四足机器人中多传感器信息融合的应用

　　3.3确定卡尔曼滤波算法的初始值

　　卡尔曼滤波算法作为一个迭代过程，需要赋予其初值，初值的选择至关重要，如果初值选择不合适，就不能满足收敛性的要求。在CV模型中，P(0|0)的确定方法已经由模型给出，这里只需给出X(0|0)的取值，本文中取X(0|0)=[10，-0.4]'.

　　4仿真实验与结果分析

　　在完成上述准备工作后，笔者在Matlab软件中进行仿真实验，仿真实验流程如图3所示。

　　图3仿真实验流程图

　　根据仿真实验流程图，在Matlab中先对模拟出的目标位置信息进行卡尔曼滤波处理，如图4和图5所示，这里的目标指的是所测障碍物。首先，从图4和图5可以看出：经卡尔曼滤波处理后的目标位置的估计值在前2 s偏离真实值较远，从第4 s以后，无论观测值如何波动，估计值曲线均能很好地跟踪真实值曲线，说明卡尔曼滤波算法起到了良好的滤波效果。

　　将融合处理前后，目标位置的估计值曲线和目标位置估计值的方差曲线分别置于同一幅图中，如图6所示，通过对比反映STF融合算法的优点。从图6( b)中可以看出：融合处理后，目标位置估计值的方差变小，说明融合处理后对目标位置的估计更加准确。从图6中可以发现，融合曲线介于双目视觉传感器的估计值曲线和超声测距传感器的估计值曲线之间，且更加靠近准确度高的超声测距传感器的估计值曲线。

　　在本文所引文献中，实验验证环节均在具体的应用场景下进行，实验结果是移动机器人能够进行无碍行走，文中均未给出具体的测量精度。本文仿真实验的结果表明：融合处理后，测量精度可达4.6 cm，满足了仿生四足机器人对测距的精度要求。

　　图4双目视觉传感器系统的卡尔曼滤波

　　图5超声测距传感器系统的卡尔曼滤波

　　图6融合前后目标位置估计值曲线和方差曲线的对比