Laajennettuja Kalman Filters (EKF) käytetään laajalti robottinavigoinnin arvioida sijainti ja suunta robotti epävarmassa ympäristössä. Ne yhdistävät sensoritietoja matemaattisten mallien antaa tarkkoja tila estimaatteja, vaikka mittaukset ovat meluisia tai epätäydellisiä.

Kalman Filters - Suodattimien peruskäsitteet

Kalman Filter on algoritmi, joka arvioi dynaamisen järjestelmän tilaa ajan mittaan. Se käyttää matemaattiseen malliin perustuvaa ennustetta ja päivitysvaihetta, joka sisältää sensorimittaukset. Suodatin olettaa lineaarisen järjestelmän dynamiikkaa ja Gaussian melua.

Laajennus epälineaarisiin järjestelmiin

Robottinavigointiin liittyy usein epälineaarisia malleja, joita Kalman-standardisuodin ei pysty käsittelemään tehokkaasti. Laajennettu Kalman-suodin laajentaa algoritmia lineaarisoimalla epälineaariset toiminnot nykyisen arvion ympärillä käyttäen Jacobian-matriisia.

Matemaattinen muoto

ECF sisältää kaksi päävaihetta: ennuste ja päivitys. Ennustuksen aikana valtion arvio lisätään epälineaarisen liikkeen mallin avulla:

]x.[k.k.-1 = f.[x.k-1.k-1, u[k-1[])

jossa x.[.k.k.1 on ennustettu tila, f on epälineaarinen liiketoiminto ja u[]k-1[[] on ohjaussyöte.

Myös kovavarianssimatriisin ennustetaan olevan:

]P[k.k.-1 = Fk-1[] P[]k-1[] F[[]k-1[[][[[[]]][[[[]]]

jossa F[k-1[ on f]:n ja Q[[]k-1[]][[[]]) on prosessimelun munasarja.

Päivitysvaiheeseen on sisällytetty anturin mittaukset:

K[]k[] = P[[k.[[] H[[[[][[[[]] [H[[[] [[[[] [[[[] + R[[]k[[[]]] [[]][[]]

jossa Kk[[] on Kalman-voitto, []H[]k[[]] on mittaustoiminnon Jaakobian-toiminto ja R[k[]][[]] on mittausmelun munasarja.

Tämän jälkeen valtion arvio päivitetään:

]x.[k.k = x...[k.k.[ + K[]k[[]k[[[]k[[[]] - h(x.k.[])))

ja korivarianssimatriisia puhdistetaan:

]P[k.k = (I - Kk[] Hk[]) P[k.k.k.k.1

Sovellus robottinavigointiin

Robottinavigointiin EKF yhdistää dataa antureista, kuten GPS:stä, lidarista ja IMU:sta, arvioidakseen robotin sijaintia ja suuntaa. Se auttaa reittisuunnittelussa ja esteiden välttämisessä tarjoamalla luotettavaa tilaa koskevaa tietoa anturien epätarkkuuksista huolimatta.

Tärkeimmät haasteet

Toteutus EKF vaatii tarkkoja malleja robotti liikkeen ja anturin käyttäytymistä. Linearisointi tuo likiarvovirheitä, jotka voivat vaikuttaa suodattimen suorituskykyyn. Melukonmuuntimien asianmukainen virittäminen on välttämätöntä optimaalisten tulosten kannalta.