基于ANN-UKF的室内移动机器人定位信息融合算法研究

服务机器人是当今机器人技术领域的主要研究热点，而机器人的自主定位，是服务机器人自主导航以及完成其它复杂任务的前提。为提高移动机器人自主定位精度及鲁棒性，提出一种采用人工神经网络（Artificial Neural Network，ANN）和Unscented卡尔曼滤波（UKF）结合的新型移动机器人定位信息融合算法。通过分析各种多传感器融合结构的优缺点，选择并构建适合移动机器人自主定位的多传感器信息融合结构体系；由于ANN和UKF在数学理论上的相通性和辅助组合上的适宜性，研究两种算法的结合方式，构建高性能的组合算法，充分利用UKF的估计能力和ANN的学习能力，组成自适应性强、智能的、高精度的组合算法；研究利用矩阵的相似变换，将相关测量噪声方差矩阵解耦，并提出更简化的解耦方法，来提高室内移动机器人的实时定位性能。该项目开辟了一个移动机器人信息融合的新方法，具有巨大的科学研究价值和经济意义。

多传感器的信息融合问题限制了服务机器人自主导航及完成其他任务的能力。为提高移动机器人自主定位精度及鲁棒性，本项目将人工神经网络（Artificial Neural Network，ANN）和无迹卡尔曼滤波（Unscented Kalman Filter, UKF）进行结合构建了新型移动机器人定位信息融合算法。. 提出了两种改进的UKF定位算法，以提高定位系统定位精度与鲁棒性。其一：提出一种将最小偏度采样策略和衰减记忆滤波相结合的改进UKF算法。该算法采用最小偏度采样策略，采样点个数由2n+1减少到n+2，提高了定位实时性。采用衰减记忆平方根滤波修正量测噪声的权值，避免了滤波发散，提高了系统鲁棒性；第二：将比例修正系数法和最小偏度采样策略相结合，提出了将比例修正系数引入最小偏度采样策略中的算法，有效解决了采样的非局部效应问题。使用改进的UKF算法对获得的无线信号（RSSI值）进行滤波，采用三边定位法进行定位计算。实验结果表明，系统平均定位误差降低49%，达到0.505m，可较好地实现机器人的精确定位，满足了移动机器人的室内定位要求。为移动机器人系统的定位及导航提供了理论基础。. 利用UKF对ANN进行改进研究，设计了适合移动机器人自主定位的UKF与ANN结合的三层神经网络结构及算法，利用ANN的映射逼近能力和自学习能力修正UKF的结果，从而提高了定位算法的鲁棒性。. 利用SIFT算法的综合匹配效率与实时性优点，提出了基于改进SIFT算法的移动机器人图像识别方法。采用的向量维数为6维，大大降低了匹配时间，并能对移动机器人行走路径中的复杂背景、倾斜、形变、污浊、部分遮挡、光线变化的特定标示物进行有效识别。有效提高了移动机器人视觉识别实时性能。. 开发了一种可以显著提高移动机器人自主定位精度，增强移动机器人抗干扰自主定位与导航能力的基于UKF的移动机器人多传感器信息融合方法。可将机器人各类传感器信息进行总信息融合得到机器人及障碍物全局精确方位信息，实现移动机器人自主精确定位与地图感知。. 此外，开发完成了两款移动机器人自主运动测试平台与自主导航控制系统软件，降低了室内移动机器人定位实验的成本。进行了超声传感器测距精度影响试验，得出障碍物的材质选为塑料，放置距离设为28.0cm，偏转角度定为3º时，进行测距试验，测距精度达到最高的结论。