未知环境中基于相对观测量的多机器人合作定位研究

论文摘要

随着机器人技术在各个领域的广泛应用和发展,在研究和应用双重需求的推动下,多机器人系统的研究已受到国内外研究机构和产业界的重视,并逐步成为一个充满活力、充满挑战性的领域。在一些面向任务的应用中,如军事领域、航空航天领域、服务行业、机器人足球赛等,多机器人的协同协作发挥了重要作用。多机器人的协同协作离不开机器人的位置信息,如何利用多机器人的协同合作来提高整个机器人群的定位能力、定位精度,无疑是多机器人研究中一个重要且关键的课题。本文围绕多机器人研究中基本且关键的定位问题,深入研究了多机器人群在未知环境中基于相对观测量和自身运动进行协同、合作定位的技术。针对系统结构、观测量选择、运动轨迹优化及粒子滤波器的应用及改进等方面进行了深入的研究。论文首先深入研究了多机器人合作定位的系统模型,在此基础上,推导了利用扩展卡尔曼滤波方法融合运动信息及相对观测信息同时定位机器人群中每个机器人的滤波方程,详细分析了基于相对方位观测量的定位特点,针对利用相对方位观测量时某些相对分布条件下易出现滤波发散的情况,提出了一种改进的EKF滤波方法,提高了算法的鲁棒性和可靠性,并通过计算机仿真和Nubot机器人平台上获得的实验结果和数据,验证了合作定位的有效性及改进算法的实用性。其后在合作定位系统模型的基础上,针对随着机器人群规模的增大,导致定位计算量迅速增长这一问题,主要研究了如何在众多的观测量中选择那些更有利于合作定位的观测信息,提出了一种基于熵的观测量选择算法以选择具有较大信息增益的观测量,从而提高了定位的效率和实时性,并对此算法进行了计算机仿真,比较分析了观测量的信息增益及个数对定位精度、计算时间的影响,证明了该算法的正确性和有效性;论文分析讨论了如何将集中式的滤波计算分布到各个机器人平台上,实现分布式的定位计算,以降低计算的复杂度,增强系统的灵活性。论文还讨论了衡量相对位置分布及运动轨迹的优化准则,在此基础上,深入分析了在多种不同情形下机器人基于相对距离观测量的定位误差分布;研究了多机器人在给定起点和终点的情况下,如何运动才能使合作定位的精度更高,在一定约束条件下给出了一种寻求最优轨迹的方法,并通过计算机仿真证明,对机器人群的运动轨迹进行规划设计,可以明显提高合作定位精度。针对未知环境中具有不同观测能力的机器人群的全局定位问题,研究了粒子滤波及其与扩展卡尔曼滤波相结合的应用,在此基础上,提出了将粒子滤波与扩展卡尔曼滤波相结合的定位模型和方法,充分利用粒子滤波器的鲁棒性、适应性与扩展卡尔曼滤波的高效率、实时性,从而使定位的稳健性和实时性得到进一步提高,并通过计算机仿真和Nubot机器人平台上获得的实验数据,验证了该方法的有效性。针对初始误差大及观测误差较大的情况,对Unscented Kalman Filter进行了改进(IUKF),与EKF、UKF算法相比,新算法不仅适应能力强、稳定性高,而且收敛速度快、跟踪误差小,是一种稳健的定位跟踪算法;以IUKF来产生重要性概率密度函数,提出了改进的Unscented Particle Filter(IUPF),得到了更稳健的滤波特性和更好的滤波精度,并通过计算机仿真和实测数据,验证了改进的IUPF的性能;为提高计算的实时性,针对高斯粒子滤波器提出了并行的算法和结构,并利用有五台计算机组成的多处理机系统验证了并行算法的可行性。在论文的最后,总结了整个论文的工作,指出了进一步研究探索的方向。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 开展多机器人合作定位技术研究的意义
• 1.2 机器人定位技术研究进展
• 1.2.1 已有的单个机器人定位技术
• 1.2.2 多机器人定位技术的研究
• 1.3 合作定位中的优化问题
• 1.4 本文的主要研究内容及创新点
• 第二章 基于 EKF 方法的多机器人定位
• 2.1 移动机器人的运动模型
• 2.1.1 单个机器人的运动模型
• 2.1.2 多机器人群的运动模型
• 2.2 基于相对观测量的 EKF 定位
• 2.2.1 状态的预测及推演
• 2.2.2 状态的更新
• 2.3 仿真实验及分析
• 2.3.1 仿真实验
• 2.3.2 仿真结果分析
• 2.3.3 定位误差分析
• 2.4 基于相对方位的改进算法
• 2.4.1 算法描述
• 2.4.2 算法仿真结果
• 2.5 实验平台及结果
• 2.5.1 实验平台
• 2.5.2 实验结果
• 2.6 本章小结
• 第三章 观测量的选择及分布式机制
• 3.1 基于熵的分布式观测量选择方法
• 3.1.1 问题描述
• 3.1.2 基于信息熵的观测量选择
• 3.2 算法分析及仿真实验
• 3.2.1 算法分析
• 3.2.2 仿真实验
• 3.3 EKF 方法的分布式机制
• 3.3.1 状态推演
• 3.3.2 滤波更新
• 3.3.3 进一步的推演和更新
• 3.4 本章小结
• 第四章 合作定位中的最佳运动轨迹分析
• 4.1 运动优化的准则
• 4.2 机器人最优位置分布
• 4.2.1 单个机器人与路标的情形
• 4.2.2 多个机器人的情形
• 4.3 最优的运动轨迹
• 4.3.1 优化问题的建立
• 4.3.2 轨迹优化算法
• 4.3.3 仿真实验及分析
• 4.4 关于优化轨迹的讨论
• 4.5 本章小结
• 第五章 基于粒子滤波的多机器人定位
• 5.1 粒子滤波器
• 5.1.1 Bayesian 滤波问题
• 5.1.2 模拟数值逼近与Bayesian 重要性抽样及重抽样
• 5.2 基于PF-EKF 的多机器人定位
• 5.2.1 相对观测量
• 5.2.2 粒子滤波器的应用
• 5.2.3 仿真实验
• 5.2.4 实际实验结果
• 5.3 一种改进的粒子滤波器（IUPF）
• 5.3.1 UKF 算法及其改进
• 5.3.2 数值仿真与试验
• 5.3.3 改进的粒子滤波器（IUPF）
• 5.3.4 实验与分析
• 5.4 并行高斯粒子滤波器结构分析和实现
• 5.4.1 高斯粒子滤波算法并行优化
• 5.4.2 高斯粒子滤波并行结构设计
• 5.5 本章小结
• 第六章 总结与未来工作
• 攻读博士学位期间发表的论文
• 致谢
• 参考文献表