人的方位信息数据，采用改进粒子滤波算法处理系统中的显著误差，对其进行相应的补偿操作，得到精确估计移动机器人的方位状态参数。本发明基于改进粒子滤波算法实现显著误差的检测，识别和补偿，从而实现移动机器人系统精确的方位估计，有效的提升了移动机器人方位估计的精度。

技术领域

本发明涉及移动机器人定位的领域，具体是利用改进型粒子滤波算法处理显著误差问题，实现移动机器人精确的方位估计方法和装置。

背景技术

随着大数据及人工智能的迅速发展，移动机器人以其工作空间大，适应性强等优点获得了快速的发展和广泛的应用。移动机器人在复杂环境中的移动，其所面对的环境具有复杂、未知和非结构化的特点。为了保障其在各种环境中能够有效地完成各项任务，那么机器人应该具备自主定位导航和路径跟踪的能力，以便对自身的方位进行准确的估计。自定位算法是移动机器人实现的关键技术之一，移动机器人定位功能是各种移动机器人系统中最基础、最重要的一项功能，也是实现各类功能的关键。估算精确方位是机器人正常工作的基本要求也是完成其他工作的基础。

作为最重要的状态估计工具，滤波器已经历了从非递归到递归、频域到时域、非平稳随机过程到状态空间模型的发展历程。如今，有众多用于状态估计的滤波算法，最典型的有：卡尔曼滤波(Kalman Filter，KF)、扩展卡尔曼滤波(Extended Kalman Filter，EKF)、无迹卡尔曼滤波(Unscented Kalman Filter，UKF)和粒子滤波(Particle Filter，PF)。粒子滤波算法可以说是当代非线性滤波中最被重视的一种滤波方法，它在各个领域中都有着极大的作用，近年来国内外学者们将粒子滤波算法结合到状态估计中，构成基于粒子滤波的状态估计。

在实际系统中，考虑到测量数据可能会受到非随机事件的干扰，即显著误差的影响。显著误差一般由仪器故障、测量设备校正错误、传感器损坏、模数变换错误、过程缺陷等现象单独或多个所引起。显著误差的存在会引入了不准确的信息，其对于解决移动机器人的方位估计问题造成极大困难，因此有必要进行改进。

发明内容

本发明的目的是为了克服现有技术存在的缺点和不足，而提供基于改进粒子滤波算法估算机器人方位的方法和装置。通过该方法和装置利用改进型粒子滤波算法处理显著误差问题，实现移动机器人精确的方位估算。

为实现上述目的，本发明的提供了基于改进粒子滤波算法估算机器人方位的方法，其技术方案是其特征在于包括：

S1:根据系统动力学特性建立移动机器人的运动模型；

S2:通过传感器采集移动机器人的方位信息数据，采用改进粒子滤波算法处理系统中的显著误差，对其进行相应的补偿操作，得到精确估计移动机器人的方位状态参数。

进一步设置是：采用改进粒子滤波算法处理系统中的显著误差方法为先对采集的方位信息数据进行检测，判断是否存在显著误差，如果不存在，就迭代进行下一次滤波估计；如果存在，就进行显著误差识别判别属于哪一类显著误差，判别出来之后，根据所属的显著误差类型，对其进行相应的补偿操作。

进一步设置是：将补偿后的方位信息数据作为下一次滤波的初始数据，进行下一次状态估计。

进一步设置是：所述的显著误差设定为异常值、静差和漂移三种类型，其中异常值表现为在测量数据中出现若干突发峰值；静差是指完成过渡过程之后的残余偏差，也就是被控变量的稳定值与给定值之差，其值可正可负，静差要求限制在给定值附近的某一允许的小范围内，其表现为在测量器件上产生了持续且相对稳定的错误值；漂移反映了在规定的条件下，测量仪器量测特性在一段时间内的连续或增量变化。