王祖麟,秦 菘,梁毓明

(江西理工大学电气工程与自动化学院,江西赣州341000)

基于噪声缩放的自适应UKF-SLAM算法

王祖麟,秦 菘,梁毓明

(江西理工大学电气工程与自动化学院,江西赣州341000)

针对扩展卡尔曼滤波(EKF)算法在移动机器人同时定位和环境建模(SLAM)中的缺点,即非线性系统简单线性化所导致的系统状态方程的不准确性、雅克比矩阵的计算所导致的计算复杂化以及噪声模型不确定性所导致的滤波稳定性降低等问题,提出一种对噪声自适应的UKF-SLAM算法。该算法通过对噪声缩放进而改变噪声模型,利用观测残差序列准确估计观测噪声模型协方差,运用预测的新息协方差和IAE开窗法求其系统状态噪声缩放因子,从而准确估计系统状态噪声模型协方差,实现对不确定的噪声模型能够自适应UKF-SLAM算法。UKF的Sigma点采样策略是比例对称采样。实验结果证明,该方法相对EKF算法和UKF算法具有较高的定位精度和自适应能力。

同时定位和环境建模;无迹卡尔曼滤波;噪声缩放;在线自适应;比例对称采样;开窗法

1 概述

实现智能移动机器人的关键技术之一就是移动机器人同时定位和环境建模(Simultaneous Location and Mapping,SLAM),即一方面机器人通过自身传感器实现对周围环境模型的建立,另一方面机器人依靠所建立的环境模型估计自身所在环境中的位置[1]。SLAM可以理解为机器人同时估计其位置和环境模型特征的估计问题。

目前最经典的算法就是扩展卡尔曼滤波(Extend Kalman Filtering,EKF)[2],该算法是通过把机器人的系统模型进行泰勒展开,将其高阶忽略,把非线性系统变为线性系统,但是当其高阶项无法忽略时,该系统就会出现较大误差,并且滤波器很难稳定,最终导致滤波器无法收敛,使得所建立的环境模型精度较低[3]。……