复杂环境下基于Huber-RKF的移动机器人信息融合算法

摘要：

为解决移动机器人组合导航系统中由于存在时变、非高斯噪声而导致的估计精度下降问题,提出一种将秩卡尔曼滤波器(Rank Kalman Filter,RKF)与Huber统计线性回归近似方法相结合的Huber秩卡尔曼滤波算法(Huber-RKF).RKF与高斯确定点采样型滤波算法结构相似,但它不需要满足高斯分布假设条件,完全利用秩统计量相关原理计算采样点及其权值,适用于非线性、非高斯系统;Huber方法将l1/l2混合范数作为代价函数,通过迭代求得最优估计值,具有较好的鲁棒性;把二者相结合,将Huber最优估计作为RKF算法结构中的量测更新,得到的Huber-RKF算法具有良好的鲁棒性和滤波估计精度.仿真实验中将Huber-RKF与EKF、RKF以及交互式多模型秩卡尔曼滤波器(IMM-RKF)进行比较,其纬度、经度估计误差分别减小了69.5％、75.6％,44％、44.1％,27％、14％;算法实时性方面,Huber-RKF算法中程序循环体单次执行的时间为20.8ms,比IMM-RKF执行速度快33％.

关键词：移动机器人、秩卡尔曼滤波、Huber方法、组合导航

所属期刊栏目：27

分类号：U666.1(船舶工程)

资助基金：安徽省自然科学基金1708085QF146;安徽省科技重大专项18030901022;东南大学微惯性仪表与先进导航技术教育部重点实验室B类开放基金资助项目SEU-MIAN-201701;安徽科技学院人才稳定项目DQWD201601

在线出版日期：2019-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：60-65