【移动机器人位姿估计研究现状文献综述2000字】

移动机器人位姿估计研究现状文献综述在移动机器人研究领域，位姿估计一直占有非常重要的地位[中，位姿估计具体为确定移动平台自身在环境中的位置坐标，航向角，俯仰角和横滚角。这些数据可以由传感器测量得到，也可以由测量值计算得到。由于各种传感器的测量过程会有噪声，控制器，驱动机构的输出和期望值之间也会存在一定的偏差，所以造成机器人的实际状态并不严格符合期望状态。所以，位姿估计实际上就成为一个带有噪声干扰的状态估计问题。解决位姿估计问题有很多种不同的方法，其中鲁棒性较高的有卡尔曼滤波器[90]、扩展卡尔曼滤波器[91]、无迹卡尔曼滤波器[92]、马尔可夫定位方法[93]、粒子滤波器[94]等方法。但是马尔可夫方法由于其速度慢，精度不高，近些年已经应用的比较少。卡尔曼滤波器实质上是一种有噪声线性动态系统状态预估计的递归算法，它提供了一种高效可计算的方法来估计过程的状态，并且使估计均方误差最小。要估计移动平台的位姿，当假设系统的状态模型和观测模型都是线性的，并且符合高斯分布，同时假设噪声也服从高斯分布时，线性卡尔曼滤波器是最优的滤尔曼滤波器就需要将非线性系统进行线性化，所以在自定位系统中被广泛采用。其中心思想是利用泰勒展开式对非线性系统进行线性化，然后利用卡尔曼滤波实现系统的估计和校正，这使得能够适用于非线性系统的位姿跟踪问题。但是只采用了非线性系统函数的一阶泰勒展开，所以会产生较大的后验概率估计误差，尤其的高阶项就显得较为重要。为此人们提出了无迹卡尔曼滤波器。没有直接逼近非即在原状态分布中按照某一规则取一些点，使这些点的均值和方差等于原状态分布的均值和方差，然后将这些点代入非线性函数中，得到相应函数值点集，并通过这些点集求取变换后的均值和方差。无迹卡尔曼滤波方法在精度以及鲁棒性方面马尔可夫定位方法大体上有两类一类是基于网格[95],另外一类是基于拓扑地图[96]。基于网格的定位方法首先将定位划分网格，并对于每个网格赋予一个概率信度值然后利用离散分段的值表示任意的概率信度。该方法的定位步骤与滤波定位的步骤基本一样，马尔可夫定位的不同之处在于它不要求系统模型以及观测模型等符合高斯分布，因为该方法可以表示任意的概率分布。利用基于拓扑地图的方法可以克服基于网格的定位方法需要大量计算资源的缺点。拓扑地图方法的最大优点是提高了计算效率，而缺点是表征的粗糙性，使得定位精度不高，预估的结果只是给出了一个粗略的信息。该方法通常只适合于传感器只能提供非常不精确的定位信息的定位系统中。近些年来，基于粒子滤波器的定位方法得到了长足的发展[97][98]。该方法用粒子集描述概率分布，而不用概率分布函数本身表示。为了随时间更新密度分布，蒙特卡罗方法得到了广泛的应用。粒子滤波定位方法相比于以往的定位方法有独特的优点，主要表现在以下几方面相比于基于卡尔曼滤波器的定位方法，该方法可以处理多峰分布问题，可以很好地解决全局定位问题相比于基于网格的马可夫定位方法，该方法极大地降低了内存的耗费，可以很高的频率将最新的观测值融合到状态估计中相比于固定网格大小的马可夫定位方法，该方法可以得到更高的定位精度，该种方法非常容易应用于现实实验中。近几年位姿估计方法如表1-1所示。然而，非结构地面环境作为一种重要引导诱变因素的存在，如果没有地面环境信息的提前预知，难以实现工程车辆行驶位姿状态参数的准确估计。时间姿态误差relevantvectormachine:AnexperimentalanalysisinfStructuralHealthMonitoring,2017,17(6):1[4]SoumitryJ,TeizerJ.Dynamicblindspots2014,44(2):358-363.[6]戴群亮，赵丁选.基于BP神经网络[7]ZhangX,GaoH,GuoM,etal.AstudyonkeytechnologiesofunmanneddriTransactionsonIntelligenceTechnology,2[8]StolteT,ReschkaA,BagschikG,etal.TowardsautomateddriviTransportationSystems,IEEE,2015:1-6.[9]LiB,LouY.Studyonthecurrentsituationofengineeringmachinintelligentinformation[C]//BusinessInnovation,2016,57:541-545.[10]TjonnasJ,JohansenTA.Stabilizationcyberphysicalsystems[J].IEEETransactionsonVehicularTechnology,20[12]KimHS,LeeHK.Eliminationomeasurements[J].JournalofE