移动机器人运动检测系统的研究与设计
摘要: 为准确获得移动机器人在未知环境的运动状态信息，以提高其运动控制的可靠性与平稳度，本文设计了机器人运动状态的检测传输系统。该系统运用改进的自适应UKF滤波算法来处理双轴MEMS陀螺仪测得的数据，通过以ATmega16为微处理器的CAN总线进行传输。实验表明，改进算法能较好地控制MEMS陀螺仪的随机漂移，较正确地获得机器人的运动状态数据，且CAN总线使数据正确率提高0.3%～0.5%。
引言
在未知环境中，路况具有复杂性及未知性特点。移动机器人准确的路况探测及其自身的平稳运行，对机载设备与探测任务本身都非常重要。目前，对移动机器人运动控制研究多集中在前向通道的算法研究，有关状态信息检测、传输反馈环节的研究相对较少。
双轴微机械陀螺仪传感器可以测量机器人的俯仰与翻转，但微机械陀螺仪有随机漂移性，无法直接应用，需要对输出值作算法处理。参考文献中的微机械陀螺仪随机漂移的算法，可以在一定程度上解决漂移方面的问题，但仍有改进的空间，滤波性能有待进一步优化提高。在现有自适应UKF算法的基础上，改变比例对称采样策略的相关参数可达到较好的滤波效果。现有的以ATmegal6为微处理器的CAN总线程序还有一些不完备之处，本文采用PeliCAN模式加入了完备的错误分析程序，并支持系统自身测试功能。
1 系统硬件设计
移动机器人运动检测系统原理如图1所示。采用InvenSense公司生产的IDG300型双轴微机械陀螺仪进行移动机器人运动过程的俯仰与翻转角度检测；A／D采样电路的主芯片为8位A／D转换器ADC0809。采集的数据经改进的自适应UKF算法滤波后，经CAN节点向运动控制平台传输机器人的运动状态数据。以ATmegal6为微处理器，SJAl000为CAN协议控制器，PCA82C250为CAN收发器的CAN节点原理如图2所示。
2 系统软件设计
2．1 改进自适应UKF滤波算法
经典UKF滤波算法采用某种策略得到状态估计sigma点集后，大致分两个步骤预测与更新，具体方程见参考文献。不同的采样策略会影响sigma点采样及sigma点个数计算。比例对称采样方法中具体的sigma点采样方法为：
式(1)～式(5)中需要确定3个参数α、β和κ。有一定的经验值，但是微机械陀螺仪不同时间测量输出差别较大，固定的值不能满足角度测量的需要。在陀螺仪输出值有明显差别时，需要采用最小二乘支持向量回归机(LSSVR)对α、β和κ值进行回归，支持向量机对小样本的支持，因此可以做出下一步较准确的预测。结合参考文献中的算法原理，算法步骤如下：
①输入状态初始条件的值(；β=2，κ=O或3-n，n取1～3)。
②卡尔曼滤波估计的参数输入RBF神经网络，利用神经网络的自适应能力和函数逼近能力对这些特征量进行训练调整。
③更新方程。若输出角度输出较准确，则数据发往CAN总线，程序转至第②步。
④若输出角度有偏差，则LSSVR算法调整参数α、β、κ的值，程序转至第②步。
2．2 CAN节点程序设计
以ATmegal6作CAN节点的微处理器需要解决端口(ALE，RD／E，／WR)的模拟问题。CAN节点部分主从机，节点ID地址决定是否接收任务以及发送的顺序；帧格式采用数据帧；帧类型采用扩展帧；PB0～PB7作地址数据总线；PC3输出片选信号；
