CN108710295B - 一种基于渐进容积信息滤波的机器人跟随方法 - Google Patents

一种基于渐进容积信息滤波的机器人跟随方法 Download PDF

Info

Publication number
CN108710295B
CN108710295B CN201810365081.3A CN201810365081A CN108710295B CN 108710295 B CN108710295 B CN 108710295B CN 201810365081 A CN201810365081 A CN 201810365081A CN 108710295 B CN108710295 B CN 108710295B
Authority
CN
China
Prior art keywords
covariance
state
information
robot
measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810365081.3A
Other languages
English (en)
Other versions
CN108710295A (zh
Inventor
俞立
赵礼艳
杨旭升
郑婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810365081.3A priority Critical patent/CN108710295B/zh
Publication of CN108710295A publication Critical patent/CN108710295A/zh
Application granted granted Critical
Publication of CN108710295B publication Critical patent/CN108710295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/12—Target-seeking control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

一种基于渐进容积信息滤波的机器人跟随方法，该方法将量测更新过程分解为若干个子过程，利于多个不同传感器信息的融合；其次，在量测更新过程中渐近地引入量测信息，使其得到充分利用，提高了人体目标跟踪精度；另外，通过增大观测噪声协方差，使得渐进过程中协方差矩阵保持正定性，从而保证滤波器的稳定性；本发明尤其适用于人机协作的智能机器人跟随方法，采用渐进容积信息滤波算法融合收集到的机器人传感器量测信息，得到人物的状态估计，从而实现人物跟随的目的，相比现有的机器人跟随方法，本发明能显著提高人物跟踪的精度和稳定性。

Description

一种基于渐进容积信息滤波的机器人跟随方法
技术领域
本发明属于服务机器人领域，尤其是一种适用于人机协作的智能机器人跟随方法。
背景技术
随着人工智能、机器人技术的融合与发展，机器人变得更加智能化并逐渐渗透到健康医疗、家居服务等行业。与传统的工业机器人不同，服务机器人的工作环境更为复杂，并且需要与人们互动以提供有效的服务，表现出良好的沟通技巧。由于目前家庭服务和医疗保健的需求日益增长，人们对服务机器人安全性、功能性和灵活性的要求越来越高。而人机协作能力将成为下一代智能机器人的必要属性之一，有着广泛而良好的应用前景。
人体目标识别与跟踪是服务机器人实现人机协作的前提和基础，而设计性能良好的人体位姿估计器是其重要工作之一。考虑到人体目标跟踪过程涉及的非线性滤波问题，扩展卡尔曼滤波方法是一种应用广泛的非线性滤波方法。特别的，通过引入其信息形式，即可得扩展信息滤波方法，这样不仅可避免获取精确的初始状态信息，而且在量测不相关的前提下，其量测更新过程可分解为若干个子过程累加的形式，滤波结构更加灵活，利于融合不同传感器的量测数据。然而，与扩展卡尔曼滤波方法类似，扩展信息滤波方法同样需要计算雅可比矩阵且存在一阶截断误差，特别是当系统具有强非线性时，会引入较大的线性化误差，破坏滤波器的稳定性甚至发散，从而导致机器人无法完成人机协作任务。另一方面，无迹卡尔曼滤波等方法通过估计状态不确定区域内的一系列回归点来线性化系统状态和量测模型，这样，无需计算非线性函数的雅克比矩阵。相比于扩展卡尔曼滤波，无迹卡尔曼方法理论上拟合精度可达二阶以上，具有更高的滤波精度。然而，无迹卡尔曼滤波的方法性能易受参数取值的影响，尤其是当系统具有高维数时协方差矩阵易失去正定性，导致滤波性能不佳甚至出现滤波发散的现象。而通过径向容积准则求解数值积分来得到系统的状态估计，可一定程度减少协方差不正定情形的发生。然而，由于线性化误差、数值计算误差等因素影响，还是不可避免地引起滤波器的不稳定。目前尚未有人体目标跟踪方法可以克服上述因素的影响，保证滤波器的稳定性，使得机器人可以安全、灵活的实现人机协作。
发明内容
为了克服现有服务机器人跟随方法的精度较低、稳定性较差的不足，本发明提供了一种基于渐进容积信息滤波的机器人跟随方法，在跟踪精度得到提高的前提下，增强机器人跟随系统的稳定性。
为实现上述目的，本发明所采用的技术方案是：
一种基于渐进容积信息滤波的机器人跟随方法，所述方法包括以下步骤：
步骤1，初始化参数，包括k＝0时刻跟随系统的状态向量
Figure BDA0001635548830000021
状态协方差P0|0以及过程噪声协方差Qk，并将量测噪声协方差Rk放大N倍；
步骤2，机器人获取k时刻传感器的量测信息，根据球面径向规则，由k-1时刻估计状态
Figure BDA0001635548830000022
和协方差Pk-1|k-1构造Sigma点σi,k-1|k-1,i＝1,2,…,L，从而获得k时刻跟随系统的预测状态
Figure BDA0001635548830000023
及协方差Pk|k-1；
步骤3，引入信息矩阵Yk|k-1及信息状态向量
Figure BDA0001635548830000024
对量测更新过程进行迭代，根据k时刻预测状态
Figure BDA0001635548830000025
及协方差Pk|k-1得迭代初始状态
Figure BDA0001635548830000026
和，已知迭代过程中状态
Figure BDA0001635548830000027
和协方差
Figure BDA0001635548830000028
构造Sigma点
Figure BDA0001635548830000029
从而获得k时刻的量测预测值
Figure BDA00016355488300000210
及其互协方差
Figure BDA00016355488300000211
步骤4，根据步骤3获得的量测预测值
Figure BDA00016355488300000212
与互协方差
Figure BDA00016355488300000213
结合k时刻机器人获取的传感器量测信息zk计算得第n次迭代更新后的信息矩阵
Figure BDA00016355488300000214
及信息状态向量
Figure BDA00016355488300000215
步骤5，根据步骤4获得的信息矩阵
Figure BDA00016355488300000216
及信息状态向量
Figure BDA00016355488300000217
得第n次迭代更新后跟随系统的状态估计
Figure BDA00016355488300000218
与协方差
Figure BDA00016355488300000219
步骤6，判断n≤N是否成立，若满足，执行步骤3-步骤6；否则，进入下一时刻跟随系统的状态估计，执行步骤2-步骤6。
进一步，所述步骤1中，定义k时刻跟随系统状态向量
Figure BDA00016355488300000220
其中，
Figure BDA00016355488300000221
为k时刻移动机器人的状态向量，且
Figure BDA00016355488300000222
Figure BDA00016355488300000223
和
Figure BDA00016355488300000224
分别为k时刻移动机器人在x和y轴上的位置，
Figure BDA00016355488300000225
和
Figure BDA00016355488300000226
为其在x和y轴上的速度；
Figure BDA00016355488300000227
为k时刻跟随对象的状态向量，且
Figure BDA00016355488300000228
Figure BDA00016355488300000229
和
Figure BDA00016355488300000230
分别为k时刻跟随对象在x和y轴上的位置，
Figure BDA00016355488300000231
和
Figure BDA00016355488300000232
为其在x和y轴上的速度，上标T表示矩阵转置。
更进一步，所述步骤1中，根据经验初始化k＝0时刻跟随系统的状态向量
Figure BDA00016355488300000233
状态协方差P0|0；根据跟随系统的状态模型初始化过程噪声协方差Qk；根据传感器的量测精度初始化量测噪声协方差Rk。
所述步骤2中，所述传感器量测信息为机器人相对跟随对象的距离及方位，且L＝2d，d为跟随系统状态向量xk的维数。
本发明的技术构思为：首先，该方法将量测更新过程分解为若干个子过程，利于多个不同传感器信息的融合；其次，在量测更新过程中渐近地引入量测信息，使其得到充分利用，提高了人体目标跟踪精度；另外，通过增大观测噪声协方差，使得渐进过程中协方差矩阵保持正定性，从而保证滤波器的稳定性。
本发明的有益效果主要表现在：相比现有的机器人跟随方法，该方法充分考虑了线性化误差及外部因素的影响，在保证计算复杂度的前提下，提高了机器人跟随的精度和鲁棒性。
附图说明
图1是服务机器人跟随系统示意图，其中，1为跟踪目标，2为跟随机器人，3为激光传感器，4为超声波传感器。
图2是本发明方法流程图。
具体实施方式
为使本发明的技术方案和优点更加清晰，下面结合附图对本发明作进一步描述。应当理解，此处所描述的具体实施案例仅仅用以解释本发明，并不用于限定本发明。
参照图1和图2，一种基于渐近容积信息滤波的机器人跟随方法，如图1所示，服务机器人通过激光传感器以及超声波传感器获得跟随对象的位置以及移动信息。跟随系统的状态空间模型如公式(1)所示，传感器量测模型如公式(2)：
Figure BDA0001635548830000031
Figure BDA0001635548830000032
其中，
Figure BDA0001635548830000041
为k时刻的跟随系统状态，k＝1,2...。
Figure BDA0001635548830000042
和
Figure BDA0001635548830000043
分别为k时刻移动机器人在x和y轴上的位置，
Figure BDA0001635548830000044
和
Figure BDA0001635548830000045
为其在x和y轴上的速度；
Figure BDA0001635548830000046
和
Figure BDA0001635548830000047
分别为k时刻跟随对象在x和y轴上的位置，
Figure BDA0001635548830000048
和
Figure BDA0001635548830000049
为其在x和y轴上的速度。Ω为角速度，ΔT为采样周期，
Figure BDA00016355488300000410
上标T表示矩阵转置。wk为零均值且协方差为Qk的过程噪声。zk为k时刻跟随机器人所得的传感器量测值，vk为零均值、方差为Rk的量测噪声，且与过程噪声wk不相关。
结合附图2，一种基于渐近容积信息滤波的移动机器人跟随方法，包括以下步骤：
步骤1，根据经验初始化k＝0时刻跟随系统的状态向量
Figure BDA00016355488300000411
状态协方差P0|0；根据跟随系统的状态模型初始化过程噪声协方差Qk；根据传感器的量测精度初始化量测噪声协方差Rk并将其放大N倍；
步骤2，机器人获取k时刻传感器的量测信息，根据球面径向规则，由k-1时刻估计状态
Figure BDA00016355488300000412
和协方差Pk-1|k-1构造Sigma点σi,k-1|k-1,i＝1,2,…,L，构造方式如公式(4)所示，从而获得k时刻跟随系统的预测状态
Figure BDA00016355488300000413
及协方差Pk|k-1，获得方式如公式(6)、公式(7)所示：
Sk-1|k-1＝chol(Pk-1|k-1) (3)
Figure BDA00016355488300000414
Figure BDA00016355488300000415
Figure BDA00016355488300000416
Figure BDA00016355488300000417
公式(3)中chol(·)表示矩阵的乔洛斯基分解，公式(4)中ξi表示矩阵ξ的第i列，矩阵ξ的定义如公式(5)所示，其中d＝8，Id为d维的单位矩阵，公式(6)、公式(7)中L＝16，fk(·)表示跟随系统的状态转移函数；
步骤3，引入信息矩阵Yk|k-1及信息状态向量
Figure BDA00016355488300000418
对量测更新过程进行迭代，引入方式如公式(8)、公式(9)所示，根据第n次迭代过程中状态
Figure BDA00016355488300000419
和协方差
Figure BDA00016355488300000420
构造Sigma点
Figure BDA00016355488300000421
构造方式如公式(11)所示，结合k时刻机器人获取的传感器量测信息zk从而获得第n次迭代过程中量测预测值
Figure BDA0001635548830000051
及其互协方差
Figure BDA0001635548830000052
获得方式如公式(12)、公式(13)所示：
Figure BDA0001635548830000053
Figure BDA0001635548830000054
Figure BDA0001635548830000055
Figure BDA0001635548830000056
Figure BDA0001635548830000057
Figure BDA0001635548830000058
其中，hk(·)表示传感器量测函数，迭代初始状态
Figure BDA0001635548830000059
和
Figure BDA00016355488300000510
分别如公式(14)、公式(15)所示：
Figure BDA00016355488300000511
Figure BDA00016355488300000512
步骤4，根据步骤3获得的量测预测值
Figure BDA00016355488300000513
与互协方差
Figure BDA00016355488300000514
结合k时刻的传感器量测信息zk计算得n次更新后的信息矩阵
Figure BDA00016355488300000515
及信息状态向量
Figure BDA00016355488300000516
计算方式如公式(16)、公式(17)：
Figure BDA00016355488300000517
Figure BDA00016355488300000518
其中，
Figure BDA00016355488300000519
Figure BDA00016355488300000520
步骤5，根据步骤4获得的信息矩阵
Figure BDA00016355488300000521
及信息状态向量
Figure BDA00016355488300000522
得到迭代更新后的目标后验状态向量
Figure BDA00016355488300000523
与协方差
Figure BDA00016355488300000524
Figure BDA00016355488300000525
Figure BDA00016355488300000526
步骤6，判断n≤N是否成立，若满足，执行步骤3-步骤6；否则，进入下一时刻跟随系统的状态估计，执行步骤2-步骤6。

Claims (4)

1.一种基于渐进容积信息滤波的机器人跟随方法，其特征在于，所述机器人跟随方法包括以下步骤：
步骤1，初始化参数，包括k＝0时刻跟随系统的状态向量
Figure FDA0002939509190000011
状态协方差P0|0以及过程噪声协方差Qk，并将量测噪声协方差Rk放大N倍；
步骤2，机器人获取k时刻传感器的量测信息，根据球面径向规则，由k-1时刻估计状态
Figure FDA0002939509190000012
和协方差Pk-1|k-1构造Sigma点σi,k-1|k-1,i＝1,2,…,L，从而获得k时刻跟随系统的预测状态
Figure FDA0002939509190000013
及协方差Pk|k-1；
步骤3，引入信息矩阵Yk|k-1及信息状态向量
Figure FDA0002939509190000014
对量测更新过程进行迭代，根据k时刻跟随系统的预测状态
Figure FDA0002939509190000015
及协方差Pk|k-1得迭代初始状态
Figure FDA0002939509190000016
和
Figure FDA0002939509190000017
已知迭代过程中状态
Figure FDA0002939509190000018
和协方差
Figure FDA0002939509190000019
构造Sigma点
Figure FDA00029395091900000110
从而获得k时刻的量测预测值
Figure FDA00029395091900000111
及其互协方差
Figure FDA00029395091900000112
步骤4，根据步骤3获得的量测预测值
Figure FDA00029395091900000113
与互协方差
Figure FDA00029395091900000114
结合k时刻机器人获取的传感器量测信息zk计算得第n次迭代更新后的信息矩阵
Figure FDA00029395091900000115
及信息状态向量
Figure FDA00029395091900000116
步骤5，根据步骤4获得的信息矩阵
Figure FDA00029395091900000117
及信息状态向量
Figure FDA00029395091900000118
得第n次迭代更新后跟随系统的状态估计
Figure FDA00029395091900000119
与协方差
Figure FDA00029395091900000120
步骤6，判断n≤N是否成立，若满足，执行步骤3-步骤6；否则，进入下一时刻跟随系统的状态估计，执行步骤2-步骤6。
2.如权利要求1所述的一种基于渐进容积信息滤波的机器人跟随方法，其特征在于：所述步骤1中，k时刻跟随系统状态向量
Figure FDA00029395091900000121
其中，
Figure FDA00029395091900000122
为k时刻移动机器人的状态向量，且
Figure FDA00029395091900000123
Figure FDA00029395091900000124
和
Figure FDA00029395091900000125
分别为k时刻移动机器人在x和y轴上的位置，
Figure FDA00029395091900000126
和
Figure FDA00029395091900000127
为其在x和y轴上的速度；
Figure FDA00029395091900000128
为k时刻跟随对象的状态向量，且
Figure FDA00029395091900000129
Figure FDA00029395091900000130
和
Figure FDA00029395091900000131
分别为k时刻跟随对象在x和y轴上的位置，
Figure FDA00029395091900000132
和
Figure FDA00029395091900000133
为其在x和y轴上的速度，上标T表示矩阵转置。
3.如权利要求1或2所述的一种基于渐进容积信息滤波的机器人跟随方法，其特征在于：在所述步骤1中，根据经验初始化k＝0时刻跟随系统的状态向量
Figure FDA0002939509190000021
状态协方差P0|0；根据跟随系统的状态模型初始化过程噪声协方差Qk；根据传感器的量测精度初始化量测噪声协方差Rk。
4.如权利要求1或2所述的一种基于渐进容积信息滤波的机器人跟随方法，其特征在于：所述步骤2中，传感器量测信息为机器人相对跟随对象的距离及方位，且L＝2d，d为跟随系统状态向量xk的维数。
CN201810365081.3A 2018-04-20 2018-04-20 一种基于渐进容积信息滤波的机器人跟随方法 Active CN108710295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810365081.3A CN108710295B (zh) 2018-04-20 2018-04-20 一种基于渐进容积信息滤波的机器人跟随方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810365081.3A CN108710295B (zh) 2018-04-20 2018-04-20 一种基于渐进容积信息滤波的机器人跟随方法

Publications (2)

Publication Number Publication Date
CN108710295A CN108710295A (zh) 2018-10-26
CN108710295B true CN108710295B (zh) 2021-06-18

Family

ID=63867406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810365081.3A Active CN108710295B (zh) 2018-04-20 2018-04-20 一种基于渐进容积信息滤波的机器人跟随方法

Country Status (1)

Country Link
CN (1) CN108710295B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110174907B (zh) * 2019-04-02 2023-03-31 诺力智能装备股份有限公司 一种基于自适应卡尔曼滤波的人体目标跟随方法
CN114260890B (zh) * 2020-08-26 2023-11-03 北京市商汤科技开发有限公司 机器人的状态确定方法及装置、机器人及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2181240A (en) * 1985-10-05 1987-04-15 Plessey Co Plc A method of detecting sound impulses
CN102411371A (zh) * 2011-11-18 2012-04-11 浙江大学 一种基于多传感器服务机器人跟随系统和方法
CN103268403A (zh) * 2013-04-25 2013-08-28 杭州电子科技大学 一种基于容积强跟踪信息滤波器的目标跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2181240A (en) * 1985-10-05 1987-04-15 Plessey Co Plc A method of detecting sound impulses
CN102411371A (zh) * 2011-11-18 2012-04-11 浙江大学 一种基于多传感器服务机器人跟随系统和方法
CN103268403A (zh) * 2013-04-25 2013-08-28 杭州电子科技大学 一种基于容积强跟踪信息滤波器的目标跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Gaussian approximate filter with progressive measurement update;Yulong Huang.etal;《2015 IEEE 54th Annual Conference on Decision and Control (CDC)》;20151218;第4344-4349页 *
Progressive Gaussian Filter Using Importance Sampling and Particle Flow;Christof Chlebek.etal;《 19th International Conference on Information Fusion (FUSION)》;20160731;第2043-2049页 *
高斯混合交互式多模型容积信息滤波算法;谢会来;《传感器与微系统》;20161011;第35卷(第10期);第138-144页 *

Also Published As

Publication number Publication date
CN108710295A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
Agamennoni et al. An outlier-robust Kalman filter
Grisetti et al. Improved techniques for grid mapping with rao-blackwellized particle filters
CN108762309B (zh) 一种基于假设卡尔曼滤波的人体目标跟随方法
CN106599368B (zh) 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法
CN109597864A (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
CN110275193B (zh) 一种基于因子图的集群卫星协同导航方法
Kim et al. Unscented FastSLAM: A robust algorithm for the simultaneous localization and mapping problem
CN102862666B (zh) 一种基于自适应ukf的水下机器人状态和参数联合估计方法
CN108645415A (zh) 一种船舶航迹预测方法
CN106767780A (zh) 基于Chebyshev多项式插值逼近的扩展椭球集员滤波方法
CN108710295B (zh) 一种基于渐进容积信息滤波的机器人跟随方法
CN108303095B (zh) 适用于非高斯系统的鲁棒容积目标协同定位方法
CN109115228B (zh) 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法
CN104807465B (zh) 机器人同步定位与地图创建方法及装置
Malleswaran et al. IMM-UKF-TFS model-based approach for intelligent navigation
CN115388899A (zh) 基于变分贝叶斯的移动机器人视觉惯性融合slam方法
CN109253727B (zh) 一种基于改进迭代容积粒子滤波算法的定位方法
CN108680162B (zh) 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法
CN104331087B (zh) 一种鲁棒的水下传感器网络目标跟踪方法
Rigatos Distributed particle filtering over sensor networks for autonomous navigation of UAVs
CN107886058B (zh) 噪声相关的两阶段容积Kalman滤波估计方法及系统
CN115635509A (zh) 一种基于高斯过程回归的工业机器人位置误差及其置信区间预测方法
Wang et al. Simultaneous localization and mapping embedded with particle filter algorithm
CN114339595A (zh) 一种基于多模型预测的超宽带动态反演定位方法
CN113375658A (zh) 移动机器人故障下同时fdd和slam的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant