CN115166635A - 基于风险敏感fir滤波的机器人定位方法 - Google Patents
基于风险敏感fir滤波的机器人定位方法 Download PDFInfo
- Publication number
- CN115166635A CN115166635A CN202210724152.0A CN202210724152A CN115166635A CN 115166635 A CN115166635 A CN 115166635A CN 202210724152 A CN202210724152 A CN 202210724152A CN 115166635 A CN115166635 A CN 115166635A
- Authority
- CN
- China
- Prior art keywords
- performance criterion
- criterion
- final performance
- risk
- alpha
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于风险敏感FIR滤波的机器人定位方法,包括:建立机器人运动的状态空间模型,建立测量值和当前时刻的系统状态;根据测量值和当前时刻的系统状态建立含有判断性能准则类型α的风险敏感FIR滤波器的初始化性能准则和联合概率密度函数,使用联合概率密度函数优化初始化性能准则得到最终的性能准则;将最终的性能准则进行代价函数变形;根据α的不同取值将最终的性能准则分为不同类别,在不同类别的所述最终的性能准则下根据代价函数理论求出此时的状态估计值。本发明可以在具有不确定性时实现对扫地机器人位置的有效、精确定位。
Description
技术领域
本发明涉及机器人定位技术领域,尤其是指一种基于风险敏感FIR滤波的机器人定位方法。
背景技术
目前家用扫地机器人的应用十分普及,在机器人的工作过程中,定位功能是一个不可忽视的功能。而扫地机器人在实际工作中时会遇到许多具有不确定性的干扰,这给机器人的定位带来了许多负面影响,严重影响定位的准确性。而一旦扫地机器人出现了定位偏差,就会出现清扫不到位甚至破坏家具的情况。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的不足,提供一种基于风险敏感FIR滤波的机器人定位方法,可以在具有不确定性时实现对扫地机器人位置的有效、精确定位。
为解决上述技术问题,本发明提供了一种基于风险敏感FIR滤波的机器人定位方法,包括以下步骤:
S1:建立机器人运动的状态空间模型;
S2:在所述机器人运动的状态空间模型下建立测量值和当前时刻的系统状态;
S3:根据所述测量值和当前时刻的系统状态建立含有判断性能准则类型α的风险敏感FIR滤波器的初始化性能准则和联合概率密度函数,使用所述联合概率密度函数优化所述初始化性能准则得到最终的性能准则;
S4:将所述最终的性能准则进行代价函数变形;
S5:根据α的不同取值将所述最终的性能准则分为不同类别,在不同类别的所述最终的性能准则下根据代价函数理论求出此时的状态估计值。
作为优选的,所述机器人运动的状态空间模型为:
xn+1=Axn+Bun+Gwn,
yn=Cxn+vn;
其中,xn表示n时刻的系统状态,xn的维数为r;un为n时刻的系统输入,un的维数为l;wn是过程噪声,wn的维数为p;yn表示n时刻的系统输入,yn的维数为q;A为状态转移矩阵,B为输入矩阵,G为噪声增益矩阵,C为测量矩阵;vn是测量噪声,vn的维数是q,wn和vn均是零均值且不相关的高斯白噪声,wn的噪声协方差矩阵为Q,vn的噪声协方差矩阵为R;xn和yn在时间区间[n-N,n]内以批处理形式表达,N是窗口长度。
作为优选的,所述测量值Yn-1为:
其中,QN、RN定义为:
作为优选的,所述当前时刻的系统状态xn为:
xn=ANxn-N+MBUn-1+MGWn-1;
其中,MB、MG的定义为:
作为优选的,所述根据所述测量值和当前时刻的系统状态建立含有判断性能准则类型α的风险敏感FIR滤波器的初始化性能准则和联合概率密度函数,使用所述联合概率密度函数优化所述初始化性能准则得到最终的性能准则,具体为:
S3-2:建立所述联合概率密度函数p(xn-N,Wn-1,Vn-1)为:
其中,D、Jn的定义为:
作为优选的,所述将所述最终的性能准则进行代价函数变形,具体为:
作为优选的,所述根据α的不同取值将所述最终的性能准则分为不同类别,在不同类别的所述最终的性能准则下根据代价函数理论求出此时的状态估计值,具体为:
判断α的正负,当α大于0时,所述最终的性能准则为风险寻求准则,根据代价函数的对应理论求出此时的状态估计值;当α小于0时,所述最终的性能准则为风险规避准则,根据代价函数的对应理论求出此时的状态估计值。
作为优选的,所述当α大于0时,所述最终的性能准则为风险寻求准则,根据代价函数的对应理论求出此时的状态估计值,具体为:
作为优选的,所述当α小于0时,所述最终的性能准则为风险规避准则,根据代价函数的对应理论求出此时的状态估计值,具体为:
本发明的上述技术方案相比现有技术具有以下优点:
本发明在机器人运动的状态空间模型下,通过风险敏感FIR滤波器和代价函数理论得到机器人位置的状态估计值,可以在具有不确定性时实现对扫地机器人位置的有效、精确定位。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明的流程图;
图2是本发明实施例中扫地机器人在x轴和y轴方向上的位移曲线图;
图3是本发明实施例中扫地机器人在x轴和y轴方向上的位移误差曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
FIR(Finite Impulse Response)滤波器是有限长单位冲激响应滤波器,又称为非递归型滤波器,是数字信号处理系统中最基本的元件,可以在保证任意幅频特性的同时具有严格的线性相频特性。FIR滤波器因其稳定的性能在通信、图像处理、模式识别等领域都有着广泛的应用。因此,本发明中通过引入FIR滤波器来实现扫地机器人的定位功能。
如图1流程图所示,本发明公开了一种基于风险敏感FIR滤波的机器人定位方法,包括以下步骤:
S1:建立机器人运动的状态空间模型。
机器人运动的状态空间模型为:
xn+1=Axn+Bun+Gwn (1),
yn=Cxn+vn (2);
其中,下标n表示时间,xn+1表示n+1时刻的系统状态,xn表示n时刻的系统状态,xn的维数为r;un为n时刻的系统输入,un的维数为l;wn是过程噪声,wn的维数为p;yn表示n时刻的系统输入,yn的维数为q。A为状态转移矩阵,B为输入矩阵,G为噪声增益矩阵,C为测量矩阵;vn是测量噪声,vn的维数是q,wn和vn均是零均值且不相关的高斯白噪声,wn的噪声协方差矩阵为Q,vn的噪声协方差矩阵为R;xn和yn在时间区间[n-N,n]内以批处理形式表达,N是窗口长度,N的取值根据实际情况而定。
S2:在所述机器人运动的状态空间模型下建立测量值Yn-1,在所述机器人运动的状态空间模型下建立当前时刻的系统状态xn。
S2-1:建立测量值Yn-1为:
其中,QN、RN定义为:
S2-2:建立当前时刻的系统状态xn为:
xn=ANxn-N+MBUn-1+MGWn-1 (14);
其中,MB、MG的定义为:
MB、MG是为了缩写的过程参数。
S3:根据所述测量值和当前时刻的系统状态建立含有判断性能准则类型α的风险敏感FIR滤波器的初始化性能准则和联合概率密度函数,使用所述联合概率密度函数优化所述初始化性能准则得到最终的性能准则。
S3-1:建立所述含有判断性能准则类型α的风险敏感FIR滤波器的初始化性能准则:
S3-2:由于Un-1、Yn-1是已知变量,xn-N、Wn-1、Vn-1是随机变量。式(17)的期望可由联合高斯随机变量xn-N、Wn-1、Vn-1代替。由于xn-N、Wn-1、Vn-1都是独立高斯随机变量,建立所述联合概率密度函数p(xn-N,Wn-1,Vn-1)为:
其中,D、Jn的定义为:
其中,K1表示计算得到的常数,K2表示计算得到的常数,表示存在xn-N和Wn-1使最小,第二个等式的由来基于Jn对所有积分变量都是二次的,而一个指数二次函数从负无穷到正无穷积分可以由公式计算出来,由此计算得到了该等式。
S4:将所述最终的性能准则进行代价函数变形。
其中,
S5:根据α的不同取值将所述最终的性能准则分为不同类别,在不同类别的所述最终的性能准则下根据代价函数理论求出此时的状态估计值。
本实施例中判断α的正负,当α大于0时,执行S5-1;当α小于0时,执行S5-2。
S5-1:所述最终的性能准则为风险寻求准则,根据代价函数的对应理论求出此时的状态估计值。
S5-2:所述最终的性能准则为风险规避准则,根据代价函数的对应理论求出此时的状态估计值。
本发明在机器人运动的状态空间模型下,通过风险敏感FIR滤波器和代价函数理论得到机器人位置的状态估计值,可以在具有不确定性时实现对扫地机器人位置的有效、精确定位。
为了进一步说明本发明的有益效果,本实施例中对扫地机器人的工作状态进行模拟。扫地机器人在工作时,由于仅在平面运动,不涉及高度参数,因此本实施例中将机器人的运动分解成平面上的x轴方向运动与y轴方向运动的叠加。机器人在x轴方向的位移等于上一时刻的位移加上时间间隔与x轴方向速度的乘积,同理,机器人在y轴方向的位移等于上一时刻的位移加上时间间隔与y轴方向速度的乘积,而x轴方向速度等于上一时刻的速度加上时间间隔与x轴方向加速度的乘积,y轴方向速度等于上一时刻的速度加上时间间隔与y轴方向加速度的乘积。因此,机器人运动方程可表示为:
xn+1=xn+vx,nΔt (37),
yn+1=yn+vy,nΔt (38),
vx,n=vx,n-1+ax,n-1Δt (39),
vy,n=vy,n-1+ay,n-1Δt (40);
其中,xn表示机器人n时刻在x轴方向的位移,yn表示机器人n时刻在y轴方向的位移。vx,n表示机器人n时刻在x轴方向的速度,vy,n表示机器人n时刻在y轴方向的速度。ax,n表示机器人n时刻在x轴方向的加速度,ay,n表示机器人n时刻在y轴方向的加速度,Δt表示时间间隔。当机器人是匀速运动时ax,n和ay,n都为0m/s2,时间间隔Δt=1,则可将式(37),(38),(39),(40)转换为机器人状态空间方程为:
机器人在运动过程中受到地面起伏影响,存在噪声扰动,系统噪声Wn均值为0,协方差Q=0.1I4,I4是四阶单位矩阵。测量噪声Vn的均值为0,协方差R=0.01I2,I2是二阶单位矩阵。状态量Xn由四个变量组成,即Xn=[xn yn vx,n vy,n]T,xn表示为x轴方向上的位移,yn表示y轴方向的位移。vx,n表示x轴方向的速度,vy,n表示y轴方向的速度。位移数据和速度可通过光电编码器测量得到。由于光电编码器和驱动轮同步旋转,利用码盘、减速器、电机和驱动轮之间的物理参数,可将检测到的脉冲数转换成驱动轮旋转的角度,则可得到机器人的瞬时位置和速度。因为光电编码器是本体感受式的传感器,在机器人参考框架中,它的位置估计是最佳的。本实施例中,机器人在x轴和y轴方向的加速度为0m/s2,实际运行过程中的加速度数据可以通过三轴加速度计获得,三轴加速度计可以获得机器人在x轴、y轴和z轴方向上加速度的大小和方向。Zn是测量值,Zn=[xn yn]T。
根据实测值和通过本发明方法得出的估计值绘制如图2所述的扫地机器人在X轴和Y轴方向上的位移曲线图和如图3所示的扫地机器人在X轴和Y轴方向上的位移误差曲线图,图2和图3中True表示实测值,RSFF表示使用本发明方法得出的估计值。从图2可以看出,估计值与实测值拟合度很好;从图3可以看出,x轴和y轴方向上的误差基本控制在了1米内,本发明方法的误差较小,模拟实验的结果均表明了本发明可以在具有不确定性时实现对扫地机器人位置的有效、精确定位。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于风险敏感FIR滤波的机器人定位方法,其特征在于,包括以下步骤:
S1:建立机器人运动的状态空间模型;
S2:在所述机器人运动的状态空间模型下建立测量值和当前时刻的系统状态;
S3:根据所述测量值和当前时刻的系统状态建立含有判断性能准则类型α的风险敏感FIR滤波器的初始化性能准则和联合概率密度函数,使用所述联合概率密度函数优化所述初始化性能准则得到最终的性能准则;
S4:将所述最终的性能准则进行代价函数变形;
S5:根据α的不同取值将所述最终的性能准则分为不同类别,在不同类别的所述最终的性能准则下根据代价函数理论求出此时的状态估计值。
2.根据权利要求1所述的基于风险敏感FIR滤波的机器人定位方法,其特征在于:所述机器人运动的状态空间模型为:
xn+1=Axn+Bun+Gwn,
yn=Cxn+vn;
其中,xn表示n时刻的系统状态,xn的维数为r;un为n时刻的系统输入,un的维数为l;wn是过程噪声,wn的维数为p;yn表示n时刻的系统输入,yn的维数为q;A为状态转移矩阵,B为输入矩阵,G为噪声增益矩阵,C为测量矩阵;vn是测量噪声,vn的维数是q,wn和vn均是零均值且不相关的高斯白噪声,wn的噪声协方差矩阵为Q,vn的噪声协方差矩阵为R;xn和yn在时间区间[n-N,n]内以批处理形式表达,N是窗口长度。
6.根据权利要求5所述的基于风险敏感FIR滤波的机器人定位方法,其特征在于:所述根据所述测量值和当前时刻的系统状态建立含有判断性能准则类型α的风险敏感FIR滤波器的初始化性能准则和联合概率密度函数,使用所述联合概率密度函数优化所述初始化性能准则得到最终的性能准则,具体为:
S3-2:建立所述联合概率密度函数p(xn-N,Wn-1,Vn-1)为:
其中,D、Jn的定义为:
8.根据权利要求7所述的基于风险敏感FIR滤波的机器人定位方法,其特征在于:所述根据α的不同取值将所述最终的性能准则分为不同类别,在不同类别的所述最终的性能准则下根据代价函数理论求出此时的状态估计值,具体为:
判断α的正负,当α大于0时,所述最终的性能准则为风险寻求准则,根据代价函数的对应理论求出此时的状态估计值;当α小于0时,所述最终的性能准则为风险规避准则,根据代价函数的对应理论求出此时的状态估计值。
10.根据权利要求8所述的基于风险敏感FIR滤波的机器人定位方法,其特征在于:所述当α小于0时,所述最终的性能准则为风险规避准则,根据代价函数的对应理论求出此时的状态估计值,具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724152.0A CN115166635B (zh) | 2022-06-24 | 2022-06-24 | 基于风险敏感fir滤波的机器人定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724152.0A CN115166635B (zh) | 2022-06-24 | 2022-06-24 | 基于风险敏感fir滤波的机器人定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115166635A true CN115166635A (zh) | 2022-10-11 |
CN115166635B CN115166635B (zh) | 2023-03-28 |
Family
ID=83486911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210724152.0A Active CN115166635B (zh) | 2022-06-24 | 2022-06-24 | 基于风险敏感fir滤波的机器人定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166635B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916407A (zh) * | 2019-02-03 | 2019-06-21 | 河南科技大学 | 基于自适应卡尔曼滤波器的室内移动机器人组合定位方法 |
CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
WO2021082571A1 (zh) * | 2019-10-29 | 2021-05-06 | 苏宁云计算有限公司 | 机器人跟踪方法、装置、设备及计算机可读存储介质 |
CN113326616A (zh) * | 2021-05-31 | 2021-08-31 | 上海航天测控通信研究所 | 抗慢变量测粗差的容错卡尔曼滤波方法 |
CN113792411A (zh) * | 2021-08-13 | 2021-12-14 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于中心误差熵准则无迹卡尔曼滤波的航天器姿态确定方法 |
CN114034303A (zh) * | 2021-11-11 | 2022-02-11 | 华南农业大学 | 一种基于卡尔曼滤波的移动目标物定位方法、装置 |
-
2022
- 2022-06-24 CN CN202210724152.0A patent/CN115166635B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916407A (zh) * | 2019-02-03 | 2019-06-21 | 河南科技大学 | 基于自适应卡尔曼滤波器的室内移动机器人组合定位方法 |
WO2021082571A1 (zh) * | 2019-10-29 | 2021-05-06 | 苏宁云计算有限公司 | 机器人跟踪方法、装置、设备及计算机可读存储介质 |
CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
CN113326616A (zh) * | 2021-05-31 | 2021-08-31 | 上海航天测控通信研究所 | 抗慢变量测粗差的容错卡尔曼滤波方法 |
CN113792411A (zh) * | 2021-08-13 | 2021-12-14 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于中心误差熵准则无迹卡尔曼滤波的航天器姿态确定方法 |
CN114034303A (zh) * | 2021-11-11 | 2022-02-11 | 华南农业大学 | 一种基于卡尔曼滤波的移动目标物定位方法、装置 |
Non-Patent Citations (1)
Title |
---|
刘飞等: "线性离散状态时滞系统UFIR滤波算法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115166635B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101724872B1 (ko) | 빠르고 강건한 궤적 설계를 통한 산업용 로봇의 파라미터 추정 방법 | |
CN109940622B (zh) | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 | |
CN108897226B (zh) | 基于干扰观测器的mems陀螺仪预设性能非奇异滑模控制方法 | |
CN106828005B (zh) | 一种预规定瞬态性能的汽车主动悬架自适应控制方法 | |
CN108710296B (zh) | 微陀螺仪的分数阶自适应快速终端滑模控制方法 | |
CN108972553B (zh) | 一种基于粒子滤波算法的空间机械臂故障检测方法 | |
CN110941183B (zh) | 一种基于神经网络的工业机器人动力学辨识方法 | |
CN108469730B (zh) | 一种基于均值耦合的多电机固定时间自适应滑模控制方法 | |
CN108931233B (zh) | 一种道路侧向坡度值检测方法及装置 | |
CN112873207A (zh) | 一种基于未知系统动态估计器的柔性关节机械臂预设性能控制方法 | |
CN104503246A (zh) | 微陀螺仪系统的间接自适应神经网络滑模控制方法 | |
CN109067381A (zh) | 一种mems陀螺仪随机噪声的实时滤波系统及方法 | |
CN110703610A (zh) | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 | |
CN110702093B (zh) | 基于粒子滤波的定位方法、装置、存储介质及机器人 | |
CN109062048B (zh) | 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法 | |
CN115166635B (zh) | 基于风险敏感fir滤波的机器人定位方法 | |
CN107340026A (zh) | 非稳态液面高度测量值滤波方法 | |
CN105652795B (zh) | 一种基于残差观测器的3ptt-2r串并联数控机床伺服系统故障预测装置及方法 | |
CN116872197A (zh) | 单杆机械臂的自适应神经网络反演控制方法及其控制系统 | |
CN114407022B (zh) | 一种基于模型参数误差观测器的机械臂碰撞检测方法 | |
CN110471293A (zh) | 一种估计时变角速度的z轴陀螺仪滑模控制方法 | |
CN111856941B (zh) | 一种基于主动抗扰的自适应终端动态滑模控制方法 | |
CN109084751B (zh) | 一种基于盒粒子滤波的高能效卫星姿态确定算法 | |
CN110579966B (zh) | 一种基于神经网络辨识参数的z轴陀螺仪控制方法 | |
Yuan et al. | Robot position realization based on multi-sensor information fusion algorithm |
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 |