基于强跟踪滤波的全自主机器人目标预测.pdfVIP

维普资讯 维普资讯 · 58 · 航 天 控 制 定性对状态估计造成的影响；通过实时调节增益 ，促 观测方程为 ： 使测量残差近似正交 ，克服 由于传感器误差而造成 Z(k)=h(k，X(k))+ (k) (2) 的估计误差偏大致使预测失效的现象，从而提高 了 式 中 (k)是 目标 k时刻 的运动状态 向量 ，z 对机动 目标的预测性能。 (k)是对 目标 k时刻的测量 ， ()，(k)是零均值的 本文针对全 自主机器人 比赛 中 目标 的运动特 高斯 白噪声 ，且具有如下统计特性 ： 点，将 STF理论应用于运动 目标 的位置预测 ，仿真 E(W )=0，E( )=0 (3) 结果说明该方法的有效性 。 COV[W ，W =E(wk，T)=Q 酊 (4) COV[ ，]=E( T)=R6 (5) 1 STF理论 cov[W ，vjl：E(wkvT)=0 (6) 如果I厂和 h是非线性函数 ，进行线性化处理 引： 目标的状态方程为 ： X(k+1)=I厂(k，X(k))+，() (1) F(，童(I))= I()：i(．)(7) H(k+1，( +1I ))： Ix(k+1)=J(k+llk) (8) STF采用在线选择适当的时变增益 K(k+1)， 使得 ： E{[X(k+1)一X(k+1Ik+1)]$[X(k+1)一X(k+1Ik+1)]。}：min (9) E[(+1+i) 。(k+1)]=0；k=0，1，…，i=1，2，… (10) 条件(9)是卡尔曼滤波的性能指标，条件 (10) 引进渐消因子A(k+1)，实时调节增益K(k+1)，强 要求不同时刻 的残差序列处处保持正交。已经证 迫输出残差近似为高斯 白噪声 ，最大程度地提取输 明，当模型与实际系统完全匹配时，卡尔曼滤波的输 出残差 中一切有效信息。渐消因子由下式计算 ： Ao 10 (11 妻()满足这是 ；条件 +1)： ) 一 1 1 要求，因而不减弱卡尔曼滤议a~-h口~,tI工,lq- … l； A 票不确定性藿，因此卡尔曼滤波嚣的输出残差不可能白化。一式。。“：打[M(k+1)],tr为矩～阵～对角一线元素一 建立在性能指标 (9)和 (10)基础上的强跟踪滤波 ， 之和)。其 中， Ⅳ(k+1)=S(k+1)一叼 (k+1)一日(k+1)FQ()F H (k+1) (12) M(七+1)=F()P(kJ )F。()日。(k+1)H(k+1) (13) r (1) (1)；