基于改进高斯混合模型的机器人运动状态估计

摘要：

针对复杂环境下机器人运动状态估计的精度改善问题,提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法.首先,引入加权信息量概念来改进期望最大化算法目标函数惩罚项,使得在优化过程中能考虑更全面的参数信息,以达到减少期望最大化算法的迭代次数和提高收敛速度的目的.此外,以基于马氏距离和Kullback-Leibler(KL)距离的高斯项合并方法为基础,提出一种能有效联合两类高斯项合并方式的融合模式.先单独使用马氏距离和KL距离进行高斯混合项合并,再对获得的高斯混合项进行加权融合处理,以改善高斯和滤波中多高斯项的合并性能和保真度.最后,应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计.理论分析与仿真结果表明,该方法能实现对机器人运动更好的状态估计精度,并具有更强的鲁棒性能.

关键词：非线性非高斯系统、状态估计、高斯和容积卡尔曼滤波、鲁棒期望最大化算法、凸组合融合

所属期刊栏目：48

分类号：TP391;TN911.73-34;R318.04

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1972-1983