一种移动机器人跟踪机动目标的方法

　　运动目标跟踪的理论和方法已取得很大发展,而将其应用在移动机器人技术上还是一个新兴的研究方向。目前付诸于工程实践的主要是一些针对特定场合或特殊应用,例如机器人足球[1]、水下机器人[2]及机器人追捕[3]等。移动机器人对运动目标的跟踪是一个复杂的过程,它包括目标观测、目标建模、状态估计及预测等多方面内容。运动物体分为非机动和机动两种,对非机动目标的建模相对较为简单,而对机动目标进行理想的建模则变得相当困难。

　　文中针对机器人跟踪机动目标,提出了探测机动目标,获取其空间定位,并跟踪该目标预估运动速度、加速度的方法。文中使用的机器人上装备激光扫描仪和视觉传感器协同定位目标,获取观测量。采用“当前”统计模型建模机动目标的运动状态,使用自适应卡尔曼滤波算法进行目标估计、预测。本方案具备以下特点:

　　1)将机动目标跟踪理论应用到机器人目标跟踪,这种方法还可扩展到机器人追捕、机器人避障等方面。

　　2)提出了一种利用单目视觉进行目标检测获取目标方位信息,再融合激光测距信息进行观测定位。这种方法不同于传统的视觉传感器与距离传感器的融合方式。

　　3)在实际机器人平台上进行整个方案的实验,验证了方案实际应用的可行性。

　　1　“当前”统计模型的自适应卡尔曼滤波

　　1.1　机动加速度的“当前”概率密度

　　当目标“当前”加速度为正时,概率密度函数为[4]

　　1.2　机动加速度的非零均值时间相关模型

　　当前统计模型概念下的加速度非零均值时间相关模型为[4]

　　式中,x(t)为目标位置;a(t)为零均值有色加速噪声;-a为机动加速度均值,且在每一采样周期内为常数;a为机动时间常数的倒数;ω(t)是均值为零,方差为σ2w=2ασ2a的白噪声,σ2a为目标加速度方差。加速度时间相关模型可写为

　　1.3　自适应卡尔曼滤波算法

　　1.3.1　状态方程　考虑非零加速度均值,一维情况下离散状态方程为

　　W(k)是均值为0、方差为Q(k)的离散时间白噪声。

　　1.3.2　观测方程　通过机器人外部传感器,可以直接观测出目标的空间坐标,观测方程为

　　V(k)是均值为0、方差为R(k)的高斯白噪声。

　　1.3.3　自适应滤波算法　把¨x(k)的一步预测¨x^(k/k-1)看作在kT瞬时“当前”加速度即随机机动加速度的均值,就可得到加速度的自适应算法。采用上面的状态方程及观测方程,卡尔曼滤波方程可描述为