一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

doi:10.3969/j.issn.1004-132X.2023.21.010

中国机械工程 ›› 2023, Vol. 34 ›› Issue (21): 2607-2614.DOI: 10.3969/j.issn.1004-132X.2023.21.010

一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

许万1;程兆1;夏瑞东1;陈汉成2

1.湖北工业大学机械工程学院，武汉，430072
2.深圳海外装饰工程有限公司，深圳，518031

出版日期:2023-11-10 发布日期:2023-11-29
通讯作者: 陈汉成（通信作者），男，1977年生，高级工程师。E-mail：380028295@qq.com。
作者简介:许万，男，1979年生，教授、博士研究生导师。研究方向为移动机器人、多轴运动控制。发表论文30余篇。E-mail：xuwan@mail.hbut.edu.cn。
基金资助:
湖北省重点研发专项（2023BEB031）；住建部科技项目（2022GKG078）

An Adaptive Robust Unscented Kalman Filter Localization Algorithm Based on Dynamic Residual

XU Wan1;CHENG Zhao1;XIA Ruidong1;CHEN Hancheng2

1.School of Mechanical Engineering，Hubei University of Technology，Wuhan，430072
2.Shenzhen Overseas Decoration Engineering Co.，Ltd.，Shenzhen，Guangdong，518031

Online:2023-11-10 Published:2023-11-29

摘要/Abstract

摘要： 针对标准无迹卡尔曼滤波（UKF）定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题，结合抗差估计理论，提出了一种自适应鲁棒无迹卡尔曼滤波器（ARUKF）定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整，减小了外部干扰对系统预测值的影响，提高了系统的精度与鲁棒性，通过减少采样过程的运算量加快了运算，并提高了系统实时性。仿真和现场测试结果表明，相较于UKF算法和基于Sage-Husa的改进UKF算法，ARUKF算法对不平整地面产生的扰动能更快收敛，具有更加优异的精度、鲁棒性和实时性，平均距离误差小于2 mm，平均角度误差小于0.016 rad，可以满足更苛刻的建筑施工现场放线要求。

关键词: 精准定位, 抗差估计, 动态残差, 自适应鲁棒无迹卡尔曼滤波器, 移动机器人

Abstract: Aiming at the problems that the standard unscented Kalman filter（UKF） localization algorithm could not meet the high-precision localization requirements of mobile robots when moved on uneven ground， an ARUKF localization algorithm was proposed based on robust estimation theory. The ARUKF adaptively adjusted the predicted value of UKF according to the dynamic residual， reduced the influences of external interference on the predicted values of the systems， improved the accuracy and robustness of the system， speeded up the operation by reducing the computational complexity of the sampling processes， and improved the real-time performance of the system. The simulation and field test results show that the ARUKF algorithm may converge faster for the disturbance generated by uneven ground， and have better accuracy， robustness， and real-time performance， compared with the UKF algorithm and the improved UKF algorithm based on Sage-Husa. The average distance error is less than 2 mm， and the average angle error is less than 0.016 rad， which may meet more stringent requirements of the construction site.

Key words: , precise localization, robust estimation, dynamic residual, adaptive robust unscented Kalman filter（ARUKF）, mobile robot

中图分类号:

许万, 程兆, 夏瑞东, 陈汉成. 一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法[J]. 中国机械工程, 2023, 34(21): 2607-2614.

XU Wan, CHENG Zhao, XIA Ruidong, CHEN Hancheng. An Adaptive Robust Unscented Kalman Filter Localization Algorithm Based on Dynamic Residual[J]. China Mechanical Engineering, 2023, 34(21): 2607-2614.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2023.21.010

http://www.cmemo.org.cn/CN/Y2023/V34/I21/2607

参考文献

［1］SIMON D. Kalman Filtering with State Constraints：a Survey of Linear and Nonlinear Algorithms［J］. IET Control Theoryand Applications， 2010， 4（8）：1303-1318.
［2］MA F， LIU F， ZHANG X， et al. An Ultrasonic Positioning Algorithm Based on Maximum Correntropy Criterion Extended Kalman Filter Weighted Centroid［J］. Signal Image & Video Processing， 2018， 12（6）：1207-1215.
［3］UBEDA-MEDINA L， GARCIA-FERNANDEZ A F， GRAJAL J. Sigma-point Multiple Particle Filtering［J］. Signal Processing， 2019， 160：271-283.
［4］CHEN X， SUN R， WANG F， et al. Two-stage Unscented Kalman Filter Algorithm for Fault Estimation in Spacecraft Attitude Control System［J］. IET Control Theory & Applications， 2018， 12（13）：1781-1791.
［5］RVG A， PCPMP A， HKK B， et al. Nonlinear Filtering for Sequential Spacecraft Attitude Estimation with Real Data：Cubature Kalman Filter， Unscented Kalman Filter and Extended Kalman Filter［J］. Advances in Space Research， 2019， 63（2）：1038-1050.
［6］MICHALSKI J， KOZIERSKI P， GIERNACKI W， et al. MultiPDF Particle Filtering in State Estimation of Nonlinear Objects［J］. Nonlinear Dynamics， 2021（3）：2165-2182.
［7］KNUDSEN T， LETH J. A New Continuous Discrete Unscented Kalman Filter［J］. IEEE Transactions on Automatic Control， 2019， 64（5）：2198-2205.
［8］LIU C Y， SHUI P L， LI S. Unscented Extended Kalman Filter for Target Tracking［J］. Journal of Systems Engineering and Electronics， 2011， 22（2）：188-192.
［9］张家旭，李静. 采用自适应无迹卡尔曼滤波器的车速和路面附着系数估计［J］. 西安交通大学学报， 2016， 50（3）：68-75.
ZHANG Jiaxu， LI Jing. Estimationof Vehicle Speed and Tire-Road Adhesion Coefficient by Adaptive Unscented Kalman Filter［J］. Journal of Xian Jiaotong University， 2016， 50（3）：68-75.
［10］朱明强，侯建军，刘颖，等. 基于自适应比例修正无迹卡尔曼滤波的目标定位估计算法［J］. 兵工学报， 2013， 34（5）：561-566.
ZHU Mingqiang， HOU Jianjun， LIU Ying， et al. Target Locating Estimation Algorithm Based on Adaptive Scaled Unscented Kalman Filter［J］. Acta Armamentarii， 2013， 34（5）：561-566.
［11］MENEGAZ H M， ISHIHARA J O Y， BORGES G A. New Minimum Sigma Set for Unscented Filtering［J］. International Journal of Robust & Nonlinear Control， 2015， 25（17）：3286-3298.
［12］肖磊，王绍举，常琳，等. 采用自适应无迹卡尔曼滤波的卫星姿态确定［J］. 光学精密工程， 2021， 29（3）：637-645.
XIAO Lei， WANG Shaoju， CHANG Lin， et al. Attitude Determination for Satellite Using Adaptive Unscented Kalman Filter［J］. Optics and Precision Engineering， 2021， 29（3）：637-645.
［13］许万，曹松，罗西，等. 双轮差速移动机器人轨迹跟踪混合控制算法研究［J］. 组合机床与自动化加工技术， 2018（3）：78-83.
XU Wan， CAO Song， LUO Xi， et al. Study on Hybrid Control Algorithm for Trajectory Tracking of Double-wheeled Differential Speed Mobile Robot［J］. Modular Machine Tool & Automatic Manufacturing Technique， 2018（3）：78-83.
［14］刘长胜，白江兰，康宁，等. 基于Robust-M估计的地空频率域电磁探测数据干扰抑制方法［J］. 科学技术与工程， 2022， 22（23）：9955-9961.
LIU Changsheng， BAI Jianglan， KANG Ning， et al. Data Interference Suppression Method of Ground-airborne Frequency-domain Electromagnetic Detection Based on Robust-M Estimation［J］. Science Technology and Engineering， 2022， 22（23）：9955-9961.
［15］MENEGAZ H， ISHIHARA J Y， BORGES G， et al. A Systematization of the Unscented Kalman Filter Theory［J］. IEEE Transactions on Automatic Control， 2015， 60（10）：2583-2598.
［16］MENEGAZ H M， ISHIHARA J Y， BORGES G A. New Minimum Sigma Set for Unscented Filtering［J］. Internatinal Journalof Robustand Nonlinear Control， 2015， 25（17）：3286-3298.

[1]	武星, 杨俊杰, 汤凯, 翟晶晶, 楼佩煌. 面向复合地图的移动机器人分层路径规划[J]. 中国机械工程, 2023, 34(05): 563-575.
[2]	李荣华, 杨景山, 郑宇锋, 周唯. 恒定轮距的多连杆式独立悬挂系统设计[J]. 中国机械工程, 2023, 34(02): 148-156.
[3]	田明锐, 杨皓, 胡永彪. 大视场室内移动机器人高精度动态定位方法[J]. 中国机械工程, 2022, 33(02): 194-201.
[4]	刘明源, 陈平, 马建设. 直驱式四足机器人的结构优化设计与研究[J]. 中国机械工程, 2021, 32(18): 2246-2253.
[5]	谢冬福1;罗玉峰1,2;石志新1;刘燕德2. 多移动机器人协同模式及其倾翻稳定性研究[J]. 中国机械工程, 2020, 31(20): 2472-2485.
[6]	李阳1,2,3；刘子明1,2,4；陈庆盈1,2,3 . 考虑打滑干扰的解耦式主动脚轮全向移动机器人跟踪控制[J]. 中国机械工程, 2020, 31(18): 2247-2253.
[7]	王洪斌1;郝策1;张平1;张明泉1;尹鹏衡1;张永顺2. 基于A*算法和人工势场法的移动机器人路径规划[J]. 中国机械工程, 2019, 30(20): 2489-2496.
[8]	贝旭颖1，2;平雪良1，2;高文研1，2. 纵向打滑状态下轮式移动机器人轨迹跟踪控制[J]. 中国机械工程, 2018, 29(16): 1958-1964.
[9]	李逃昌. 农业轮式移动机器人自适应滑模路径跟踪控制[J]. 中国机械工程, 2018, 29(05): 579-584,590.
[10]	徐培培, 王国庆, 翟佳星, 李兆路, 张志新. 移动式服务机器人混合控制器关键技术研究[J]. 中国机械工程, 2017, 28(12): 1468-1473.
[11]	叶锦华, 吴海彬. 不确定轮式移动机器人统一自适应神经网络H∞控制[J]. 中国机械工程, 2017, 28(02): 150-155.
[12]	朱奇光, 王梓巍, 陈颖. 基于全局特征与局部特征的图像分级匹配算法研究及应用[J]. 中国机械工程, 2016, 27(16): 2211-2217.
[13]	毛志伟, 吴训, 周少玲, 李向春, 邓凡灵. 四轮驱动全轮差速转向移动焊接机器人运动学分析与仿真[J]. 中国机械工程, 2016, 27(13): 1731-1734.
[14]	陈卫东, 张兴家, 朱奇光, 陈颖. 基于混合特征的移动机器人图像匹配算法[J]. 中国机械工程, 2015, 26(9): 1137-1141.
[15]	张礼华, 费蓝冰, 楼飞, 王康. 新型轮腿式地面移动机器人的结构设计与运动特性分析[J]. 中国机械工程, 2015, 26(21): 2867-2872.

一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

An Adaptive Robust Unscented Kalman Filter Localization Algorithm Based on Dynamic Residual

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics