基于卡尔曼滤波的协作定位

卡尔曼滤波器在机器人领域被广泛应用于修正测量误差。例如，设想一个户外机器人需要精确预测自身位置。该机器人配备了GPS，并能够测量轮子的速度（里程计）。仅依靠GPS会导致测量不精确，而仅使用里程计则会导致估计逐渐偏离。卡尔曼滤波器的作用就是将里程计的信息与GPS测量结果相结合。在机器人的每一步控制中，它会根据给定的命令预测未来的传感器读数，然后利用预测值与实际传感器读数之间的差异来更新滤波器。通过这种方式，机器人能够随着时间的推移改进位置估计。

在Huang等人的研究中，室内机器人群体利用一种特殊类型的卡尔曼滤波器，即“扩展卡尔曼滤波器”，来估计其全球位置与方向。由于缺乏GPS或环境地标，机器人通过使用里程计和测量与邻近机器人的相对位置来“协同定位”。然而，当测量信息不足以支持预测时，卡尔曼滤波器面临挑战。例如，传感器测量可能只提供纠正位置估计的有效信息，而无法提供全球方向的信息。在这些情况下，系统变得“不可观测”，从而导致卡尔曼滤波器产生不一致性。

为了克服这一挑战，Huang等人提出了两种方法来扩展卡尔曼滤波器，从而限制系统的可观测性。结果通过仿真以及四个Pioneer I机器人的实验得以验证，这些机器人成功地估计了它们的姿态。里程计测量来自轮编码器，相对位置是通过顶部摄像头计算得出的，机器人上方的矩形标记如图所示。结果表明，所开发的两种算法均优于标准的扩展卡尔曼滤波器。

未来，研究人员希望将他们的方法扩展到三维定位。