基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题，提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题，并补偿低成本的惯性传感器陀螺仪和加速度计的误差，从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统，实验结果表明UKF参数设计简单，姿态估计误差小于EKF，方差估计优于EKF，估计精度、计算量基本与EKF相当．因此，UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

卡尔曼滤波在两轮自平衡代步车姿态检测中的应用

介绍了一种MENS加速度计、陀螺仪与嵌入式微控制器相结合的两轮自平衡代步车姿态检测系统。针对加速度计和陀螺仪测量分别存在噪声干扰和随机漂移误差,采用卡尔曼滤波实现传感器数据融合,补偿传感器测量误差,得到车体姿态的最优估计。将该算法移植到姿态检测系统的微控制器中,测试结果表明卡尔曼信息融合可以有效提高系统检测精度。     

基于四元数和卡尔曼滤波的两轮车姿态稳定方法

针对自平衡两轮车姿态角的在线估计问题,采用四元数的姿态解算算法,利用Levenberg-Marquardt非线性最小二乘法对自平衡两轮车陀螺仪信号拟合,建立了随机漂移误差数学模型,应用卡尔曼滤波融合陀螺仪和加速度计输出的信号,补偿了陀螺仪输出角速度的随机漂移误差,得到了自平衡两轮车姿态的最优估计。实验结果表明,这种姿态估计算法是有效的,有利于车体的自平衡控制。     

考虑姿态检测误差的两轮机器人研究

两轮机器人通过姿态反馈达到稳定状态,但需要解决其姿态检测传感器存在误差的问题。本文首先通过力学分析建立两轮机器人数学模型,采用极点配置法设计状态反馈矩阵,进而得到系统控制方法 ;然后通过分析两种普遍使用的姿态检测传感器的特性,得到各自的误差模型,并采用互补滤波方法对两种姿态检测传感器进行融合。将姿态检测传感器的误差模型和互补滤波融合后的模型分别应用到两轮机器人模型中,并对两种单独使用姿态检测传感器的机器人系统和采用互补滤波方法的机器人系统进行仿真。仿真效果和实验测试表明,采用互补滤波方法的两轮机器人姿态检测误差减小,系统更加稳定。     

基于数据融合的两轮自平衡小车控制系统设计

为解决两轮自平衡系统中传感器存在较大震动干扰与漂移误差的问题,并提高系统姿态倾角测量的精确性和实时性,提出了基于陀螺仪与加速度计数据融合的两轮系统自平衡控制方法。建立两轮自平衡系统的动力学模型,采用卡尔曼滤波算法融合陀螺仪与加速度计信号,得到系统姿态倾角与角速度最优估计值,通过双闭环数字PID算法实现两轮系统的自平衡控制。通过两轮小车自平衡控制系统的软硬件设计,成功验证了该方法的可行性与有效性。利用该方法大大提高了两轮自平衡系统的抗干扰性。     

两轮自平衡小车的系统设计与实现

两轮自平衡小车是以倒立摆模型为基础的动态平衡系统,针对系统设计中的车身结构、姿态检测与动态平衡控制等关键问题进行研究.采用一体化轮毂电机作为自平衡小车的驱动单元,设计轻量化车身结构以降低车身重量和能量损耗.控制系统采用含有加速度计、陀螺仪、电子罗盘的9轴姿态检测传感器检测车身姿态角度,利用卡尔曼滤波算法进行数据融合,获得姿态角度的最优估计,借助PID运动控制算法驱动轮毂电机运动,实现自平衡小车车身的动态平衡.通过参数优化,提升了系统的响应速度,将姿态角度估计的误差降低到0.5°以内,实现了两轮小车自主动态平衡功能,为两轮自平衡小车的设计提供了一种简单、可行、低成本的设计方案.     

基于互补滤波的两轮自平衡小车的实现

要使两轮自平衡小车协同运动、平衡稳定、有效控制,最为关键的首要因素是准确、快速地解算出其运动姿态信息。该文针对姿态信息解算的卡尔曼滤波解算复杂、运算量大等缺点,采用互补滤波将倾角、加速度传感器信息进行数据融合、优化,得到与实际姿态信息相一致的最优估计值。再综合视觉传感器,两轮自平衡小车自动调整运动姿态、及时修正并回归至平衡位置,实现平稳控制。提出利用传感器—倾角、加速度、磁力计、视觉,互补滤波,ARM微控制器,4G通信等多种技术,设计出基于互补滤波的两轮自平衡小车。详细阐述了工作原理、系统架构、硬件设计及姿态信息检测、互补滤波、方向检测等算法。实践表明,基于互补滤波的两轮竞速自平衡小车姿态解算准确快速、运动控制精准、转弯快速。     

两轮自平衡车运动姿态的测量和控制

两轮自平衡车姿态测量与控制是两轮自平衡车设计的关键环节.针对两轮自平衡车倾角的测量问题,采用了卡尔曼多传感融合算法.该算法融合了加速度传感器和陀螺仪传感器数据,实现了两轮自平衡车倾角实时在线估算.根据测量得到的倾角和角速度,采用了比例微分(PD)控制算法,实现了两轮自平衡车姿态的稳定控制.     

基于Accodometry法的两轮自平衡机器人位置估计研究

针对两轮自平衡机器人运行过程中遇到打滑、越障、碰撞等异常事件,测程法进行位置估计失效的情况,提出一种Accodometry方法,通过融合码盘与加速度计数据对位置进行估计,解决了非系统测程法误差对机器人位置估计的影响,降低了加速度计固有漂移的不利影响,提高了两轮自平衡机器人的定位精度.实验验证了Accodometry方法的有效性,结果显示位置误差降为原来的1/4.     

基于自控测距法的机器人位姿估计

针对两轮自平衡机器人运行过程中遇到打滑、越障、碰撞等异常事件,测程法进行位姿估计失效的情况,提出一种自控测距法。结合改进的Gyrodometry方法,通过融合码盘、陀螺仪与加速度计数据对机器人的位姿进行估计,实现了机器人的准确定位,解决了非系统定位误差对机器人位姿估计的影响,降低了陀螺仪、加速度计固有漂移的不利影响,提高了两轮自平衡机器人的定位精度。实验结果显示与测程法误差相比自控测距法位置误差降为1／3,方向误差降为1／6,验证了自控测距法的有效性。     

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。     

一种自适应残差补偿算法在移动机器人姿态估计中的应用研究

针对两轮移动机器人MEMS IMU姿态估计的数据融合问题,提出一种以卡尔曼滤波为基础的自适应残差补偿算法。该算法结合惯性传感器误差模型与移动机器人姿态模型构建卡尔曼滤波器,利用卡尔曼滤波量测更新的加速度残差自适应补偿非重力载体位移加速度对姿态估计的影响。实验结果表明,该算法有效的融合了MEMS IMU姿态测量数据,抑制了传感器随机漂移误差,同时自适应补偿了非重力载体位移加速度。     

An event-triggered approach to state estimation with multiple point- and set-valued measurements

In this work, we consider state estimation based on the information from multiple sensors that provide their measurement updates according to separate event-triggering conditions. An optimal sensor fusion problem based on the hybrid measurement information (namely, point- and set-valued measurements) is formulated and explored. We show that under a commonly-accepted Gaussian assumption, the optimal estimator depends on the conditional mean and covariance of the measurement innovations, which applies to general event-triggering schemes. For the case that each channel of the sensors has its own event-triggering condition, closed-form representations are derived for the optimal estimate and the corresponding error covariance matrix, and it is proved that the exploration of the set-valued information provided by the event-triggering sets guarantees the improvement of estimation performance. The effectiveness of the proposed event-based estimator is demonstrated by extensive Monte Carlo simulation experiments for different categories of systems and comparative simulation with the classical Kalman filter.     

信息融合算法在机器人足球系统中的应用

最优信息融合Kalman滤波算法给出了实时动态环境中线性方差最小的融合估计。采用该算法对机器人足球系统中的小球进行状态估计和预测,并给出了信息融合处理结构和该算法的具体实现步骤。实验结果表明,该算法可以克服单一视觉传感器采集的数据含有较大噪声等局限性,实现了对小球精确的状态估计和预测,具有可行性和优越性,并且在某一机器人视觉传感器出错时,系统仍具有良好的容错性和鲁棒性。     

多传感器噪声方差未知情况下的异步航迹融合

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。现有的多传感器信息融合算法大都基于Kalman滤波器,要求噪声方差已知,并且假定各传感器同步采样,不考虑通信延迟。本文在分布式处理的模式下,基于各传感器在扩展记忆因子递推最小平方(EFRLS)估计形成本地航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。仿真实验结果表明,这种融合算法是有效的,算法接近集中式融合算法的精度。     

Multi-sensor information fusion white noise filter weighted by scalars based on Kalman predictor

A unified multi-sensor optimal information fusion criterion weighted by scalars is presented in the linear minimum variance sense. The criterion considers the correlation among local estimation errors, only requires the computation of scalar weights, and avoids the computation of matrix weights so that the computational burden can obviously be reduced. Based on this fusion criterion and Kalman predictor, an optimal information fusion filter for the input white noise, which can be applied to seismic data processing in oil exploration, is given for discrete time-varying linear stochastic control systems measured by multiple sensors with correlated noises. It has a two-layer fusion structure. The first fusion layer has a netted parallel structure to determine the first-step prediction error cross-covariance for the state and the filtering error cross-covariance for the input white noise between any two sensors at each time step. The second fusion layer is the fusion center to determine the optimal scalar weights and obtain the optimal fusion filter for the input white noise. Two simulation examples for Bernoulli-Gaussian white noise filter show the effectiveness.     

多传感器信息融合在移动机器人定位中的应用

机器人自定位是实现自主导航的关键问题之一。为了满足机器人在导航时精确定位的要求,提出一种基于多传感器信息融合的自定位算法。根据对机器人运动机构的分析和运动机构间的刚体约束,建立起机器人的运动学模型;由传感器的工作原理建立里程计和超声波传感器的观测模型;利用扩展卡尔曼滤波(EKF)算法将里程计和超声波传感器采集的数据进行融合;最后,由匹配的环境特征对机器人的位置进行修正,得到精确的位置估计。实验结果表明:该算法明显地消除了里程计的累计误差,有效地提高了定位精度。     

带有色观测噪声系统多传感器标量加权最优信息融合稳态Kalman滤波器

基于标量加权多传感器线性最小方差最优信息融合准则,对被多传感器观测的带有色观测噪声的离散线性随机控制系统,提出了一种具有两层融合结构的标量加权信息融合稳态Kalman滤波器,它等价于相应的带相关噪声系统的最优信息融合稳态Kalman预报器.最优信息融合稳态预报器可在所有局部预报器达到稳态时,通过一次融合获得,且任两个子系统之间的稳态预报误差互协方差阵可通过任选初值迭代求得,并证明了它的收敛性.通过将它应用到带三个传感器的雷达跟踪系统验证了其有效性.     

运用异质传感器信息融合的移动机器人自定位

采用单类、单一传感器很难获得移动机器人的准确定位.为此,运用异质传感器信息融合来提高定位精度.首先,建立机器人运动方程和CCD摄像机观测模型.然后,利用扩展卡尔曼滤波器进行状态估计,选择Q,R矩阵抑制系统的模型噪声和量测噪声,并实现移动机器人的自定位.接着,建立超声波传感器的观测模型,获得机器人的自定位信息.最后,运用BP神经网络,将两种自定位信息进行融合,实现两类传感器的优缺点互补.仿真实验表明,运用异质传感器信息融合能明显地提高移动机器人的自定位精度.     

Distributed fusion Kalman filtering under binary sensors

Binary sensors are special sensors that only transmit one‐bit information at each time and have been widely applied to environmental awareness and medical monitoring. This paper is concerned with the distributed fusion Kalman filtering problem for a class of binary sensor systems. A novel uncertainty approach is proposed to better extract valid information from binary sensors at switching instant. By minimizing a local estimation error covariance, the local robust Kalman estimates are firstly obtained. Then, the distributed fusion Kalman filter is designed by resorting to the covariance intersection fusion criterion. Finally, a blood oxygen content model is employed to show the effectiveness of the proposed methods.