矿井救灾机器人自主定位方法研究.pdf

第 4 1 卷 第 7 期 2 0 1 5年 7月 工矿 自 动化 I n d u s t r y a n d M i n e Au t o ma t i o n Vo l | 4 1 NO ．7 J u 1 ．2 0l 5 文章 编 号 1 6 7 1 ～ 2 5 1 X 2 O 1 5 0 7 0 0 6 2 0 6 蔡李 花 ， 方海 峰 ， 李允 旺 ， 等． 矿 井救 灾机 器 人 自 DOI 1 0 ． 1 3 2 7 2 ／ j ． i s s n ． 1 6 7 1 2 5 1 x ． 2 0 1 5 ． 0 7 ． 0 1 5 主定位方法研究[ J ] ． 工矿 自动化 ， 2 0 1 5 ， 4 1 7 6 2 6 7 ． 矿井救灾机器入自主定位方法研究 蔡李花 ， 方海峰 ， 李允旺 ， 吴群彪 ， 田丰 1 ． 江苏科技大学 苏州理工学院，江苏 张家港2 1 5 6 0 0 ； 2 ． 中 国矿业 大学 机 电工程学 院 ， 江 苏 徐州 2 2 1 1 1 6 摘要 介绍 了矿井救 灾机器人 自主定位 系统的构成和基于航迹推算的 自主定位方法， 提 出了改进的 自主 定位 方法 ， 即使 用 具 备 衰 减 指 数 因子 的 有 限 记 忆 卡 尔 曼 方 法 ， 并 以逐 级 滤 波 的 方 式 融 合 多传 感 器信 息 。 Ma t l a b 仿 真 结果表 明 ， 该 方法 可 以稳 定 地 实现 0 ． 5 m 的跟 踪 精 度 ； 通 过 实体 机 器人 实验 验 证 了本 文提 出的 矿 井救 灾机 器人 自主定 位 方法 的有 效性 。 关键 词 矿 井救 灾机 器人 ；自主定位 ； 航 迹 推 算 ；多传 感 器 ； 信 息 融合 中 图分 类 号 TD 7 7 4 文献标 志 码 A 网络 出版时 间 2 0 1 5 0 7 0 1 l 1 1 3 网络 出版 地址 h t t p ／ ／ www． c n k i ． n e t ／ k c ms ／ d e t a i l ／ 3 2 ． 1 6 2 7 ． TP ． 2 0 1 5 0 7 0 1 ． 1 1 1 3 ． 0 1 5 ． h t ml Re s e a r c h o f s e l f l o c a l i z a t i o n me t ho d o f mi n e r e s c u e r o bo t CAI Li h u a ， FANG Ha i f e n g ， LI Yu n wa n g ， W U Qu n b i a o ， TI AN Fe n g 1 ． S u z h o u I n s t i t u t e o f Te c h n o l o g y，J i a n g s u Un i v e r s i t y o f S c i e n c e a n d Te c h n o l o g y Zh a n g j i a g a n g 2 1 5 6 0 0 ，Ch i n a ；2 ． S c h o o l o f Me c h a n i c a l a n d El e c t r i c a l E n g i n e e r i n g ， C h i n a Un i v e r s i t y o f M i n i n g a n d Te c h n o l o g y ，Xu z h o u 2 2 1 1 1 6 ，Ch i n a Ab s t r a c t Co mpo ne nt s of s e l f l o c a l i z a t i o n s ys t e m O { mi ne r e s c ue r o bo t s wa s i nt r o du c e d． s e l f l o c a l i z a t i o n m e t ho d ba s e d o n d e a d r e c ko ni n g wa s i n t r od uc e d a nd i m p r o v e d． The i mpr o v e d m e t ho d u s e s l i m i t e d m e m o r y Ka l ma n f i l t e r wi t h e xp o ne nt i a l f a d i ng f a c t or ， a nd f us e s d a t a o f m u l t i p l e s e n s o r s i n a s t e p wi s e ma n n e r ． Th e M a t l a b s i mu l a t i o n r e s u l t s s h o w t h a t t h e i mp r o v e d me t h o d c a n s t a b l y a c h i e v e t r a c k i n g a c c u r a c y o f 0． 5 m．Ex p e r i me n t s o n mi n e r e s c u e r o b o t e n t i t y we r e c a r r i e d o u t t o j u s t i f y t h e v a l i d i t y of t h e p r op os e d s e l f _ l o c a l i z a t i 0n me t h od o f mi ne r e s c ue r o bo t ． Ke y wo r ds m i ne r e s c ue r o bo t ；s e l f l oc a l i z a t i on；de a d r e c ko ni n g；mul t i pl e s e n s or s；i nf or ma t i o n f us i o n 0 引言 矿井救灾机器人要实现 自主导航并执行各种任 务 ， 必 须 要非 常 准 确 地 知 道 自己 的位 置 _ 1 ] 。 因此 ， 自身 环境 的定 位 是矿 井救 灾机 器人 实 现导航 的关 键 技术之一 ， 它主要通过定位传感器检测位姿来完成。 传统 的单传感器系统检测信 息的误差较大 ， 且存在 不 确定 性 ， 已经很 难适 应 煤矿 井下 的恶 劣环 境 ， 因而 配备多传感器系统的救灾机器人成为了一种可靠的 解决方案 。如何实时有效地处理多传感器的测量数 据 ， 以获得更准确的位姿信息， 是实现多传感器信息 融合需 要 解决 的 问题 。 ] 。 本 文 介绍 了矿 井求 灾机 器人 自主定位 系 统 的构 成 ， 采用具备衰减指数因子 的有 限记忆卡尔曼方法 对机 器人 的多 传 感器 信 息 进 行 融 合 ， 提 出 了基 于 多 传感器信息融合的航行轨迹推算方法 ； 通过 Ma t l a b 仿真对本文提出的方法进行验证 ， 并进一步通过实 体机器人实验验证了本文提出的矿井救灾机器人 自 收稿 日期 2 0 1 4 1 2 2 9 ； 修 回日期 2 0 1 5 0 5 一 O 8 ； 责任编辑 胡娴。 基金项 目 国家 自然科 学 基 金项 目 5 1 2 0 5 3 9 1 ； 江 苏 省普 通 高 校 自然 科 学研 究 项 目 1 4 KJ D4 4 0 0 0 1 ； 江苏 科 技 大 学青 年 科 研 基 金 项 目 6 3 5 2 71 2 0 5 。 作者简 介 蔡李花 1 9 8 4 一 ， 女 ， 江苏启东人 ， 讲师 ， 博 士， 主要研究方 向为机 电工程及煤矿救灾机器人 ， E ma i l f a n g h a l e 1 6 3 ． c o m 2 0 1 5年第 7 期 蔡李花等 矿井救灾机器人 自主定位方法研究 6 3 主定位方法的有效性 。 1 矿 井救 灾机 器人 自主 定位 系统 构成 定 位传感 器 是矿 井救 灾机 器 人实 现 自主式 定位 的基础 ， 本文在综合对 比国内外典型传感器组合后 ， 选择三轴加速度传感器、 三维磁阻式电子罗盘 、 里程 传感器和数字三轴陀螺仪作为 自主定位系统的硬件 基 础 ； 在综合 对 比国 内外 典 型滤 波方 法 的基 础 上 ， 使 用具备衰减指数 因子的有限记忆卡尔曼滤波方法作 为系统 的控制策略 。矿井救灾机器人使用传感器采 集本体的角度信息 、 加速度信息及里程信息 ， 使用平 面几何方法和具备衰减指数因子的有限记忆卡尔曼 滤波方法对采集到 的定位信息进行处理 ， 得到矿井 救灾机器 人具体 的位 置 和姿 态信 息， 系统构 成 如 图 1所示 。 自主定位传感器部分 融 合算法处理部分 ● 三维磁阻式电子 罗盘 三轴加速度传感器 I具备 衰减指数 l 数 字 三 轴陀 螺 仪 l 制 I 叫因 子的 有 限 记 忆} 左轮里程传感器 I具 备衰减指数 I l 卡尔曼滤波方 法I 叫 因 子的有限记忆 I 卡尔曼滤波方 法I 右轮里程传感器 l 图 1 矿 井 救 灾 机 器 人 自主定 位 系 统 构 成 2 基于多传感器信息融合的航行轨迹推算方法 2 ． 1 矿 井救 灾机 器人 驱 动机构 运 动分析 矿井救灾机器人驱动机构运动分析示意如图 2 所示。基础的航行轨迹推算方法是周期性采样机器 人的位移变化量和角度变化量 ， 然后 累加得到矿井 救 灾机 器人 的航 行 轨迹 。 D 图 2 矿井救灾 机器人驱动机构运动分析示 意 假定 矿井 救灾 机器 人 运行 过程 中其 履 带不 发生 打滑 ， 也不发生弹性变形 ， 设 z ，Y ， 。 ， Y 分 别表 示机 器人 在 A 点 和 B 点 的坐 标 ， 0 表 示 机 器 人 的绝对速度方 向与 z轴 的夹角 ， L A B 表示 机器人的 运动轨迹 AB 间的长度 ， J9 表示机器人运行速度方 向的变化 ， 可得 j 一 z 。 L A B c 0 s 1 【 Y s ￡ 一 Y A ￡ L A B s i n [ 0 t 对 式 1 进行 求导处 理 ， 得 f 圣 M ￡ 一L A B c o s 0 J8 ． 2 l 一 M L A B s i n 0 式中 ， 分 别表 示矿 井救 灾机 器人 在 z轴 和 Y轴上的速度分量 。 设矿井救灾机器人右履带轮的角速度为 叫 ， 左 履带轮的角速度为 c c ， ， 履带轮的半径为 r ， 两履带轮 之 间的距 离 为 t ， ， 经简 单推 理可得 f r o J L _ 1 _ - R C O S 0 I 一 一 { W y 一 业 3 I I 一 二 垦 【t ， 对 式 3 进行 积分 可得 ∽一 ∽d 号 [ t f c 。 s [ ￡ ] 出 { Y A t 一 J。t 专 ∽ 4 l s in [ ￡ ] d z l 一 胁 一 一 出 2 ． 2 基 于里程 传感 器的航 行轨迹 推 算原理 基于里程传感 器 的航行 轨迹推 算原理 如 图 3 所 示 图 3 基 于里程传感器 的航行 轨迹 推算原理 在机 器人 实际运 行过 程 中很 难 实时得 到履 带轮 的转速函数 虮 和 R ， 式 5 、 式 6 给出了获 6 4 工矿 自动化 2 0 1 5年 第 4 1卷 {二； “OR-73L ㈤ f z 抖1一 c 。 s 钆 1 △ 【 抖 一 △ ￡ X 基于正弦余 弦定理 的航 行轨迹推算原理 方 位 角 5 ， 而 三维磁 阻式 电子罗 盘可 以实 时检 测 到 机 器人 行走 的航 向角 。综 上 ， 可 以得 到 机 器人 的位 姿信 息 Ya w， D i s t a n c e ， Az i mu t h ， 其 中 Ya w表 示 机器人 当前的航 向角， D i s t a n c e表示机器人距 离原 点 的位移 ， Az i mu t h表 示机 器 人 当前 所 在 点 与原 点 连线和 Y轴的夹角 ， 即方位角 。6 『 ， 点可以作为进 行 下一次递推的起始点。 以 轴 正 方 向表 示 地 理 上 的正 北 方 向 ， 计 为 0弧度 ， 角度按顺时针方向递增 ， 图 4中所示参数可 按正弦定理、 余弦定理计算 ， 其中 L 。 ， 4计算式为 f L 3一 ／ L L ； 一2 Ll L 2 C O S 3 4 一 a r c s i nc 7 改进后的推算方法 以固定的采样周期读取航 向 角 ， 航向角不发生变化时只累加里程传感器的计数 值 ， 而并不在每个采样周期后都进行坐标计算 ， 只有 当航向角发生变化以及需要传输坐标信息时才读取 里程传感器计数值并计算 当前位置坐标 ， 相对而言 减小了计算频度和字长 ， 降低了机器人位姿信息 的 发 散 。 2 。 4多传 感 器信 息融合 单纯依靠单个传感器分散地推算机器人位姿 的 方法精度较差 ， 需要使用滤波算法提 高 自主定位精 度。在实际应用 中， 经典卡尔曼滤波 常常会 出现量 测次数 愚不断增大、 状态估计的均方误差趋于稳定 ， 但是状态估计值相对于真实值的偏差却趋于增大的 现象 ， 即滤波器的发散现象 。主要有 2个原 因造成 卡尔曼滤波器的发散 ， 一个是系统数学模 型和噪声 模型过于粗糙或失真 ， 另一个是卡尔曼滤波 的递推 特性造成滤波计算 中的舍入误差逐渐累积 。为了解 决 滤 波器 的发 散 问题 ， 本 文 采 用 具 备 衰 减 指数 因 子 的有限记忆卡尔曼方法对多传感器的融合误差进行 控 制 。 首先利用卡尔曼滤波改进算法融合里程传感器 和陀螺仪数据 ， 状态变量取 为 一[ 口 CO g ] ， 其中 为陀螺仪的角速度 ， 则系统的状态方程为 X 一 鼬一 1 X卜1 n 一 1 01 8 式中 为 t 一 时刻到 t 时刻 的一步状态转移矩 阵 ； n一 为系统噪声矩阵的驱动矩阵， 在本系统中为 单位 矩 阵 J ； W 是 协方 差为 Q 的系 统噪声 矩 阵 。 的值 为 ． 1 1 0 O 0 1 0 -- ． ． ． ． ． ． ． ． ． 1． ． 1 0 t r t r 9 2 0 1 5年第 7期 蔡李花等 矿井救灾机器人 自主定位方法研究 6 5 系统 的 量测 方程 为 Zk 日 X V 1 0 式中 H 为系统量测矩 阵， 本系统中为单位矩阵 I ； 是协方差为R 的量测噪声矩阵 。 用具备衰减指数因子的有限记忆卡尔曼滤波方 程式 1 1 一式 1 4 [ 8 _ n 计算系统变量 的估计值 ， 并 将估计值代人式 5 、 式 6 ， 得到陀螺仪和里程传感 器融合后的里程传感器推算值 ， 下文提到的里程传 感器推算值均指融合后的航行轨迹推算值 。 f 一 1 X 1 gk H 一 1 X 1 ， f 忌 N 1 1 f 卜一 H P 一 1 j 一 H I Kf R ， 是 N K 一 P H R K 一 P ． Hj Ri ， k N 1 2 1 3 1 4 式 中 X 是 记 忆 长 度 为 N 的 第 k次 状 态 变 量 ； P 。是 记忆 长 度 为 N 的第 k次后 验误 差 协方 差 矩 阵 ； H 为系数变化 矩阵 ； R 为 测量 噪声 协方差 矩 阵 ； 为状 态 变 量 增 益 矩 阵 ； 为 状 态 变 量 平 均 增 益矩 阵 。 数字三轴陀螺传感器的累积误差会随着时间逐 渐增大 ， 使里程传感器的推算精度下降 ， 本文采用三 维磁阻式电子罗盘对里程传感器航行轨迹推算值进 行补偿 ， 所选用 的电子罗盘具 有较 高的测量精度 。 融合前要对 电子罗盘的数据进行坐标系对准等预处 理 ， 并使用三轴加速度传感器进行倾角补偿 ， 下文提 到 的航 向角 均 指 融 合 后 的航 向角 。 取 系 统 状 态 变 量 为 X E o 叫 d a 1 5 式中 a 为机器人航 向角变化 的角加速度 。 因为机器 人运动速度较慢， 所以电动机旋转运 动可以视为匀角速度运动 ， 则 系统 的状态变量可简 化 为 X E o c c J d ] 1 6 系 统 的状态 方程 为 Xk一 ， 一 lX卜1 J 一 1 W 卜1 式 中 一 一 『 ] ， 其 中 T 为 系 统 采 样 的 时 间 式 中 一 一 l 0 1 J ， 其 中 T 为 系 统 采 样 的 时 间 r_1 0 o 0 ] l o o 1 0 j 誊 ， j 『 1 1 ／ 2 ] L J 0 1 J r一 ] 。由 于 一 。 。 巨 ] y ， 6 6 工矿 自动化 2 0 1 5年 第 4 1卷 8 0 o g 6 o 0 4 o 0 2 0 0 O l 0 0 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 时间／ s a 经典卡尔曼滤波器曲线 有限记忆卡尔曼滤波器的滤波曲线 3 l 9 ． 5 3 1 9 ．0 登 3 】 8 l5 3 l 8 ．0 滟 趟 2 9 9 ． 9 3 0 0 ． 1 3 0 0 ．3 3 0 0 ．5 时间／ s b 有限记忆卡尔曼滤波器 曲线 具备衰减指数 因子的有限记忆 卡尔曼滤波器 的滤波 曲线 ； 二 三 ；； I 。 j 三 一 一 一 一 一 一 。‘ R f 1 ． ． ． ． ． ． ． ． ． 1 ． ． ． ． ． ． ． ． ． ． ． ． ． J ． ． ． ． ． ． ． ． ． ． ． ． ． L ． 。 ． ． ． ． ． ． ． ． J ． ． ． ． ． ． ． ． ． ． ． ． ． L ． ． ． ． ． ． ． ． -． J c 具 备 衰 减 指 数 因 子 的 有 限记 忆 尔 曼 滤 波 器 曲 线 图 5 仿真时间为 6 0 0 s 、 记忆长度 N一5 0时的滤波曲线 卡尔曼滤波均抑制了滤波发散。有 限记忆卡尔曼滤 波在 量 测时 刻到 达记 忆长 度之 前必 须 采用 经典 卡尔 曼滤波 ， 此时误差比较大 ， 而具备衰减指数因子 的有 限记忆 卡尔 曼滤 波加 人 了基 于后 验信 息 的指数 衰减 因子 ， 具有衰减记忆特性 ， 在全区间中以误差 0为中 心的[ 一0 ． 5 1 T I ， 0 ． 5 m] 区间 内波动 ， 降低 了系统模 型 不准 确带 来 的误 差 。记 忆 长 度 结 点 N一 5 0之前 的误差 也得 以削减 ， 但记 忆 长度较 小 时 ， 白噪 声带 来 的随机误差没有得到有效抑制。图 6表明了具备衰 减 指数 因子 的有 限记 忆 卡尔 曼滤 波器 的长 期稳 定 性 好 ， 仿 真时 间为6 0 0 S 时经典 卡尔曼滤 波器 的正 误 g 账 雩 宝 g 鲻 麓 1 5 O l 0 0 5 0 0 - 5 0 0 1 O O 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 时间／ s a 经典 卡尔曼 滤波器 的误差 0 l O 0 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 时间／ s b 有限记忆卡尔曼滤波器 的误差 嚣 一 L _ I _ L _ L 上 _ J 0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 c 具备衰减指数 因子的有限记忆卡尔曼滤波器 的误差 图 6 仿真 时间为 6 0 0 s 、 记 忆长度 N一5 0时 的误差 曲线 差发散至 1 5 0 r n左右， 而具备衰减指数因子 的有 限 记忆卡尔曼滤波器误差仍在[ 一0 ． 5 r n ， 0 ． 5 m] 区间 内， 保证 了估计值 的无偏性 。由图 6可看出， 增大记 忆 长度 可 以减小 白噪 声 的影 响 ， 但相 应 地 会 较 多地 受到 系统 方程 不 准 的影 响 ； 减 小记 忆 长 度 可 以减 弱 由系统方程不准确性 带来 的影 响， 但会使得 系统较 容易受到白噪声的干扰而影响精度 。 4实验 验证 以走廊 为实验场地 ， 通过实验对融合之前基 于 里程传感器推算的运行轨迹和经多传感器信息融合 后的运行轨迹进行对 比验证。假定矿井救灾机器人 初始位置为坐标 原点 ， 以 Y轴正方 向为正 北方 向， 由于无线串口模块 B C 4 1 7的发射功率、 通信距离有 限 ， 故实 验采 用遥 控 机器人 沿 图 7和 图 8 中 AB CD E FGH 轨迹 运 动 的 方 式 进 行 ， 各 点 坐标 依 次 为 A 0 ， 0 ， B 5 ． 4 ， 0 ， C 7 ． 2 ， 0 ， D 9 ， O ， E 9， 一 1 ． 2 ， F 3 ． 6， 一 l _ 2 ， G 1 ． 8， 一 1 ． 2 ， H 0 ， 一1 ． 2 ， 单位 为 r n 。图 7和 图 8中 AB CDEF G H 为 机 器 人 的 实 际 行 进 路 线 ； 图 7中 AB 一C 一D 一E ～F 一G 一H 为机 器 人使用 电子罗盘和里程传 感器推测得 出的行进 轨 迹 。由图 7可 以看 出 ， AB 段 、 B 一C 段 、 G 一 H 段较接近直线 ， 说 明基于里程传感器 的定位 方 法 在行 进 路线 为直 线 的时候 有较 高 的航行 轨迹 推 算 精 度 ； 由 D 一E 段 和 E 一F 段 轨 迹 可 以发 现 ， 机 器人航 向发生突变对加速度传感 器检测 的姿 态角 真实航迹 ⋯⋯．推算航迹 O 2 4 6 8 l o x／ m 图 7 基 于里程 传感器推算的运行轨迹 真实航迹 ⋯⋯ 滤波航 迹 O ． 2 0 0 -2 一 O ．4 g O ．6 ≥ 一0 ．8 一 1 ． O 1 ． 2 1 ． 4 一 1 ．6 O 2 4 6 8 l 0 ／m 图 8 基于多传感器信息融合推算 的运行轨 迹 2 O 2 4 6 8 0 2 4 6 o 加 口 、 2 0 1 5年 第 7期 蔡 李花等 矿 井救 灾机 器人 自主定位 方 法研 究 6 7 产生了影响， 推算的机 器人坐标和实 际坐标之间误 差较大 。为了接近真实 的煤矿井下未知导航环境 ， 在 实验 环境 中添加 了 电磁 干 扰 ， 导 致 电子 罗 盘 所 测 航 向受到影响 ， 如 F 一G 段 。码 盘和里程传感器 的误差会不断累积 ， 当行驶距离较大之后 ， 基于里程 传感器 的定位方法将会 累积 出巨大的误差 ， 导致方 法 失效 。 对 应 于 图 7中列 出 的各 个 坐 标 点 ， 实 际位 置 坐 标和基于里程传感器的航行轨迹推测值的 比较结果 见 表 1 。 表 1 实际位置坐标 和基 于里程传感器 的 定 位 位 置 比较 结 果 I T 1 实际位 置 基于里程传感器的定位位置 定位误差 0 ． 0， 0． 0 5 ． 4， 0 ．O 7 ． 2， 0． O 9 ． 0， 0． 0 9． 0， 一 1 ． 2 3 ． 6， 一 1 ． 2 I ． 8 ， 一 1 ． 2 0 ． 0， 一 1 ． 2 0 ． 0， 0 ． O 3 ． 8 7， 0 ． 0 3 5 ． 3 4， 0 ． 0 2 6 ． 4 2， 一 o ． 0 2 6 ． 1 6， 一 0 ． 9 9 2 ． 0 8， 一 1 ． 3 3 2 。 3 3， 一 l l 2 7 一 1 ． 5 6， 一 1 ． 2 O 图 8中 ， AB2 一C 2 一 D2 一 E 2 一F 2 一G 2 一 H2 为按照多传感器信息融合方法行进的机器人轨迹 。 由图 8可以看出， 使用本 文提 出的具备衰减指数 因 子的有限记忆卡尔曼滤波方法推测的航行轨迹更加 具有全局可靠性 ， D。 一E 。段 、 E 一F 段 和 F 。 一G 2 段 的误 差 相 对 于 D。 一E 段 、 E 一 F 段 和 F 一G 段 更小 ， 滤 波器 滤 除 了电子 罗盘 较 大的 随机 误差 ， 并 削减了陀螺仪和里程传感器 的累积误差 。 对应于图 8中列 出的各个坐标点 ， 实际位置坐 标和基于多传感器信息融合方法 的定位位置的比较 结 果见 表 2 。 表 2 实际位置坐标 和基 于多传感 器信息融合 方法 的定位位置 比较结果 r f i 实 际位 置 信 息融合 位置 定位误差 o ． o， 0 ． 0 5 ． 4， 0 ． O 7 ． 2。 0 ． 0 9 ． o。 0 ． O 9 ． 0。 一 1 ． 2 3 ． 6， 一 1 ． 2 1 ． 8， 一 1 ． 2 0 ． 0， 一 1 ． 2 o ． 0， 0 ． o 4． 1 7 ， o ．0 4 6 ． 5 4， 0 ． 0 2 8 ．5 8 ， 一 0． O3 7 ． 81 。 一 1 ． 2 5 1 ．9 6 ， 一 1 ． 2 5 2 ．2 2 ， 一 1 ． 2 1 一 1 ． 5 2， 一 1 ． 1 7 O ． 4 2 1 1 1 ． 1 9 1 0 5结语 采用具备衰减指数因子的有限记忆卡尔曼滤波 方法对机器人的多传感 器信息进行融合， 提出了基 于多传感器信息融合的航行轨迹推算方法 。Ma t l a b 仿真结果表明， 该方法可稳定实现 0 ． 5 m 的跟踪精 度 ； 实 验结果 表 明 ， 该 方法 实现 了对里 程计 误差 的最 小化控制 ， 提高了矿井救灾机器人的 自主定位精度 。 参 考 文 献 王争． 井下探测机器人控制 系统研制及其运动性 能分 析[ D ] ． 哈尔滨 哈尔滨工业大学 ， 2 0 0 7 ． 钱善华 ， 葛世 荣 ， 王永胜 ， 等． 救 灾机 器人 的研究 现状 与煤 矿救 灾 的应 用 [ J ] ． 机 器 人 ， 2 0 0 6 ， 2 8 3 3 5 0 35 4 ． 赵杰 ， 刘 刚 峰， 朱 磊 ， 等． 基 于 WS N 的矿井 事故 搜索 探测多机器 人系 统 E J ] ． 煤 炭 学报 ， 2 0 0 9 ， 3 4 7 9 9 7 1 00 2． ZHOU F u b a o， W ANG De mi n g ， Z HANG Yo n g j i u ， e t a1 ． Pr a c t i c e o f f i g ht i n g f i r e a nd s upp r e s s i n g e xp l o s i on f o r a s u p e r - l a r g e a n d h i g h l y g a s s y mi n e l- J ] ． J o u r n a l o f C h i n a Un i v e r s i t y o f M i n i n g a n d Te c h n o l o g y， 2 0 0 7 ， 1 7 4 4 5 9 - 4 6 3 ． LU Z h u n， XI ANG Qi a n，XU L a n ．An a p p l i c a t i o n c a s e s t u d y o n mu l t i s e n s o r d a t a f u s i o n s y s t e m f o r i n t e l l i g e n t p r o c e s s mo n i t o r i n g[ J ] ．P r o c e d i a C I R P， 20 1 4， 1 7 7 21 7 2 5． 付 志超 ． 基于信息融合技术 的煤矿井下探测机器人 检 测 系统研究 [ D ] ． 太原 太原理 工大 学， 2 0 1 0 ． 张西 雅． 基于信息融合的汽车防追尾避撞 目标识 别研 究 F D ] ． 郑卅 I 郑 州大学 ， 2 0 1 0 ． KATALI N G， ANDRAS K ， LAS Z L0 D． Un s c e n t e d Ka l ma n f i l t e r s a n d p a r t i c l e f i l t e r me t h o d s f o r n o n l i n e a r s t a t e e s t i ma t i o n [ J ] ． P r o c e d i a T e c h n o l o g y ， 2 01 4， 1 2 65 74 ． L YNCH C， 0MAH0NY M J ， S CUL LY T． S i mp l i f i e d me t h o d t o d e r i v e t h e Ka l ma n f i l t e r c o v a r i a n c e mat r i c e s t o p r e d i c t wi nd s pe e d s f r om a NW P mode l [ J ] ． E n e r g y P r o c e d i a ， 2 0 1 4 ， 6 2 6 7 6 6 8 5 ． KOW NACKI C． Op t i mi z a t i o n a p p r o a c h t o a d a p t Ka l ma n f i l t e r s f o r t h e r e a l t i me a p p l i c a t i o n o f a c c e l e r o me t e r a n d g y r o s c o p e s i g n a l s f i l t e r i n g[ J ] ． Di g i t a l S i g n a l Pr o c e s s i n g ， 2 0 1 1， 2 1 1 1 3 1 1 4 0 ． S AFARI S， SHABANI F， SI M 0N D． M u hi r a t e mu l t i s e n s o r d a t a f u s i o n f o r l i n e a r s y s t e ms u s i n g K a l ma n f i l t e r s a n d a n e u r a l n e t w o r k [ J ] ． A e r o s p a c e S c i e n c e a n d Te c h n o l o g y， 2 0 1 4， 3 9 3 6 5 4 7 1 ． ] ] ] ] ] ] ] ] ] ] ] l 2 3 4 5 6 7 8 9 H [ [ [ [ [ [ [ [ [ [ [ 3 1 1 8 5 6 O 0 O O 7 5 4 0 0 强 趴 鹃 弘 1 1 2 Z 1 O 1 6 3 O O O ∞ 1 0 8 1 3 0 0 O 1 O 1