[论文解读] Adaptive Neuro-Fuzzy Extended Kalman Filtering for Robot Localization

Ramazan Havangi, Mohammad Ali Nekoui+1 more|arXiv (Cornell University)|Apr 19, 2010

Target Tracking and Data Fusion in Sensor Networks参考文献 8被引用 7

一句话总结

本文提出了一种自适应神经模糊扩展卡尔曼滤波（ANFEKF）框架，通过自适应神经模糊推理系统（ANFIS）在线估计过程噪声协方差矩阵（Qk）和测量噪声协方差矩阵（Rk），以提升移动机器人定位性能。ANFIS通过最速梯度下降法进行训练，以最小化理论与实际创新协方差之间的差异，从而在噪声统计不确定条件下增强EKF的鲁棒性。仿真结果表明，与标准EKF相比，该方法在估计精度和稳定性方面均有显著提升。

ABSTRACT

Extended Kalman Filter (EKF) has been a popular approach to localization a mobile robot. However, the performance of the EKF and the quality of the estimation depends on the correct a priori knowledge of process and measurement noise covariance matrices (Qk and Rk, respectively). Imprecise knowledge of these statistics can cause significant degradation in performance. This paper proposed the development of an Adaptive Neuro- Fuzzy Extended Kalman Filtering (ANFEKF) for localization of robot. The Adaptive Neuro-Fuzzy attempts to estimate the elements of Qk and Rk matrices of the EKF algorithm, at each sampling instant when measurement update step is carried out. The ANFIS supervises the performance of the EKF with the aim of reducing the mismatch between the theoretical and actual covariance of the innovation sequences. The free parameters of ANFIS are trained using the steepest gradient descent (SD) to minimize the differences of the actual value of the covariance of the residual with its theoretical value as much possible. The simulation results show the effectiveness of the proposed algorithm.

研究动机与目标

• 为解决扩展卡尔曼滤波（EKF）在机器人定位中因过程和测量噪声协方差矩阵（Qk和Rk）先验知识不准确而导致的性能下降问题。
• 开发一种自适应机制，在EKF算法的测量更新步骤中实时估计Qk和Rk。
• 利用自适应神经模糊推理系统（ANFIS）减少理论与实际创新序列协方差之间的不匹配。
• 通过最速梯度下降法训练ANFIS的自由参数，以最小化实际残差协方差与理论期望之间的差异。

提出的方法

• ANFEKF框架将自适应神经模糊推理系统（ANFIS）与扩展卡尔曼滤波（EKF）相结合，实现对噪声协方差矩阵Qk和Rk的在线估计。
• ANFIS利用模糊逻辑规则与神经网络学习方法，建模系统状态与噪声统计之间的非线性关系。
• 通过最速梯度下降算法更新ANFIS参数，以最小化理论与实际创新序列协方差之间的误差。
• 创新序列通过实际测量与预测测量之间的差值得到，其协方差与理论值进行比较。
• 训练目标是最小化实际残差协方差与理论期望之间的差异，从而提升EKF的鲁棒性。
• 该方法在EKF的测量更新阶段应用，动态调整每个采样时刻的Qk和Rk。

实验结果

研究问题

• RQ1 当过程和测量噪声统计特性不确定或时变时，自适应机制是否能提升EKF在机器人定位中的性能？
• RQ2 ANFIS系统在多大程度上能有效估计时变的Qk和Rk矩阵，以减少基于EKF的定位中的估计误差？
• RQ3 最小化理论与实际创新协方差之间差异在多大程度上能提升定位精度与稳定性？
• RQ4 在噪声或不确定性条件下，ANFIS与EKF的集成是否能实现比标准EKF更快的收敛速度和更低的发散风险？

主要发现

• 所提出的ANFEKF方法显著减少了理论与实际创新协方差之间的不匹配，相较于标准EKF有明显改善。
• 仿真结果表明，在噪声不确定性条件下，该方法在机器人定位中表现出更高的估计精度与鲁棒性。
• 基于ANFIS的Qk和Rk矩阵自适应调整，显著加快了状态估计的收敛速度并减少了发散现象。
• ANFIS参数的最速梯度下降训练方法能有效最小化实际与理论残差协方差之间的差异。
• 即使初始噪声协方差估计不准确或存在失配，该方法仍能保持稳定性能。
• 仿真实验验证表明，ANFEKF在定位精度和抗噪声不确定性方面均优于传统EKF。