Диссертация (1025035), страница 11

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 11)

Подобная КНС может не только обеспечитьобнаружение и изоляцию навигационной информации с низкой достоверностью наоснове остаточных ошибок теста «хи-квадрат» и результата теста «хи-квадрат» сдвумя прогнозами состояния, но и использовать достоинства различных датчиковдляповышениядостоверностинавигационнойинформации.Результатымоделирования в системе Matlab и макетирования в естественной средепоказывают, что предлагаемая система имеет высокую точность навигации ивозможность обнаружения и изоляции неисправностей.

Схема КНС показана наРис. 3.1, где Z A , ZG , ZS – выходные сигналы визуальной навигационной системы,спутниковой навигационной системы GPS и БИНС с ошибками; hB , hR – выходныесигналы барометрического высотометра и радиовысотомера с ошибками; ZO –наблюдаемаянавигационнаяинформацияпослеслиянияданных;Xr –навигационная информация с фильтра Калмана; M – матрица обнаружениянеисправности; пунктирными линиями обозначены сигналы, которые могутотсутствовать.81Рис. 3.1. Схема КНС3.1. Улучшения алгоритма EKF-SLAM для визуальной навигационнойсистемы квадрокоптераВ результате анализа в параграфе 1.3.2 мы выяснили, что в открытой сложнойсреде одновременно с приращением числа наблюдаемых ориентиров будет такжепостоянно увеличиваться размер вектора состояния системы.

Вычислениековариационной матрицы и матрицы Якоби будет резко усложняться, ошибкивычисления матриц Якоби – увеличиваться, что приведет к снижениюэффективности работы алгоритма и точности позиционирования. Кроме того,существующие алгоритмы ассоциации данных для алгоритма SLAM не могутсоответствовать требованию высокой скорости вычисления ВНС для БПЛА втрѐхмерной среде. Для решения этих вопросов в нашей работе предлагаетсяулучшенный алгоритм EKF-SLAM с адаптацией зоны наблюдения и локальнойассоциации данных на основе улучшенного МА.3.1.1. Алгоритм EKF-SLAM с адаптационным диапазоном наблюденияВ настоящей работе предлагается усовершенствовать алгоритм EKF-SLAMпутѐм адаптивных ограничений зоны наблюдения (Adaptive observation Range – AR,82аббревиатура с учѐтом этих усовершенствований – AR-SLAM-EKF) и удаления изалгоритмарасчѐтаориентиров,оказавшихсяизбыточными.Предложеныалгоритмы динамического изменения размеров зоны наблюдения и определенияизбыточности обнаруживаемых ориентиров.

Предлагаемый алгоритм может бытьприменѐн в трѐхмерной среде для БПЛА, а также - использовать характерные точкиокружающей среды в качестве ориентиров. Приведены описание математическоймоделидвижения,используемойвалгоритме,процедурарасширеннойКалмановской фильтрации для рассматриваемой задачи и предлагаемые улучшения.Задачу ассоциации данных SLAM можно представить как задачу оптимизации.Одним из широко используемых алгоритмов оптимизации является муравьиныйалгоритм,обладающийсвойствамиположительнойобратнойсвязиивозможностью параллельного поиска, из-за чего этот алгоритм может бытьиспользован для решения задачи ассоциации данных SLAM.

Но традиционныймуравьиный алгоритм может в процессе поиска легко попасть в локальныйоптимум. Избежать локального оптимума можно добавлением в процессобновленияглобальногоферомонаслучайноговозмущения.Установкаограничения феромона на маршруте позволяет расширить пространство поиска иупростить обнаружение оптимального маршрута. Результаты моделированияпоказывают, что эти усовершенствования могут эффективно улучшить точностьпозиционирования и эффективность планирования маршрута в целом.Структура усовершенствованного алгоритма приведена на Рис. 3.2.Рис.

3.2. Структура алгоритма AR-EKF-SLAM83Суть алгоритма состоит в использовании локальной круговой карты (вместообычной прямоугольной) для текущей оценки координат аппарата и локализациизоны используемых ориентиров в глобальной системе координат, с одновременнымобновлением глобальной карты. Принцип локализации зоны наблюдения показанна Рис. 3.3, где S – круговая локальная карта; S1 – диапазон наблюдения; S 2 –дополнительный диапазон. Чѐрные точки – ориентиры.Рис. 3.3.

Круговая локальная карта и диапазон наблюденияЕсли не менять радиус локальной карты, то возможны следующие проблемы:1. В среде с редкими ориентирами число наблюдаемых ориентиров в областиS1 может оказаться слишком малым, даже равным нулю, из-за чего невозможноуточнение позиционирования, т.е. ошибка предсказания будет продолжатьнакапливаться.2. В среде с множественными ориентирами число ориентиров в области Sможет оказаться слишком большим, многие из этих ориентиров будутизбыточными для позиционирования робота, что приведет к увеличениюразмерности вектора состояния и повлияет на скорость вычислений.3. Если диапазон наблюдения является слишком большим, то достоверностьнаблюдения отдаленных ориентиров снижается, что повлияет на точностьпозиционирования робота.Для решения этих проблем предлагается алгоритм EKF-SLAM с адаптациейобласти наблюдения в зависимости от состояния потока поступающих ориентиров.Если число ориентировNumв наблюдаемой области S1 меньше, чемминимально необходимое для надѐжной коррекции прогнозируемого вектора84состояния число ориентиров Num min ( Num  Num min ), и радиус наблюдения Rменьше, чем максимальный радиус Rmax надѐжного наблюдения ( R  Rmax ), топредлагается увеличить радиус локальной карты.

Если число ориентиров больше,чем максимальное число ориентиров Num max , позволяющее избегать чрезмернойизбыточности коррекции ( Num  Num max ), или радиус наблюдения больше, чеммаксимальный радиус надежного наблюдения ( R  Rmax ), то предлагаетсяуменьшатьрадиуслокальнойкарты.КогдачислоориентировNum min  Num  Num max и R  Rmax , то радиус локальной карты остаѐтсянеизменным. Соответствующая диаграмма переходов показана на Рис. 3.4.Рис. 3.4. Диаграмма изменения радиуса локальной картыМножество состояний изменения радиуса локальной карты Q  q1, q2 , q3, гдеq1 – увеличение радиуса; q2 – уменьшение радиуса; q3 – сохранение радиуса.Множестводискретныхсобытий,W  w12 , w13, w21, w22 , w31, w32 , гдесоответствующихмножествуQ,wmn – переключение из m в n ;m, n  1,2,3.Для иллюстрации работоспособности предлагаемых улучшений проведеномоделирование динамического планирования маршрута на двухмерной карте сослучайным образом сгенерированными ориентирами.

Карта (см. Рис. 3.5) включаетв себя в общей сложности 71 ориентир, (на рисунке они показаны звездочками).Движение начинается из начала координат, начальный радиус локальной карты 25м, угол наблюдения 180°, скорость движения 3 м/с, минимальное число ориентировдля надѐжной коррекции прогнозируемого вектора состояния Num min  5 ,максимальное число ориентиров для избежания чрезмерной избыточностикоррекцииNum max  10 ,максимальныйрадиуснадѐжногонаблюдения85Rmax  35 м, шаг одноразового изменения радиуса локальной карты R  0,5 м.Моделирование проводилось в среде MATLAB.На Рис.

3.5 толстой пунктирной линией представлен заданный маршрут;толстая сплошная линия показывает спрогнозированную с помощью алгоритмаEKF-SLAM траекторию; толстыми эллипсами показаны ковариационные эллипсыориентиров,характеризующиенеопределѐнностикоординаториентиров;пунктирные эллипсы – ковариационные эллипсы квадрокоптера, характеризующиенеопределенностьегоположений;треугольник–реальноеположениеквадрокоптера. Для сравнения показаны результаты моделирования для трехслучаев планирования алгоритмом EKF-SLAM: с малым (5 м), большим (50 м) иадаптивнымдиапазономнаблюдения.Тонкимипрямымиобозначеныиспользуемые на шаге прогноза позиции квадрокоптера и ориентиров.10y, m0-10-20-30-1001020x, m304050(а) Диапазон наблюдения 5 м, время моделирования 17,044831 с1050y, m-5-10-15-20-25-30-35-1001020x, m304050(б) Диапазон наблюдения 50 м, время моделирования 42,494661 с861050y,m-5-10-15-20-25-30-35-1001020x,m304050(в) Адаптивный диапазон наблюдения, время моделирования 10,765785 сРис.

3.5. Результаты моделирования траекторий движения квадрокоптера:знаки «»– ориентиры в среде; знаки «+» – предсказанные ориентиры;сплошные эллипсы – ковариационные эллипсы положения квадрокоптераКак видно из результатов моделирования, при малом диапазоне наблюденияобеспечиваетсядостаточномалоевремяпроцесса,норазницамеждупредсказанной траекторией и заданным маршрутом весьма существенная,предсказания положений квадрокоптера и ориентиров также имеют большуюпогрешность относительно реальных, обнаружено только 19 ориентиров, т.е.информация обо всей карте явно недостаточна. Алгоритм EKF-SLAM с большимдиапазоном наблюдения даѐт возможность предсказать точную траекторию иполучить полную карту, но время моделирования слишком большое.

АлгоритмEKF-SLAM с адаптивным диапазоном наблюдения, когда используется неглобальная, а локальная карта и ограничено количество ориентиров в диапазоненаблюдения, позволил уменьшить размерность вектора состояния и векторанаблюдения системы, что значительно увеличило скорость и улучшило точностьрасчѐта. Полную карту можно получить сращиванием локальных карт.На Рис. 3.6 показаны изменения размера вектора состояния системы.размер вектора состояния87150R=5mАдаптивный RR=501005000200400600800 1000 1200Номер итераций14001600Рис. 3.6. Размеры вектора состояния системыКак видно из рисунка, для традиционного алгоритма EKF-SLAM размервектора состояния растѐт с увеличением числа итераций, что сильно влияет наскорость вычислений.

При изменении радиуса локальной карты в предлагаемомалгоритме, с учѐтом ограничения R  Rmax , размер вектора состояния системынаходится в определѐнных пределах.радиус локальной картыИзменения радиуса локальной карты показаны на Рис. 3.7.2422201816140200400600800 1000Номер итераций120014001600Рис. 3.7. Изменения радиуса локальной картыДля сравнения точности позиционирования традиционным и предлагаемымалгоритмами на рис.

Характеристики

Список файлов диссертации