Какую производительность можно ожидать при использовании расширенного фильтра Калмана для калибровки и локализации?


8

В настоящее время у меня есть трехколесный робот, который использует расширенный фильтр Калмана для отслеживания 6 переменных состояния. Входами в систему являются датчик направления, датчик расстояния и вращающийся лазер, который возвращает только информацию о несущих в известные ориентиры. В настоящее время оба энкодера расположены на главном колесе (тот, который управляет, а также питается).

6 фильтров, отслеживаемых фильтром Калмана: X, Y, Направление, Масштабирование расстояния (калибровка датчика расстояния), Калибровка рулевого управления (смещение датчика рулевого управления) и, наконец, калибровка подшипника вращающегося лазера.

С помощью этой системы мы собираем транспортное средство, даем ему известное хорошее местоположение с множеством ориентиров, немного проезжаем по нему и получаем хорошо откалиброванное транспортное средство, которое может надежно проехать большие расстояния с небольшим количеством ориентиров. Это просто и прекрасно работает. Со временем, если энкодер дрейфует, он будет автоматически следовать дрейфу и регулироваться.

Сейчас мы пытаемся применить те же принципы к роботу с несколькими управляемыми и ведущими колесами. В этом случае автомобиль сможет двигаться в любом направлении, вращаться на месте и т. Д. Каждое рулевое / ведущее колесо будет иметь свой собственный датчик поворота и расстояния, который необходимо откалибровать.

Могу ли я рассчитывать получить такую ​​же надежность и производительность от более сложной системы? Есть ли какие-либо распространенные ошибки, на которые следует обратить внимание при расширении фильтра Калмана для включения большего количества переменных? Есть ли риск того, что он остановится на неоптимальных значениях?

Ответы:


1

По моему мнению (основываясь на моем ограниченном опыте использования EKF для навигации):

Производительность EKF может быть значительно улучшена хорошей кинематической моделью. Вы поступили правильно, включив смещение в свои модели рулевого управления и одометрии для трехколесной системы. Если вы можете вывести и применить детальную кинематическую модель для более сложной системы, то у вас все получится. Если нет, то EKF также должен учитывать ваши ошибки в моделировании, в дополнение к ошибкам ваших датчиков и ошибкам линеаризации. Это опасно: включение источника ошибки, который не учтен, сделает ваш фильтр очень непоследовательным.

Если что-то выходит из-под контроля (ваш фильтр не очень хорошо сходится), вы можете попробовать метод нескольких моделей (IMM). Поэтому мой совет - смоделировать систему как можно лучше. EKF имеет очень хороший послужной список для этих задач. Удачи.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.