一种基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法技术

本发明专利技术公开了一种基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法，包括：1)微机器人位置预测器预测；2)微机器人位置核相关滤波检测，得到微机器人的位置；3)通过位置预测器对微机器人的位置自适应校准，得到目标微机器人的准确位置。本发明专利技术能够有效预测目标在不同运动状态下的位置。然后通过KCF算法将预测的位置细化到精确的精度，并根据检测结果对目标的运动状态进行校正。K2CF算法降低了KCF算法的核响应值，提高了其检测精度和跟踪稳定性。性。性。

【技术实现步骤摘要】
一种基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法


[0001]本专利技术涉及微机器人高精度姿态测量领域，具体涉及一种基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法。

技术介绍

[0002]信息，电子和机电一体化等领域的技术发展，使微型机器人在精密操作领域得到了先进的应用，如复杂装配，先进加工，智能制造，自动监控，无损检测，数字打印等。为了完成广泛的精确操作，微型机器人必须规划其运动轨迹并检测控制效果，这需要实时精确的姿态测量。微型机器人的姿态测量技术被广泛地划分为相对定位和绝对定位，然而相对定位姿态测量技术存在测量精度差，无法满足任务需求，不能实时高精度定位等缺点；绝对定位姿态测量技术通常需要信标和全局视觉定位，测量精度高，但需要目标的大小和速度。视觉测量采用目标跟踪算法，广泛应用于无接触条件下高精度和高速的微型机器人的跟踪和定位。
[0003]对于运动目标跟踪算法，一般分为生产模型方法和判别模型方法。生产模型方法对当前帧中的目标区域进行建模，并在下一帧中检测最相似的区域。经典算法主要有粒子滤波跟踪算法，均值移位算法，基于特征点的光流算法。生产模型跟踪算法通过对每个帧图像进行密集或稀疏搜索来检测目标区域。然而，由于计算量过大，它们不适合于大像素图像的快速检测。对于判别模型方法，将目标区域作为正样本，将背景区域作为负样本，用于训练分类器。相关滤波跟踪算法由于计算效率高，循环密集采样，可以实现高精度高速跟踪。亨利克提出了一种用核进行跟踪检测的循环结构。采用循环矩阵实现密集样本，并通过傅里叶变换将计算转化为频域。然后以定向梯度直方图(HOG)作为样本特征(Dalal，N.；Triggs，B。面向人类检测的梯度直方图。在IEEE计算机视觉和模式识别会议记录，圣地亚哥，加利福尼亚州，2005年，pp。886
‑
893，DOI：10.1109/cvpr.2005.177)提出了核化相关滤波器(KCF)跟踪算法(Henriques，J.F.；CaseiroR.；Martins，P。具有核化相关滤波器的高速跟踪。IEEE模式分析和机器智能交易2015，37，583
‑
596，DOI：10.1109/TPAMI.2014.2345390。)。林构建了一系列具有真实地理位置和范围的图像序列数据来分析各种跟踪算法的性能，并在相同的评价准则(吴永强；林杰；杨明宏。目标跟踪基准。IEEE模式分析和机器智能交易，2015，37，1834
‑
1848，DOI：10.1109/TPAMI.2014.2388226)下获得了各种算法的性能。根据它们的结果，KCF跟踪算法对跟踪对象没有要求。它可以通过自学习更新分类器和识别目标。在一定的误差阈值和重叠阈值内，可以对运动目标进行快速检测。
[0004]然而，KCF对遮挡、尺度变化和快速运动非常敏感。为了克服这些困难，现有技术将卡尔曼滤波与KCF相结合，开发了一种新的跟踪方法，克服了遮挡和人交。方法中的KCF基于卡尔曼滤波预测估计目标位置，并相应地更新内核模型。当跟踪器遇到遮挡时，卡尔曼滤波器省略KCF的观测值，并根据先前的状态更新状态。该跟踪器能正确地处理遮挡和人员交叉
任务，但其卡尔曼滤波不能有效地预测快速运动物体的目标信息。当目标靠近或超过边界时，对象信息将被过滤掉。
[0005]显然，边界效应是KCF跟踪算法中的一个主要问题，因为它有误差波动和跟踪损失的风险，特别是对于快速移动的目标。

技术实现思路

[0006]为了实现微机器人的高精度姿态测量，本专利技术提供了一种基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法，能够有效预测目标在不同运动状态下的位置。然后通过KCF算法将预测的位置细化到精确的精度，并根据检测结果对目标的运动状态进行校正。K2CF算法降低了KCF算法的核响应值，提高了其检测精度和跟踪稳定性。
[0007]一种基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法，其特征在于，包括以下步骤：
[0008]1)微机器人位置预测器预测，包括：
[0009]1.1)微机器人的状态由矢量s＝{x,y,v
x
,v
y
}表示，其中x和y是微机器人中心的坐标，v
x
v
y
分别是沿x轴和y轴的速度分量，遵循卡尔曼滤波的基本原理，递归得到微机器人离散动态系统的状态方程为
[0010][0011]其中，s
k|k
‑1是微机器人在时间k上的预测状态，s
k
‑
1|k
‑1是微机器人在时间k
‑
1上的预测状态，A和B是描述微机器人状态转移和状态控制的常数矩阵，u
k
‑1是控制向量，p
k|k
‑1是时间k处的估计协方差矩阵，p
k
‑
1|k
‑1是时间k
‑
1处的预测协方差，Q
k
‑1是状态转移过程中的误差矩阵；
[0012]1.2)通过目标微机器人的目标观测值对目标微机器人的状态进行优化，从而修正估计误差，在离散动态系统中，目标微机器人的状态被修正为
[0013][0014]其中，K
k
是状态增益矩阵，H是观测传递矩阵，H
T
是观测传递矩阵的转置矩阵，p
k|k
是校正目标状态后的协方差矩阵,p
k|k
‑1是时间k处的估计协方差矩阵，s
k|k
表示检测区域在当前帧中的预测位置,s
k|k
‑1是微机器人在时间k上的预测状态，s
k
‑
1|k
‑1是微机器人在时间k
‑
1上的预测状态,γ
k
‑1是k
‑
1时刻微机器人的目标观测值，I是恒等矩阵，R为常数矩阵；
[0015]2)微机器人位置核相关滤波检测，得到微机器人的位置；
[0016]3)通过位置预测器对微机器人的位置自适应校准，得到目标微机器人的准确位置。
[0017]步骤2)中，微机器人位置核相关滤波检测，具体包括：
[0018]2.1)通过式(12)微机器人离散动态系统的状态方程来预测微机器人所在区域的位置，然后在预测状态s
k|k
‑1提取候选测试补丁z，
[0019]利用循环特性，得到一组检测样本；
[0020]{P
u
z|u＝0,1,...,n
‑
1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0021]其中，u表示移位元素，P
u
z表示元素向量z第u次循环移位结果，每个样本z在移位n后周期性地获得；
[0022]2.2)在预测器优化输出微机器人的位置上，从检测样本中提取检测基样本，利用训练好的核相关分类器f(z)＝(K
Z
)
T<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法，其特征在于，包括以下步骤：1)微机器人位置预测器预测，包括：1.1)微机器人的状态由矢量s＝{x,y,v
x
,v
y
}表示，其中x和y是微机器人中心的坐标，v
x
，v
y
分别是沿x轴和y轴的速度分量，遵循卡尔曼滤波的基本原理，递归得到微机器人离散动态系统的状态方程为其中，s
k|k
‑1是微机器人在时间k上的预测状态，s
k
‑
1|k
‑1是微机器人在时间k
‑
1上的预测状态，A和B是描述微机器人状态转移和状态控制的常数矩阵，u
k
‑1是控制向量，p
k|k
‑1是时间k处的估计协方差矩阵，p
k
‑
1|k
‑1是时间k
‑
1处的预测协方差，Q
k
‑1是状态转移过程中的误差矩阵；1.2)通过目标微机器人的目标观测值对目标微机器人的状态进行优化，从而修正估计误差，在离散动态系统中，目标微机器人的状态被修正为其中，K
k
是状态增益矩阵，H是观测传递矩阵，H
T
是观测传递矩阵的转置矩阵，p
k|k
是校正目标状态后的协方差矩阵,p
k|k
‑1是时间k处的估计协方差矩阵，s
k|k
表示检测区域在当前帧中的预测位置,s
k|k
‑1是微机器人在时间k上的预测状态，s
k
‑
1|k
‑1是微机器人在时间k
‑
1上的预测状态,γ
k
‑1是k
‑
1时刻微机器人的目标观测值，I是恒等矩阵，R为常数矩阵；2)微机器人位置核相关滤波检测，得到微机器人的位置；3)通过位置预测器对微机器人的位置自适应校准，得到目标微机器人的准确位置。2.根据权利要求1所述的基于卡尔曼滤波的微机器人高精度姿态测量相关滤波方法，其特征在于，步骤2)中，微机器人位置核相关滤波检测，具体包括：2.1)通过式(12)微机器人离散动态系统的状态方程来预测微机器人所在区域的位置，然后在预测状态s
k|k
‑1提取候选测试补丁z，利用循环特性，得到一组检测样本；{P
u
z|u＝0,1,...,n
‑
1}
ꢀꢀꢀꢀꢀ
(13)其中，u表示移位元素，P
u
z表示元素向量z第u次循环移位结果，每个样本z在移位n后周期性地获得；2.2)在预测器优化输出微机器人的位置上，从检测样本中提取检测基样本，利用训练好的核相关分类器f(z)＝(K
Z
)
T
α对微机器人位置进行检测，响应最大位置即为微机器人的位置，其中f(z)表示元素向量z的所有循环移位向量输出响应，K是核相关矩阵，z是检测样本，K
Z
是循环矩阵，(K
Z
)
T
是循环矩阵的转置矩阵，α是回归分类器中的参数是循环矩阵。3.根据权利要求2所述的基于卡尔曼滤波的微机...

【专利技术属性】
技术研发人员：张恒，张立彬，胥芳，占红武，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：