卡尔曼滤波在机器人视觉领域的应用（四）

今天是端午节，祝你端午节快乐~

这篇是《卡尔曼滤波在机器人视觉领域的应用》系列的第四部分，明天推送最后一部分，之后会开始新的篇章，走起~

方法和解决方案

机器人视觉中的应用

卡尔曼滤波应用于各个研究领域：姿态估计、跟踪、匹配、配准等。通过分析与飞行区域数字高程图相关的摄像机成像几何而建立EKF的状态和观测模型，有助于控制估计误差积累。对于一个 络同步相机的视觉伺服系统，量测误差方差直接用于卡尔曼滤波器。滤波器通过分析每个相机的反馈提供改善的位置估计。滤波器通过对视觉传输演示建模以提供适时地的估计，保证了平面机器人的直接视觉伺服和稳定。

S.Holmes提出了一种MD-KKF算法用于解决机器人操作中关节传感器直接测量不准确的问题。MD-KKF能够快速准确的恢复采样值，补偿提供末端执行器状态信息的视觉传感器的测量延时。通过融合视觉传感器、加速度计和陀螺仪的测量信息实现。MD-KKF算法可以用于很多应用场景，例如高速视觉伺服、机器人操作的高性能轨迹学习、以及需要精确速度信息的控制决策。

T.Chi-Yi等的视觉跟踪控制系统由跟踪控制器和视觉状态估计器构成。视觉状态估计器用于估计最优的系统状态和目标图像速度，输出信息用于视觉跟踪控制器。要实现该目标，提出了一种自整定卡尔曼滤波，用于估计需要的参数，克服临时遮挡影响。基于UKF的多假设跟踪算法可以用于跟踪多个操纵飞球的每个轨迹、丢失和错误检测，包括轨迹的起点和终点。

B.协方差估计

为了有效的使用卡尔曼滤波跟踪，必须优化噪声协方差。Ramakoti等人提出了使用粒子群优化算法整定目标跟踪中卡尔曼滤波的噪声协方差。F.Aghili and K. Parsa提出了一种噪声自适应卡尔曼滤波算法，用于运动估计和在邻近轨道观测的自由落体翻滚卫星预测。系统的一种离散时间模型包括状态转移矩阵和过程噪声协方差，该模型是解析形式（closedform）。对于实时场景的卡尔曼滤波，这个推导是必须的。

由测距传感器（range-sensor）得到的距离和角度噪声决定了EKF环境线观测的协方差，该协方差在EKF校正环节构成输出噪声协方差矩阵。该方法表明在SLAM算法中，使用经典最小二乘减少了其定位算法的计算量。MEKF被开发用于线性化三维欧式直线运动，能够在计算卡尔曼增益时避免奇点，并且可以实时估计平移和旋转变换。MEKF也可以用于估计动态运动问题。对于已经校准的系统，MEKF能够精确的估计出相对位置。

平方根滤波器能够保证协方差矩阵非负定，在SLAM算法中引入平方根UKF以保证其稳定性。该算法相对于基于UKF的SLAM算法，能够获得更为准确的估计结果。EKF算法有其固有的缺点，例如SLAM的发散。M.Xujiong等人提出了一种MV-EKF算法，能够改善单目SLAM性能。室内图像序列实验表明，该算法能够提高路标的收敛性。

Pornsarayouth和Wongsaisuwan研究了基于移动协方差（moving covariance）卡尔曼滤波的延时与非延时信号传感器融合。Talu等人提出一种方法，由一组EKF检测和隔离故障传感器。这些EKF根据系统动力学设计了一种新的协方差矩阵初始化方法。该方法最终形成了快速收敛卡尔曼滤波算法，根据协方差矩阵迅速检测传感器故障。该非线性滤波器通过其快速收敛能力和数值稳定的鲁棒性（robustnessof numerical stability）改善了估计精度。

C.参数优化

Correa和 Soto 考虑了优化函数中的成本项，有利于高效的感知行为。与标准EKF对比的结果表明机器人定位精度和效率都得到显著提升。

对于视觉伺服系统，F.Janabi-Sharifi and M. Marey结合了噪声自适应机制与迭代测量线性化，提出了一种IA-EKF算法。SKF引入三个协作成分，用以克服预测问题。一个预测监视器检测AKF的预测质量。如果检测到中断，过渡滤波器转换到一个适当的稳态卡尔曼滤波器。在转换期间，用一个辅助控制器保证总体控制的连续性。

对于主动视觉系统的注意对象检测，使用卡尔曼滤波器自顶向下递增的估计和融合信息；使参数能够自适应由于机器人移动引起的环境变换。为了能够建模与复现人类头部运动，提出了迭代EKF算法在预测姿态进行线性化。适当的将状态协方差的变换引入系统，能够有效的恢复和跟踪人类头部姿态。

文献提出了一种通过补偿机器人里程计误差改善NN-EKF精度的方法。神经 络（NN）因其可训练性，能够在没有任何先验知识的情况下适应机器人系统误差。具有神经 络辅助EKF的SLAM算法在有色噪声或系统性偏差误差下，比常规EKF方法更有效。

D.多模型

在一些复杂的任务重，单个卡尔曼模型无法很好的解决问题。例如在水下环境实现SLAM时采用了两个EKF。第一个EKF用于估计机器人行进的局部路径及其不确定性，同时形成扫描，为校正机器人运动产生的声图像（acousticimages）畸变提供位置估计。第二个是增广状态EKF用于估计和保持注册的扫描姿态。对于具有全向立体视觉的SLAM，使用两个EKF估计出可靠的机器人轨迹，和更好的具有更多路标的环境地图。第一个双目估计器专注于机器人轨迹。第二个单目估计器用于地图构建。

Quinlan和Middleton从机器人足球世界杯中发现大多数定位算法可以大致分为基于粒子的滤波器和卡尔曼类滤波器，包括扩展和无迹变体。他们讨论了RoboCup平台联盟的多模型卡尔曼滤波器，并展示了在感知数据高度多模态时怎样使用。他们还对定位进行了简要的比较。

在文献[中提出了一种城市环境三维定位算法，需要融合GPS、惯性传感器和视觉量测。该混合传感器可用于户外移动增强现实和三维机器人定位。该方法使用非线性滤波的多速率EKF融合这些互补传感器。一种用于室内环境单目SLAM的Rao-Blackwellised粒子滤波算法。该滤波器与UKF相结合，通过融合当前观测对新姿态采样。通过无迹变换和EKF实现路标位置估计。

E.信息融合

卡尔曼滤波对于多个异类传感器的信息融合是十分有用的，例如视觉与激光融合，或者视觉与里程信息融合。一种基于自适应肤色搜索的实时人脸跟踪算法，用以克服有光源变化引起的肤色改变。视觉状态估计器还可以通过结合卡尔曼滤波与回声状态 络自整定算法，以增加有色观测噪声的鲁棒性。对于飞行机器人的三维姿态估计，Kyriakoulis和Gasteratos使用低成本彩色贴纸作为标记，使用EKF融合误差，并融合两个异类量测的数据。该系统计算量小、可实时操作、精度高。

Changmook等人使用一个视觉传感器系统和一个激光测距仪，通过传感器融合检测直线，实现移动机器人的无人导航。每个传感器系统运行自身的EKF，估计出直线的距离和方向。对于自动楼梯攀爬，使用基于四元数的EKF姿态估计，并把三轴陀螺仪测量的旋转速度和机载摄像机检测的楼梯边缘信息进行融合。

使用EKF融合了视觉特征与里程计信息，使得其能够在机器人移动时完成摄像机的自动外部校准。一种使用人工信标的HEKF定位算法。该算法用以克服一些EKF限制，例如不稳定状态的解决方案。Karras等人提出了一种应用于水下机器人的视觉伺服控制方案。机器人状态的在线估计使用异步UKF，通过融合激光视觉系统数据与IMU信息实现。

融合信息并不是简单的将受力与视觉信息叠加，因为这些传感器本质上是不同的感知模式，没有共同的表示法。触觉和视觉的量测信息融合能够得到移动目标精确的姿态估计。通过假设目标形状和传感器不确定性，可以在EKF中融合这些量测。

对于视觉和惯性数据的融合，EKF可以将多种类型的视觉特征观测和IMU量测紧耦合。滤波器能够以资源自适应、实时的方式，精确估计出着陆器的地形相对位置、姿态和速度。其他卡尔曼滤波器用于IMU数据融合、以及几何一致性验证的分布式视觉路标匹配性能。卡尔曼滤波器还可以融合GPS与视觉系统的数据，得到其环境中相对于目标的车辆定位。

#泡泡唠叨话#