文献类型：期刊文章

作　　者：班朝[1,2] 任国营[2,3] 王斌锐[1] 陈相君[3]

Ban Zhao;Ren Guoying;Wang Binrui;Chen Xiangjun(College of Mechanical and Electrical Engineering,China Jiliang University,Hangzhou 310018,China;National Institute of Metrology,Beijing 100029,China;State Key Laboratory of Precision Measurement Technology and Instrument,Tianjin University,Tianjin 300072,China)

机构地区：[1]中国计量大学机电工程学院,杭州310018 [2]中国计量科学研究院,北京100029 [3]天津大学精密测试技术及仪器国家重点实验室,天津300072

出　　处：《仪器仪表学报》

基　　金：国家重点研发计划(2018YFF0212702)项目资助.

年　　份：2020

卷　　号：41

期　　号：2

起止页码：33-39

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了实现机器人运动学参数标定,提出一种用惯性测量单元(IMU)实时获取其末端姿态信息的方法。然而,IMU在进行机器人动态姿态测量时,存在加速度计信号中有害加速度(除重力加速度之外的其他加速度)叠加,噪声统计特性参数不易获取,陀螺仪信号随时间发生漂移等影响测量精度的问题。针对这些问题,设计了一种自适应拓展卡尔曼滤波(EKF)姿态测量改进算法。基于EKF模型,首先构建第一级量测噪声方差阵,设定权重因子,降低有害加速度对测量结果的影响;其次在Sage-Husa自适应滤波算法中引入了渐消记忆因子的思想,实时跟踪采样数据的量测噪声,构建第二级量测噪声方差阵;最后采用姿态更新的四元数算法进行数据融合,修正陀螺仪信号漂移产生的误差。实验结果表明,相比Sage-Husa自适应滤波算法,该算法峰高时俯仰角和横滚角的平均绝对误差分别降低了50%和36.43%,峰谷时俯仰角和横滚角的平均绝对误差分别降低了14.28%和19.44%,能有效提高姿态测量精度。

关 键 词：机器人 惯性测量单元 姿态测量  数据融合 指数渐消记忆  拓展卡尔曼滤波  

分 类 号：TP242]