一种基于神经网络PID的机器人SLAM改进算法

  • 一种基于神经网络PID的机器人SLAM改进算法已关闭评论
  • 29 views
  • A+
所属分类:AGV设计资料
摘要

提出了一种基于神经网络PID自适应辨识噪声的移动机器人即时定位与地图创建(SLAM)改进算法。重点对自适应辨识的EKF-SLAM改进算法实现进行了分析,神经网络PID控制器、中值滤波以及噪声调整等组成噪声在线辨识单元。在噪声先验信息不足的情况下,通过自适应在线辨识单元辨识未知系统过程噪声和观测噪声,并迭代修正噪声协方差和平均值滤波新息协方差,实现机器人即时定位精度的在线提高。仿真结果表明,该算法可减小定位误差、降低未知系统过程噪声和观测噪声对SLAM算法的影响。

目前移动机器人领域研究热点之一是即时定位与地图创建( Simultaneous Localization and Mapping,SLAM) 问题,特别是户外未知环境下噪声未知的情况下 SLAM 研究。扩展卡尔曼滤波( Extended Kalman Filter,EKF) 是解决 SLAM 问题的经典算法,卡尔曼滤波要求噪声协方差信息精确,噪声先验信息不正确会降低状态估计精度。文献研究了提高观测精度等的方法,但当机器人处于户外未知环境中,系统未知噪声是其中需要解决的重要问题。有研究者提出 SLAM 在未知观测噪声的环境下,先假设观测噪声为允许的较大值,利用新息的理论值与实际值差异来调整观测噪声协方差。有些研究者提出 PID 自适应控制方法,具有神经网络的非线性映射能力、学习能力和自适应性。

本文提出一种基于神经网络 PID 的自适应在线辨识的机器人 SLAM 算法,机器人SLAM 在线辨识噪声的同时进行即时定位与地图构建,在未知噪声协方差情况下,预设噪声协方差为较大值,将新息的实际协方差与理论协方差输入神经网络 PID 自适应控制器,不断修正噪声协方差,减小定位误差。

1 神经网络 PID 机器人 SLAM 改进算法

1.1 神经网络 PID 控制

神经网络应用于 PID 控制是一种改进和优化算法。

传统 PID 控制器算式如下:

一种基于神经网络PID的机器人SLAM改进算法

抱歉,此资源仅限赞助会员下载,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。