(1.27)--7.3 多机器人协同定位.pptVIP

*定位信息的获取是实现协同定位的基础，目前多机器人系统可以通过多种方式获取环境信息和机器人之间的相对信息，这些方式可以划分为绝对式与相对式两类。绝对式定位技术是通过计算实时获取机器人在环境中的绝对位置，与机器人初始状态和历史信息无关。相对式定位技术则需要根据初始状态和历史信息，估计当前的位置，即本地测量；或者借助某种技术估算自身相对于多机器人团队中其他机器人的位置，即外感测量。7.3多机器人协同定位*根据测量的相对信息种类不同，可分为基于相对距离、相对方位、相对航向等类型。7.3多机器人协同定位绝对式定位技术相对式定位技术*根据多机器人协同定位的结构，可以分为主从式和并行式两类。在主从式协作定位系统中，由携带高精度导航传感器的机器人作为主节点，其他携带低成本低精度导航传感器的机器人作为从节点。在协同定位过程中，主节点为团队提供高精度的导航参考信息，从节点在自身定位基础上，通过接收主节点的导航数据，或对主节点进行观测获得相对位姿数据，对自身定位结果进行校正。7.3多机器人协同定位*主从式结构简单，通信拓扑明确，系统成本低，但是对于主机器人的定位精度依赖较高，要求主机器人具备较好的稳定性和鲁棒性。当主机器人发生故障时，容易导致整个团队的定位精度下降，甚至定位失败。并行式结构没有主从之分，不依赖于某一个机器人的定位精度，在机器人节点发生故障或者通信失败时，仍可保证其余个体的准确定位，具备更好的鲁棒性。但是去中心化的并行网络结构拓扑复杂，各机器人之间互相校正机制容易导致状态相关性问题，融合算法更为复杂。7.3多机器人协同定位*（1）概率估计方法概率估计方法是将每个机器人的位置视为概率分布，通过对机器人的位置进行优化估计，获得各机器人的准确定位。常用的概率估计方法有滤波类方法、极大似然估计法、最大后验概率估计法等。目前常见的基于滤波的多机器人协同定位方法包括扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、容积卡尔曼滤波（CKF）、粒子滤波（PF）、信息滤波（IF）方法，以及上述方法的改进算法等。7.3多机器人协同定位*EKF、UKF、CKF是针对基于高斯假设的非线性系统状态估计问题提出的方法，是在卡尔曼滤波框架下，通过对系统非线性的不同处理实现状态估计。在多机器人系统中，非线性卡尔曼滤波框架包括以下4个步骤：（1）系统建模（2）时间更新（3）量测更新（4）循环（2）、（3）步，递归地进行最优估计。7.3多机器人协同定位*经典的EKF算法通过对非线性函数的线性化，将非线性函数进行泰勒展开，忽略高阶项部分，保留一阶项部分以实现线性化近似。经典EKF算法由于忽略了高阶项，引入了线性误差，容易导致算法发散。经典的UKF算法不再对非线性函数进行逼近，而是通过选择一定数量的确定的采样点对非线性函数的概率分布进行逼近，获得了更好的精度。CKF算法基于三阶球面径向准测，通过容积积分近似高斯加权积分，利用容积点逼近非线性系统的概率分布，是近年来新出现的一种滤波方法。7.3多机器人协同定位*PF方法抛弃高斯假设，基于蒙特卡洛法思想，通过大量的随机采样点对非线性模型和非高斯分布进行模拟。PF方法理论上能够适应任意形状的分布，但是需要的粒子数量巨大，计算负担较重。7.3多机器人协同定位*（2）优化方法滤波方法通过前一时刻各机器人的位姿估计当前时刻各机器人的位姿。优化方法通过建立约束方程和目标函数，通过优化求解目标函数极值，来计算各机器人的位姿。常见的优化方法，包括滚动时域法、粒子群优化法、梯度下降法等。滚动时域估计（MovingHorizonEstimation，MHE）方法是一种动态滚动式的最优估计方法，通过建立固定时间域长度的优化计算窗口，设置先入先出的状态滚动更新机制，引入多机器人系统状态约束条件，使用时间窗开始时刻的多机器人位姿数据组成系统状态向量、时间窗内各时刻的状态噪声序列和到达代价函数，构建性能指标函数。通过最小化性能指标函数，估计时间窗结束时刻的各机器人的位姿数据。7.3多机器人协同定位*MHE方法的滚动时间窗如图所示，由于MHE方法的实时性和动态性特点，算法对于计算能力要求较高。梯度下降方法对机器人的位姿进行优化求解。测量每个机器人与邻居机器人的局部距离信息或相对方位信息，通过每个机器人的位姿估计值计算对应的相对距离或相对方位，构造测量值与估计值的均方差目标函数。通过梯度下降法求解目标函数的最小值，获得机器人位置的最佳估计。7.3多机器人协同定位*（3）地图匹配方法空地异构机器人协同定位中，地图匹配成为联系空地不同视角的桥梁：将无人机俯拍视角与地面机器人平视全景视角进行匹配，可以实现二者的协同定位。通过无人机单