gps导航的定位原理 里程计、IMU惯性传感器以及光电编码器等(2)

根据不同定位方法应用的数理基础，移动机器人定位方法又可分为基于贝叶斯滤波理论的定位方法、基于模糊理论的定位方法和基于灰色定性理论的定位方法。其中，基于贝叶斯巧波理论的定位方法主要包括基于ＫＦ及其改进算法的定位和基于马尔可夫理论的定位，基于模糊理论的方法又可分为基于模糊理论的路标定位方法、基于模糊卡尔曼滤波的定位方法和基于模糊神经网络的定位方法。gps导航的定位原理

为了克服里程计的建模误差和随机的轮子滑动等影响针对系统建模和传感器测量过程中的各种不确定性，提出了各种基于概率统计的定位方法。

一类就是基于滤波估计的定位方法。通过对系统方程进行线性化，运用卡尔曼滤波及其变种技术对机器人的位置进行滤波估计，比如：有 Extended Kalman Filter（EKF），Kalman Filter (KF)，Unscented Kalman Filter (UKF)定位方法。

另一类是基于贝叶斯推理的定位方法。运用栅格和粒子来描述机器人位置空间，并递推计算在状态空间上的概率分布，比如Markov Localization (MKV)，Monte Carlo Localization (MCL)定位方法。

通过把相对定位和绝对定位方法进行组合，最简单的方法就是对不同的传感器数据进行加权平均，这种方法的可靠性较低，局限性大。基于统计学的方法有Ｋａｌｍａｎ滤波、Ｍａｒｋｏｖ方法和Ｍｏｎｔｅ Ｃａｒｌｏ方法等。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-58486-2.html