CN113255851A - 一种机器人关节光磁混合编码器的数据融合方法及装置 - Google Patents

一种机器人关节光磁混合编码器的数据融合方法及装置 Download PDF

Info

Publication number
CN113255851A
CN113255851A CN202110803986.6A CN202110803986A CN113255851A CN 113255851 A CN113255851 A CN 113255851A CN 202110803986 A CN202110803986 A CN 202110803986A CN 113255851 A CN113255851 A CN 113255851A
Authority
CN
China
Prior art keywords
encoder
time
variance
data fusion
data
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.)
Pending
Application number
CN202110803986.6A
Other languages
English (en)
Inventor
潘月斗
赵子维
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110803986.6A priority Critical patent/CN113255851A/zh
Publication of CN113255851A publication Critical patent/CN113255851A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manipulator (AREA)
  • Transmission And Conversion Of Sensor Element Output (AREA)

Abstract

本发明涉及机器人关节伺服驱动系统编码器领域，特别是指一种机器人关节光磁混合编码器的数据融合方法及装置，方法包括：将光电编码器和磁编码器所测得的数据进行一致性检验；将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；将预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。采用本发明，解决了机器人关节伺服驱动系统中光磁混合型编码器实际测量中出现的个别数据偏离问题，提高了反馈速度及位置精度。

Description

一种机器人关节光磁混合编码器的数据融合方法及装置
技术领域
本发明涉及机器人关节伺服驱动系统编码器技术领域，特别涉及是指一种机器人关节光磁混合编码器的数据融合方法及装置。
背景技术
关节机器人也称关节手臂机器人或者关节机械臂，是当今工业领域中最常见的工业机器人的形态之一，适合于诸多工业领域的自动化作业。编码器作为机器人关节伺服驱动系统中一个重要的组成，可用来检测角度、位置、速度，在伺服系统中作为位置或者速度反馈。
为满足伺服驱动系统的性能要求，结合了光电编码器与磁编码器优点的光磁混合编码器应运而生。但是为解决多类型编码器在实际测量中出现的个别数据偏离问题以及提高反馈速度及位置精度，对于编码器的数据融合处理就成为了亟需解决的问题。
发明内容
本发明实施例提供了一种机器人关节光磁混合编码器的数据融合方法及装置。所述技术方案如下：
一方面，提供了一种机器人关节光磁混合编码器的数据融合方法，该方法应用于电子设备，该方法包括：
S1，将光电编码器和磁编码器所测得的数据进行一致性检验；
S2，将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；
S3，将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。
可选地，在所述S1中，数据一致性检验的方法为：
Figure 83325DEST_PATH_IMAGE001
其中
Figure 813514DEST_PATH_IMAGE002
是根据编码器测量精度所确定的，
Figure 655568DEST_PATH_IMAGE003
和
Figure 831204DEST_PATH_IMAGE004
为光电编码器和磁编码器的测量值；
若两测量值的差小于等于
Figure 442314DEST_PATH_IMAGE005
，则本次所得的测量数据有效。
可选地，在所述S2中，得到光电编码器与磁编码器的预估值步骤为：
Figure 61514DEST_PATH_IMAGE006
S21：将
Figure 876017DEST_PATH_IMAGE007
时刻上一状态即
Figure 871655DEST_PATH_IMAGE008
时刻机器人关节系统状态
Figure 337271DEST_PATH_IMAGE009
带入方程(2)，得到
Figure 379570DEST_PATH_IMAGE010
时刻系统状态的预估值
Figure 665058DEST_PATH_IMAGE011
，其中
Figure 215119DEST_PATH_IMAGE012
是由系统决定的转移矩阵；
S22：将
Figure 800821DEST_PATH_IMAGE013
对应的协方差
Figure 542250DEST_PATH_IMAGE014
带入方程(3)，得到
Figure 580613DEST_PATH_IMAGE015
对应的协方差
Figure 918054DEST_PATH_IMAGE016
；其中
Figure 108995DEST_PATH_IMAGE017
是由系统决定的转移矩阵；
Figure 240899DEST_PATH_IMAGE018
为
Figure 278475DEST_PATH_IMAGE019
的转置矩阵，
Figure 29393DEST_PATH_IMAGE020
是系统的噪声矩阵；
S23：将所得的协方差
Figure 324109DEST_PATH_IMAGE021
带入方程(4)，得到卡尔曼增益
Figure 141761DEST_PATH_IMAGE022
，其中
Figure 623558DEST_PATH_IMAGE023
为观测向量，
Figure 302801DEST_PATH_IMAGE024
为
Figure 937175DEST_PATH_IMAGE025
的转置矩阵；
Figure 676461DEST_PATH_IMAGE026
为系统的测量噪声矩阵；
S24：将所得的卡尔曼增益
Figure 645554DEST_PATH_IMAGE027
带入方程(5)，得到最小协方差下的预估值
Figure 115106DEST_PATH_IMAGE028
，其中
Figure 384414DEST_PATH_IMAGE029
是
Figure 29022DEST_PATH_IMAGE030
时刻的单一传感器观测值;
S25：同时，将
Figure 501722DEST_PATH_IMAGE031
代入方程(6)，得到新的协方差
Figure 522768DEST_PATH_IMAGE032
，
其中，
Figure 381003DEST_PATH_IMAGE033
为1的矩阵，对于单模型单测量，
Figure 445779DEST_PATH_IMAGE034
；
当
Figure 655044DEST_PATH_IMAGE035
为经检验的光电编码器测量值
Figure 479780DEST_PATH_IMAGE036
时，重复S21-S25得到
Figure 943254DEST_PATH_IMAGE037
时刻光电编码器预估值
Figure 929664DEST_PATH_IMAGE038
；当
Figure 360646DEST_PATH_IMAGE039
为经检验的磁编码器测量值
Figure 969832DEST_PATH_IMAGE040
时，重复S21-S25得到
Figure 68238DEST_PATH_IMAGE041
时刻磁编码器的预估值
Figure 959971DEST_PATH_IMAGE042
。
可选地，所述将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值的方法，包括：
S31：求取每个编码器的实时方差与历次方差；
S32：选取遗忘因子，根据所述实时方差与历次方差得出各编码器的总均方差；
S33：根据所述总均方差求得各编码器的加权因子；
S34：得出融合后的光磁编码器预估值。
可选地，所述S31中，求取每个编码器的实时方差与历次方差为：
设
Figure 894560DEST_PATH_IMAGE043
表示第
Figure 61099DEST_PATH_IMAGE044
个编码器在
Figure 482853DEST_PATH_IMAGE045
时刻采样的结果，则
Figure 325913DEST_PATH_IMAGE046
时刻各编码器的测量算数平均值
Figure 465907DEST_PATH_IMAGE047
为：
Figure 436137DEST_PATH_IMAGE048
则第
Figure 728709DEST_PATH_IMAGE049
个编码器
Figure 493403DEST_PATH_IMAGE050
时刻测量的实时方差为：
Figure 386273DEST_PATH_IMAGE051
历次方差的求取过程为：
对每一个编码器在历次采样时测量方差求算数平均值
Figure 881233DEST_PATH_IMAGE052
：
Figure 277579DEST_PATH_IMAGE053
则
Figure 947595DEST_PATH_IMAGE050
时刻第
Figure 62181DEST_PATH_IMAGE049
个编码器测量方差的预估值，写为递推形式公式为：
Figure 593788DEST_PATH_IMAGE054
可选地，所述S32中，选取遗忘因子为：
Figure 110220DEST_PATH_IMAGE055
其中，
Figure 216716DEST_PATH_IMAGE056
为遗忘因子，所述遗忘因子
Figure 818599DEST_PATH_IMAGE057
的选取由各个编码器的均方误差和决定，即在均方误差和
Figure 652431DEST_PATH_IMAGE058
最小时，求出各时刻的遗忘因子
Figure 23370DEST_PATH_IMAGE059
值。
可选地，根据所述实时方差与历次方差以及下述公式(12)、(13)计算总均方差：
Figure 35188DEST_PATH_IMAGE060
可选地，所述S33中，根据所述总均方差求得各编码器的加权因子为：
总均方差最小时，将
Figure 858788DEST_PATH_IMAGE061
和
Figure 997776DEST_PATH_IMAGE062
代入公式(14)中，求得加权因子为
Figure 223221DEST_PATH_IMAGE063
：
Figure 405941DEST_PATH_IMAGE064
Figure 982415DEST_PATH_IMAGE065
和
Figure 444138DEST_PATH_IMAGE066
分别为光电编码器和磁编码器的加权因子。
可选地，根据公式(16)求得光磁混合编码器融合后的预估值
Figure 524089DEST_PATH_IMAGE067
，
Figure 143289DEST_PATH_IMAGE068
一方面，提供了一种机器人关节光磁混合编码器的数据融合装置，该装置应用于电子设备，该装置包括：
检验模块，用于将光电编码器和磁编码器所测得的数据进行一致性检验；
处理模块，用于将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；
融合模块，用于将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。
可选地，所述检验模块，进一步用于：
在所述S1中，数据一致性检验的方法为：
Figure 692214DEST_PATH_IMAGE069
其中
Figure 422272DEST_PATH_IMAGE070
是根据编码器测量精度所确定的，
Figure 356730DEST_PATH_IMAGE071
和
Figure 146832DEST_PATH_IMAGE072
为光电编码器和磁编码器的测量值；
若两测量值的差小于等于
Figure 681587DEST_PATH_IMAGE070
，则本次所得的测量数据有效。
可选地，所述处理模块，进一步用于：
在所述S2中，得到光电编码器与磁编码器的预估值步骤为：
Figure 949757DEST_PATH_IMAGE073
S21：将
Figure 4301DEST_PATH_IMAGE074
时刻上一状态即
Figure 230883DEST_PATH_IMAGE075
时刻机器人关节系统状态
Figure 488820DEST_PATH_IMAGE076
带入方程(2)，得到
Figure 560681DEST_PATH_IMAGE077
时刻系统状态的预估值
Figure 735311DEST_PATH_IMAGE078
，其中
Figure 119412DEST_PATH_IMAGE079
是由系统决定的转移矩阵；
S22：将
Figure 379492DEST_PATH_IMAGE080
对应的协方差
Figure 989465DEST_PATH_IMAGE081
带入方程(3)，得到
Figure 18601DEST_PATH_IMAGE082
对应的协方差
Figure 806559DEST_PATH_IMAGE083
；其中
Figure 553936DEST_PATH_IMAGE084
是由系统决定的转移矩阵；
Figure 233179DEST_PATH_IMAGE085
为
Figure 116821DEST_PATH_IMAGE086
转置矩阵，
Figure 839795DEST_PATH_IMAGE087
是系统的噪声矩阵；
S23：将所得的协方差
Figure 808888DEST_PATH_IMAGE088
带入方程(4)，得到卡尔曼增益
Figure 760664DEST_PATH_IMAGE089
，其中
Figure 780703DEST_PATH_IMAGE090
为观测向量，
Figure 159732DEST_PATH_IMAGE091
为
Figure 881701DEST_PATH_IMAGE092
的转置矩阵；
Figure 149084DEST_PATH_IMAGE093
为系统的测量噪声矩阵；
S24：将所得的卡尔曼增益
Figure 7319DEST_PATH_IMAGE094
带入方程(5)，得到最小协方差下的预估值
Figure 88407DEST_PATH_IMAGE095
，其中
Figure 32092DEST_PATH_IMAGE096
是
Figure 76403DEST_PATH_IMAGE097
时刻的单一传感器观测值;
S25：同时，将
Figure 54723DEST_PATH_IMAGE098
代入方程(6)，得到新的协方差
Figure 41134DEST_PATH_IMAGE099
，
其中，
Figure 986962DEST_PATH_IMAGE100
为1的矩阵，对于单模型单测量，
Figure 84231DEST_PATH_IMAGE100
=1；
当
Figure 651478DEST_PATH_IMAGE101
为经检验的光电编码器测量值
Figure 808790DEST_PATH_IMAGE102
时，重复S21-S25得到
Figure 477800DEST_PATH_IMAGE103
时刻光电编码器预估值
Figure 378760DEST_PATH_IMAGE104
；当
Figure 66093DEST_PATH_IMAGE105
为经检验的磁编码器测量值
Figure 912083DEST_PATH_IMAGE106
时，重复S21-S25得到
Figure 52077DEST_PATH_IMAGE107
时刻磁编码器的预估值
Figure 756728DEST_PATH_IMAGE108
。
可选地，所述融合模块，进一步用于：
所述将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值的方法，包括：
S31：求取每个编码器的实时方差与历次方差；
S32：选取遗忘因子，根据所述实时方差与历次方差得出各编码器的总均方差；
S33：根据所述总均方差求得各编码器的加权因子；
S34：得出融合后的光磁编码器预估值。
可选地，所述融合模块，进一步用于：
所述S31中，求取每个编码器的实时方差与历次方差为：
设
Figure 314880DEST_PATH_IMAGE109
表示第
Figure 79573DEST_PATH_IMAGE110
个编码器在
Figure 972443DEST_PATH_IMAGE111
时刻采样的结果，则
Figure 198894DEST_PATH_IMAGE112
时刻各编码器的测量算数平均值
Figure 860819DEST_PATH_IMAGE113
为：
Figure 796414DEST_PATH_IMAGE114
则第
Figure 911001DEST_PATH_IMAGE115
个编码器
Figure 708187DEST_PATH_IMAGE116
时刻测量的实时方差为：
Figure 224619DEST_PATH_IMAGE117
历次方差的求取过程为：
对每一个编码器在历次采样时测量方差求算数平均值
Figure 843032DEST_PATH_IMAGE118
：
Figure 241652DEST_PATH_IMAGE120
则
Figure 904846DEST_PATH_IMAGE116
时刻第
Figure 56210DEST_PATH_IMAGE121
个编码器测量方差的预估值，写为递推形式公式为：
Figure 599187DEST_PATH_IMAGE122
可选地，所述融合模块，进一步用于：
所述S32中，选取遗忘因子为：
Figure 688366DEST_PATH_IMAGE124
其中，
Figure 92934DEST_PATH_IMAGE125
为遗忘因子，所述遗忘因子
Figure 318379DEST_PATH_IMAGE126
的选取由各个编码器的均方误差和决定，即在均方误差和
Figure 766677DEST_PATH_IMAGE127
最小时，求出各时刻的遗忘因子
Figure 923246DEST_PATH_IMAGE126
。
可选地，所述融合模块，进一步用于：
根据所述实时方差与历次方差以及下述公式(12)、(13)计算总均方差：
Figure 865925DEST_PATH_IMAGE128
可选地，所述融合模块，进一步用于：
所述S33中，根据所述总均方差求得各编码器的加权因子为：
总均方差最小时，将
Figure 945877DEST_PATH_IMAGE129
和
Figure 830656DEST_PATH_IMAGE130
代入公式(14)中，求得加权因子为
Figure 878115DEST_PATH_IMAGE131
：
Figure 342595DEST_PATH_IMAGE132
Figure 808211DEST_PATH_IMAGE133
和
Figure 598312DEST_PATH_IMAGE134
分别为光电编码器和磁编码器的加权因子。
可选地，所述融合模块，进一步用于：
根据公式(16)求得光磁混合编码器融合后的预估值
Figure 634533DEST_PATH_IMAGE135
，
Figure 168282DEST_PATH_IMAGE136
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述机器人关节光磁混合编码器的数据融合方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述机器人关节光磁混合编码器的数据融合方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
上述方案中，将测量所得数据进行一致性检验后，可解决因个别数据偏离而影响数据融合精度的问题，卡尔曼滤波法的迭代方程只有5个，且计算不需要存储之前无用时刻的大量数据，计算简单，可增强伺服驱动系统反馈的实时性，自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度，考虑到光电编码器对环境要求较高，易受实时环境干扰等多种因素的影响，且磁编码器在磁场以及温度的干扰下精度也会受影响，故在计算总均方差时使用了实时方差与历次方差相结合的方法，让每一次的量测信息和历史数据都被充分使用，更能够真实地反映传感器的工作环境和状态，同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值，通过这样的处理，测量值的估计精度也会有所改善。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种机器人关节光磁混合编码器数据融合方法的流程示意图；
图2是本发明实施例提供的一种机器人关节光磁混合编码器数据融合方法的流程示意图；
图3是本发明实施例提供的一种机器人关节光磁混合编码器数据融合的装置框图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种机器人关节光磁混合编码器的数据融合方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的一种机器人关节光磁混合编码器数据融合方法的流程示意图，该方法的处理流程可以包括如下的步骤：
步骤101，将光电编码器和磁编码器所测得的数据进行一致性检验；
步骤102，将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；
步骤103，将预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。
可选地，数据一致性检验的方法为：
为避免由于传感器出现故障或者因受到干扰导致测量数据不准确，而影响数据融合精度的情况发生，在进行数据融合处理之前需对测量到数据进行检验，对于异常值进行剔除。具体方法如下：
Figure 222826DEST_PATH_IMAGE137
其中
Figure 164587DEST_PATH_IMAGE138
是根据编码器测量精度所确定的，
Figure 202951DEST_PATH_IMAGE139
和
Figure 274812DEST_PATH_IMAGE140
为光电编码器和磁编码器的测量值；
若两测量值的差小于等于
Figure 183862DEST_PATH_IMAGE138
，则本次所得的测量数据有效。
可选地，得到光电编码器与磁编码器的预估值步骤为：
通过使用卡尔曼滤波法进行一系列的迭代，当前时刻的值能够通过上一时刻的预测值和最近的观测值计算得出，具体迭代方程如下：
Figure 66498DEST_PATH_IMAGE141
将
Figure 326578DEST_PATH_IMAGE142
时刻上一状态即
Figure 202131DEST_PATH_IMAGE143
时刻机器人关节系统状态
Figure 480534DEST_PATH_IMAGE144
带入方程(2)，得到
Figure 517760DEST_PATH_IMAGE116
时刻系统状态的预估
Figure 530716DEST_PATH_IMAGE145
，其中
Figure 960691DEST_PATH_IMAGE146
是由系统决定的转移矩阵；
将
Figure 844333DEST_PATH_IMAGE147
对应的协方差
Figure 52461DEST_PATH_IMAGE148
带入方程(3)，得到
Figure 21554DEST_PATH_IMAGE149
对应的协方差
Figure 491106DEST_PATH_IMAGE150
；
Figure 494834DEST_PATH_IMAGE151
是由系统决定的转移矩阵；
Figure 139442DEST_PATH_IMAGE152
为
Figure 595831DEST_PATH_IMAGE153
的转置矩阵，
Figure 102030DEST_PATH_IMAGE154
是系统的噪声矩阵；
将所得的协方差
Figure 225844DEST_PATH_IMAGE155
带入方程(4)，得到卡尔曼增益
Figure 41353DEST_PATH_IMAGE156
，其中
Figure 234306DEST_PATH_IMAGE157
为观测向量，
Figure 793463DEST_PATH_IMAGE158
为
Figure 506204DEST_PATH_IMAGE159
的转置矩阵；
Figure 492615DEST_PATH_IMAGE160
为系统的测量噪声矩阵；
将所得的卡尔曼增益
Figure 939908DEST_PATH_IMAGE161
带入方程(5)，得到最小协方差下的预估值
Figure 37177DEST_PATH_IMAGE162
，其中
Figure 604424DEST_PATH_IMAGE163
是
Figure 297091DEST_PATH_IMAGE164
时刻的单一传感器观测值;
同时，将
Figure 949789DEST_PATH_IMAGE165
代入方程(6)，得到新的协方差
Figure 850749DEST_PATH_IMAGE160
,
其中，
Figure 538082DEST_PATH_IMAGE166
为1的矩阵，对于单模型单测量，
Figure 882607DEST_PATH_IMAGE167
;
当
Figure 22601DEST_PATH_IMAGE168
为经检验的光电编码器测量值
Figure 461673DEST_PATH_IMAGE169
时，重复S21-S25得到
Figure 518359DEST_PATH_IMAGE164
时刻光电编码器预估值
Figure 17474DEST_PATH_IMAGE170
；当
Figure 644764DEST_PATH_IMAGE168
为经检验的磁编码器测量值
Figure 903838DEST_PATH_IMAGE171
时，重复S21-S25得到
Figure 565764DEST_PATH_IMAGE142
时刻磁编码器的预估值
Figure 235780DEST_PATH_IMAGE172
。
具体迭代过程为：将初始值
Figure 84787DEST_PATH_IMAGE173
代入方程(3)得到
Figure 914596DEST_PATH_IMAGE174
。将
Figure 431028DEST_PATH_IMAGE175
代入方程(4)得到
Figure 271945DEST_PATH_IMAGE176
。将
Figure 624560DEST_PATH_IMAGE177
代入方程(5)，得到最小方差下的
Figure 209125DEST_PATH_IMAGE178
。同时，将
Figure 845643DEST_PATH_IMAGE179
代入方程(6)，得到
Figure 106729DEST_PATH_IMAGE180
。然后将
Figure 195908DEST_PATH_IMAGE181
代入方程(3)得到
Figure 584164DEST_PATH_IMAGE182
，将
Figure 75188DEST_PATH_IMAGE183
代入方程(4)得到
Figure 8640DEST_PATH_IMAGE184
如此往复循环，即可得
Figure 585115DEST_PATH_IMAGE185
时刻的预估值。
在光磁编码器中，
Figure 511482DEST_PATH_IMAGE186
是
Figure 368930DEST_PATH_IMAGE187
时刻光电编码器的观测值；
Figure 722551DEST_PATH_IMAGE188
是
Figure 520743DEST_PATH_IMAGE189
时刻磁编码器的观测值；
即在数据融合的过程中，根据初始值
Figure 267113DEST_PATH_IMAGE190
以及观测值
Figure 467150DEST_PATH_IMAGE191
和
Figure 991673DEST_PATH_IMAGE192
，通过上述迭代过程可计算出
Figure 542740DEST_PATH_IMAGE193
时刻光电编码器和磁编码器的预估值
Figure 325757DEST_PATH_IMAGE194
和
Figure 380300DEST_PATH_IMAGE195
上述方案中，将测量所得数据进行一致性检验后，可解决因个别数据偏离而影响数据融合精度的问题，卡尔曼滤波法的迭代方程只有5个，且计算不需要存储之前无用时刻的大量数据，计算简单，可增强伺服驱动系统反馈的实时性，自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度，考虑到光电编码器对环境要求较高，易受实时环境干扰等多种因素的影响，且磁编码器在磁场以及温度的干扰下精度也会受影响，故在计算总均方差时使用了实时方差与历次方差相结合的方法，让每一次的量测信息和历史数据都被充分使用，更能够真实地反映传感器的工作环境和状态，同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值，通过这样的处理，测量值的估计精度也会有所改善。
本发明实施例提供了一种机器人关节光磁混合编码器的数据融合方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图2所示的一种机器人关节光磁混合编码器数据融合方法的流程示意图，本发明实施例具体阐述将预估值通过自学习最小加权二乘数据融合算法进行融合、得到融合后的光磁混合编码器预估值的方法，该方法的处理流程可以包括如下的步骤：
步骤201：求取每个编码器的实时方差与历次方差。
综合考虑传感器的内部噪声和环境干扰等多种因素，为真实的反应传感器工作状态和环境，将分别根据已测数据得出实时方差和历次方差。其中，实时方差用来增强对环境干扰的敏感度，历次方差则更好的表征传感器自身因素对于量测值的影响。
实时方差的求取过程如下：
首先基于各传感器的测量值的算术平均值做一次粗略地估算，并把每一传感器的实测结果与该时刻算术平均值的偏差平方作为该时刻的方差分配，即当前的实时方差。
设
Figure 341303DEST_PATH_IMAGE196
表示第
Figure 864820DEST_PATH_IMAGE197
个编码器在
Figure 936681DEST_PATH_IMAGE198
时刻采样的结果，则
Figure 845731DEST_PATH_IMAGE199
时刻各编码器的测量算数平均值
Figure 977635DEST_PATH_IMAGE200
为：
Figure 489912DEST_PATH_IMAGE201
则第
Figure 365464DEST_PATH_IMAGE197
个编码器
Figure 129021DEST_PATH_IMAGE199
时刻测量的实时方差为：
Figure 448138DEST_PATH_IMAGE202
历次方差的求取过程为：
对一个传感器的多次采样数据进行分析，把该时刻以前历次采样数据的方差作为该采样时刻的历次方差。
对每一个编码器在历次采样时测量方差求算数平均值
Figure 929935DEST_PATH_IMAGE203
:
Figure 609178DEST_PATH_IMAGE204
则
Figure 7667DEST_PATH_IMAGE199
时刻第
Figure 481374DEST_PATH_IMAGE197
个编码器测量方差的预估值，写为递推形式公式为：
Figure 450467DEST_PATH_IMAGE205
步骤202：选取遗忘因子，根据实时方差与历次方差得出各编码器的总均方差。
可选地，选取遗忘因子为：
综合考虑历次测量信息和当前测量信息在方差估计中的作用，可以通过合理选择适当的遗忘因子
Figure 933401DEST_PATH_IMAGE206
,协调历史数据与当前数据在方差估计中的信息比重：
Figure 422282DEST_PATH_IMAGE207
其中，
Figure 66890DEST_PATH_IMAGE208
为遗忘因子，遗忘因子
Figure 523279DEST_PATH_IMAGE209
的选取由各个编码器的均方误差和决定，即在均方误差和
Figure 278746DEST_PATH_IMAGE127
最小时，求出各时刻的遗忘因子
Figure 383318DEST_PATH_IMAGE210
值
可选地，根据实时方差与历次方差以及下述公式(12)、(13)计算总均方差：
Figure 933248DEST_PATH_IMAGE211
步骤203：根据总均方差求得各编码器的加权因子。
可选地，根据总均方差求得各编码器的加权因子为：
根据式(12)可以看出，总均方差
Figure 876933DEST_PATH_IMAGE212
是关于各加权因子的多元二次函数，因此总均方差
Figure 436091DEST_PATH_IMAGE213
必然存在最小值，该最小值的求取是加权因子
Figure 899564DEST_PATH_IMAGE214
满足式(15)约束条件的多元函数极值求值，根据多元函数求极值理论，可求出总均方差最小时加权因子为
Figure 620396DEST_PATH_IMAGE214
：
Figure 51377DEST_PATH_IMAGE215
Figure 883067DEST_PATH_IMAGE133
和
Figure 965161DEST_PATH_IMAGE216
分别为光电编码器和磁编码器的加权因子。
步骤204：得出融合后的光磁编码器预估值。
可选地，根据方程(16)求得光磁混合编码器融合后的预估值
Figure 122473DEST_PATH_IMAGE217
，
Figure 775171DEST_PATH_IMAGE218
上述方案中，将测量所得数据进行一致性检验后，可解决因个别数据偏离而影响数据融合精度的问题，卡尔曼滤波法的迭代方程只有5个，且计算不需要存储之前无用时刻的大量数据，计算简单，可增强伺服驱动系统反馈的实时性，自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度，考虑到光电编码器对环境要求较高，易受实时环境干扰等多种因素的影响，且磁编码器在磁场以及温度的干扰下精度也会受影响，故在计算总均方差时使用了实时方差与历次方差相结合的方法，让每一次的量测信息和历史数据都被充分使用，更能够真实地反映传感器的工作环境和状态，同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值，通过这样的处理，测量值的估计精度也会有所改善。
图3是根据一示例性实施例示出的一种机器人关节光磁混合编码器的数据融合方法的装置框图。参照图3，该装置包括：
检验模块310，用于将光电编码器和磁编码器所测得的数据进行一致性检验；
处理模块320，用于将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；
融合模块330，用于将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。
可选地，所述检验模块310，进一步用于：
数据一致性检验的方法为：
Figure 676131DEST_PATH_IMAGE219
其中
Figure 114197DEST_PATH_IMAGE220
是根据编码器测量精度所确定的，
Figure 442410DEST_PATH_IMAGE221
和
Figure 582404DEST_PATH_IMAGE222
为光电编码器和磁编码器的测量值；
若两测量值的差小于等于
Figure 21476DEST_PATH_IMAGE220
，则本次所得的测量数据有效。
可选地，所述处理模块320，进一步用于：
得到光电编码器与磁编码器的预估值步骤为：
Figure 297736DEST_PATH_IMAGE223
将
Figure 314627DEST_PATH_IMAGE224
时刻上一状态即
Figure 941918DEST_PATH_IMAGE225
时刻机器人关节系统状态
Figure 450259DEST_PATH_IMAGE226
带入方程(2)，得到
Figure 597338DEST_PATH_IMAGE224
时刻系统状态的预估值
Figure 532933DEST_PATH_IMAGE227
，其中
Figure 647520DEST_PATH_IMAGE228
是由系统决定的转移矩阵；
将
Figure 943241DEST_PATH_IMAGE229
对应的协方差
Figure 459673DEST_PATH_IMAGE230
带入方程(3)，得到
Figure 566169DEST_PATH_IMAGE231
对应的协方差
Figure 918784DEST_PATH_IMAGE232
；其中
Figure 503349DEST_PATH_IMAGE233
是由系统决定的转移矩阵；
Figure 874288DEST_PATH_IMAGE234
为
Figure 886106DEST_PATH_IMAGE235
的转置矩阵，
Figure 221623DEST_PATH_IMAGE236
是系统的噪声矩阵；
将所得的协方差
Figure 344299DEST_PATH_IMAGE237
带入方程(4)，得到卡尔曼增益
Figure 304165DEST_PATH_IMAGE238
，其中
Figure 752464DEST_PATH_IMAGE239
为观测向量，
Figure 63360DEST_PATH_IMAGE240
为
Figure 740460DEST_PATH_IMAGE241
的转置矩阵；
Figure 85990DEST_PATH_IMAGE242
为系统的测量噪声矩阵；
将所得的卡尔曼增益
Figure 439611DEST_PATH_IMAGE243
带入方程(5)，得到最小协方差下的预估值
Figure 237803DEST_PATH_IMAGE244
，其中
Figure 217129DEST_PATH_IMAGE245
是
Figure 151587DEST_PATH_IMAGE224
时刻的单一传感器观测值;
同时，将
Figure 676109DEST_PATH_IMAGE246
代入方程(6)，得到新的协方差
Figure 961597DEST_PATH_IMAGE247
，
其中，
Figure 980500DEST_PATH_IMAGE248
为1的矩阵，对于单模型单测量，
Figure 35044DEST_PATH_IMAGE249
；
当
Figure 996046DEST_PATH_IMAGE250
为经检验的光电编码器测量值
Figure 503251DEST_PATH_IMAGE251
时，重复S21-S25得到
Figure 309533DEST_PATH_IMAGE252
时刻光电编码器预估值
Figure 736360DEST_PATH_IMAGE253
；当
Figure 602685DEST_PATH_IMAGE254
为经检验的磁编码器测量值
Figure 862765DEST_PATH_IMAGE255
时，重复S21-S25得到
Figure 472738DEST_PATH_IMAGE256
时刻磁编码器的预估值
Figure 252606DEST_PATH_IMAGE257
。
可选地，所述融合模块330，进一步用于：
将预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值的方法，包括：
S31：求取每个编码器的实时方差与历次方差；
S32：选取遗忘因子，根据所述实时方差与历次方差得出各编码器的总均方差；
S33：根据所述总均方差求得各编码器的加权因子；
S34：得出融合后的光磁编码器预估值。
可选地，所述融合模块330，进一步用于：
求取每个编码器的实时方差与历次方差为：
设
Figure 289832DEST_PATH_IMAGE258
表示
Figure 771629DEST_PATH_IMAGE259
个编码器在
Figure 185293DEST_PATH_IMAGE260
时刻采样的结果，则
Figure 318203DEST_PATH_IMAGE261
时刻各编码器的测量算数平均值
Figure 791909DEST_PATH_IMAGE262
为：
Figure 761002DEST_PATH_IMAGE264
则第
Figure 712778DEST_PATH_IMAGE265
个编码器
Figure 467238DEST_PATH_IMAGE266
时刻测量的实时方差为：
Figure 111846DEST_PATH_IMAGE267
历次方差的求取过程为：
对每一个编码器在历次采样时测量方差求算数平均值
Figure 568235DEST_PATH_IMAGE268
：
Figure 323702DEST_PATH_IMAGE269
则
Figure 650778DEST_PATH_IMAGE252
时刻第
Figure 736063DEST_PATH_IMAGE270
个编码器测量方差的预估值，写为递推形式公式为：
Figure 679748DEST_PATH_IMAGE272
可选地，所述融合模块330，进一步用于：
选取遗忘因子为：
Figure 238905DEST_PATH_IMAGE273
其中，
Figure 951646DEST_PATH_IMAGE274
为遗忘因子，所述遗忘因子
Figure 423210DEST_PATH_IMAGE275
的选取由各个编码器的均方误差和决定，即在均方误差和
Figure 854191DEST_PATH_IMAGE276
最小时，求出各时刻的遗忘因子
Figure 951460DEST_PATH_IMAGE277
值。
可选地，所述融合模块330，进一步用于：
根据实时方差与历次方差以及下述公式(12)、(13)计算总均方差：
Figure 784287DEST_PATH_IMAGE279
可选地，所述融合模块330，进一步用于：
根据总均方差求得各编码器的加权因子为：
根据式(12)可以看出，总均方差
Figure 925287DEST_PATH_IMAGE280
是关于各加权因子的多元二次函数，因此总均方差
Figure 109144DEST_PATH_IMAGE281
必然存在最小值，该最小值的求取是加权因子
Figure 10104DEST_PATH_IMAGE282
满足式(15)约束条件的多元函数极值求值，根据多元函数求极值理论，可求出总均方差最小时加权因子为
Figure 448170DEST_PATH_IMAGE283
：
Figure 776383DEST_PATH_IMAGE284
Figure 916377DEST_PATH_IMAGE285
和
Figure 138804DEST_PATH_IMAGE286
分别为光电编码器和磁编码器的加权因子。
可选地，所述融合模块330，进一步用于：
根据方程(16)求得光磁混合编码器融合后的预估值
Figure 680644DEST_PATH_IMAGE287
，
Figure 445338DEST_PATH_IMAGE288
上述方案中，将测量所得数据进行一致性检验后，可解决因个别数据偏离而影响数据融合精度的问题，卡尔曼滤波法的迭代方程只有5个，且计算不需要存储之前无用时刻的大量数据，计算简单，可增强伺服驱动系统反馈的实时性，自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度，考虑到光电编码器对环境要求较高，易受实时环境干扰等多种因素的影响，且磁编码器在磁场以及温度的干扰下精度也会受影响，故在计算总均方差时使用了实时方差与历次方差相结合的方法，让每一次的量测信息和历史数据都被充分使用，更能够真实地反映传感器的工作环境和状态，同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值，通过这样的处理，测量值的估计精度也会有所改善。
图4是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）401和一个或一个以上的存储器402，其中，所述存储器402中存储有至少一条指令，所述至少一条指令由所述处理器401加载并执行以实现下述机器人关节光磁混合编码器的数据融合方法的步骤：
将光电编码器和磁编码器所测得的数据进行一致性检验；
将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；
将预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述机器人关节光磁混合编码器的数据融合方法及装置的方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机器人关节光磁混合编码器的数据融合方法，其特征在于，所述方法包括：
S1：将光电编码器和磁编码器所测得的数据进行一致性检验；
S2：将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；
S3：将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。
2.根据权利要求1所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，所述S1中，数据一致性检验的方法为：
Figure 859899DEST_PATH_IMAGE001
其中
Figure 518413DEST_PATH_IMAGE002
根据编码器测量精度确定，
Figure 949395DEST_PATH_IMAGE003
和
Figure 171298DEST_PATH_IMAGE004
分别为光电编码器和磁编码器的测量值；若两测量值的差小于等于
Figure 738545DEST_PATH_IMAGE005
，则本次所得的测量数据有效。
3.根据权利要求2所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，所述S2中，得到光电编码器与磁编码器的预估值步骤为：
Figure 771223DEST_PATH_IMAGE006
S21：将
Figure 689501DEST_PATH_IMAGE007
时刻上一状态即
Figure 449515DEST_PATH_IMAGE008
时刻机器人关节系统状态
Figure 136848DEST_PATH_IMAGE009
带入方程(2)，得到
Figure 668324DEST_PATH_IMAGE010
时刻系统状态的预估值
Figure 480422DEST_PATH_IMAGE011
，其中
Figure 388335DEST_PATH_IMAGE012
是由系统决定的转移矩阵；
S22：将
Figure 54809DEST_PATH_IMAGE013
对应的协方差
Figure 553923DEST_PATH_IMAGE014
带入方程(3)，得到
Figure 56580DEST_PATH_IMAGE015
对应的协方差
Figure 33763DEST_PATH_IMAGE016
；其中
Figure 817393DEST_PATH_IMAGE017
是由系统决定的转移矩阵；
Figure 487409DEST_PATH_IMAGE018
为
Figure 477361DEST_PATH_IMAGE019
的转置矩阵，
Figure 523815DEST_PATH_IMAGE020
是系统的噪声矩阵；
S23：将所得的协方差
Figure 164880DEST_PATH_IMAGE021
带入方程(4)，得到卡尔曼增益
Figure 5798DEST_PATH_IMAGE022
，其中
Figure 483046DEST_PATH_IMAGE023
为观测向量，
Figure 67611DEST_PATH_IMAGE024
为
Figure 563184DEST_PATH_IMAGE025
的转置矩阵；
Figure 575002DEST_PATH_IMAGE026
为系统的测量噪声矩阵；
S24：将所得的卡尔曼增益
Figure 273968DEST_PATH_IMAGE027
带入方程(5)，得到最小协方差下的预估值
Figure 662224DEST_PATH_IMAGE028
，其中
Figure 90931DEST_PATH_IMAGE029
是
Figure 398285DEST_PATH_IMAGE030
时刻的单一传感器观测值;
S25：同时，将
Figure 974759DEST_PATH_IMAGE031
代入方程(6)，得到新的协方差
Figure 776493DEST_PATH_IMAGE032
，
其中，
Figure 856445DEST_PATH_IMAGE033
为1的矩阵，对于单模型单测量，
Figure 603208DEST_PATH_IMAGE034
=1；
当
Figure 401400DEST_PATH_IMAGE035
为经检验的光电编码器测量值
Figure 741246DEST_PATH_IMAGE036
时，重复S21-S25得到
Figure 941283DEST_PATH_IMAGE030
时刻光电编码器预估值
Figure 856018DEST_PATH_IMAGE037
；当
Figure 875927DEST_PATH_IMAGE038
为经检验的磁编码器测量值
Figure 285043DEST_PATH_IMAGE039
时，重复S21-S25得到
Figure 339586DEST_PATH_IMAGE030
时刻磁编码器的预估值
Figure 159644DEST_PATH_IMAGE040
。
4.根据权利要求3所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，所述将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值的方法，包括：
S31：求取每个编码器的实时方差与历次方差；
S32：选取遗忘因子，根据所述实时方差与历次方差得出各编码器的总均方差；
S33：根据所述总均方差求得各编码器的加权因子；
S34：得出融合后的光磁编码器预估值。
5.根据权利要求4所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，所述S31中，所述求取每个编码器的实时方差与历次方差，包括：
设
Figure 198007DEST_PATH_IMAGE041
表示第
Figure 145234DEST_PATH_IMAGE042
个编码器在
Figure 54284DEST_PATH_IMAGE043
时刻采样的结果，则
Figure 310822DEST_PATH_IMAGE043
时刻各编码器的测量算数平均值
Figure 305323DEST_PATH_IMAGE044
为：
Figure 56241DEST_PATH_IMAGE045
则第
Figure 85377DEST_PATH_IMAGE046
个编码器
Figure 244307DEST_PATH_IMAGE047
时刻测量的实时方差为：
Figure 991684DEST_PATH_IMAGE048
历次方差的求取过程包括：
对每一个编码器在历次采样时测量方差求算数平均值
Figure 280714DEST_PATH_IMAGE049
：
Figure 367618DEST_PATH_IMAGE050
则
Figure 575746DEST_PATH_IMAGE043
时刻第
Figure 669473DEST_PATH_IMAGE051
个编码器测量方差的预估值，写为递推形式公式为：
Figure 558931DEST_PATH_IMAGE053
。
6.根据权利要求5所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，所述S32中，选取遗忘因子为：
Figure 297080DEST_PATH_IMAGE055
其中，
Figure 66322DEST_PATH_IMAGE056
为遗忘因子，所述遗忘因子
Figure 725973DEST_PATH_IMAGE057
的选取由各个编码器的均方误差和决定，即在均方误差和
Figure 481440DEST_PATH_IMAGE058
最小时，求出各时刻的遗忘因子
Figure 215040DEST_PATH_IMAGE059
值。
7.根据权利要求6所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，所述根据所述实时方差与历次方差得出各编码器的总均方差，包括：
根据所述实时方差与历次方差以及下述公式(12)、(13)计算总均方差：
Figure 30550DEST_PATH_IMAGE061
。
8.根据权利要求7所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，所述S33中，所述根据所述总均方差求得各编码器的加权因子，包括：
总均方差最小时，将
Figure 833289DEST_PATH_IMAGE062
和
Figure 392447DEST_PATH_IMAGE063
代入公式(14)中，求得加权因子为
Figure 980554DEST_PATH_IMAGE064
：
Figure 966965DEST_PATH_IMAGE066
Figure 525509DEST_PATH_IMAGE067
和
Figure 622778DEST_PATH_IMAGE068
分别为光电编码器和磁编码器的加权因子。
9.根据权利要求8所述的机器人关节光磁混合编码器的数据融合方法，其特征在于，根据公式(16)求得光磁混合编码器融合后的预估值
Figure 65392DEST_PATH_IMAGE069
，
Figure 488283DEST_PATH_IMAGE071
。
10.一种机器人关节光磁混合编码器的数据融合装置，其特征在于，所述装置包括：
检验模块，用于将光电编码器和磁编码器所测得的数据进行一致性检验；
处理模块，用于将经检验的数据分别代入卡尔曼滤波的迭代方程，得到光电编码器与磁编码器的预估值；
融合模块，用于将所述预估值通过自学习最小加权二乘数据融合算法进行融合，得到融合后的光磁混合编码器预估值。
CN202110803986.6A 2021-07-16 2021-07-16 一种机器人关节光磁混合编码器的数据融合方法及装置 Pending CN113255851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110803986.6A CN113255851A (zh) 2021-07-16 2021-07-16 一种机器人关节光磁混合编码器的数据融合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110803986.6A CN113255851A (zh) 2021-07-16 2021-07-16 一种机器人关节光磁混合编码器的数据融合方法及装置

Publications (1)

Publication Number Publication Date
CN113255851A true CN113255851A (zh) 2021-08-13

Family

ID=77180503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110803986.6A Pending CN113255851A (zh) 2021-07-16 2021-07-16 一种机器人关节光磁混合编码器的数据融合方法及装置

Country Status (1)

Country Link
CN (1) CN113255851A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118307A (zh) * 2022-01-26 2022-03-01 北京科技大学 抑制温度效应的光磁编码器智能数据融合处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106840179A (zh) * 2017-03-07 2017-06-13 中国科学院合肥物质科学研究院 一种基于多传感器信息融合的智能车定位方法
CN112066982A (zh) * 2020-09-07 2020-12-11 成都睿芯行科技有限公司 一种在高动态环境下的工业移动机器人定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106840179A (zh) * 2017-03-07 2017-06-13 中国科学院合肥物质科学研究院 一种基于多传感器信息融合的智能车定位方法
CN112066982A (zh) * 2020-09-07 2020-12-11 成都睿芯行科技有限公司 一种在高动态环境下的工业移动机器人定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
司迎利等: "基于全局状态估计的多传感器加权数据融合算法", 《红外技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118307A (zh) * 2022-01-26 2022-03-01 北京科技大学 抑制温度效应的光磁编码器智能数据融合处理方法及装置
CN114118307B (zh) * 2022-01-26 2022-04-19 北京科技大学 抑制温度效应的光磁编码器智能数据融合处理方法及装置

Similar Documents

Publication Publication Date Title
CN109829938B (zh) 一种应用在目标跟踪的自适应容错容积卡尔曼滤波方法
CN107765347B (zh) 一种高斯过程回归和粒子滤波的短期风速预测方法
Zhao et al. Tuning-free Bayesian estimation algorithms for faulty sensor signals in state-space
CN109813342B (zh) 一种惯导-卫星组合导航系统的故障检测方法和系统
Gucik-Derigny et al. A note on interval observer design for unknown input estimation
Sankararaman et al. Uncertainty quantification in structural damage diagnosis
CN110197288A (zh) 故障影响下设备的剩余使用寿命预测方法
CN110763253A (zh) 一种基于svr的组合导航系统故障诊断方法
CN111912589A (zh) 一种基于挠度影响线改变量识别梁结构损伤程度的方法
Tryon et al. Estimation of parameters in models for cesium beam atomic clocks
CN113255851A (zh) 一种机器人关节光磁混合编码器的数据融合方法及装置
US20080288213A1 (en) Machine condition monitoring using discontinuity detection
CN114707632A (zh) 一种传感网络传感器故障定位方法、系统、设备及介质
Li et al. A wiener-based remaining useful life prediction method with multiple degradation patterns
CN114528764A (zh) 基于整体优化的即时学习的软测量建模方法及装置
Hou et al. A new Bayesian scheme for self-starting process mean monitoring
CN113340324A (zh) 一种基于深度确定性策略梯度的视觉惯性自校准方法
Prakash et al. Bayesian two-phase gamma process model for damage detection and prognosis
CN116258087B (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN114877926B (zh) 传感器故障检测与诊断方法、介质、电子设备及系统
CN116558406A (zh) 基于状态域的gnss-加速度计集成桥梁变形监测突变故障探测方法
Verdonck et al. Experimental robot identification: Advantages of combining internal and external measurements and of using periodic excitation
Fiedler et al. A probabilistic moving horizon estimation framework applied to the visual-inertial sensor fusion problem
CN111090281B (zh) 基于改进粒子滤波算法估算机器人方位的方法和装置
CN115157236A (zh) 机器人刚度模型精度建模方法、系统、介质、设备及终端

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813

RJ01 Rejection of invention patent application after publication