Исследование работы расширенного фильтра Калмана, дополненного адаптивным цифровым фильтром, для комплексирования данных системы управления мобильным роботом

Цель исследования. В статье рассматривается исследование работы расширенного фильтра Калмана (РФК), дополненного адаптивным цифровым фильтром с целью компенсации ошибки работы РФК при выполнении комплексирования данных системы управления мобильным роботом.

Методы. Адаптивный цифровой фильтр (АЦФ) – самонастраивающийся фильтр, итеративно изменяющий свои переменные параметры для достижения оптимального желаемого значения выходных данных. РФК, дополненный АЦФ с алгоритмом адаптации NLMS, будем называть системой РФК–АЦФ или цифровым фильтром РФК+NLMS. Важной задачей является подбор числа кадров и весовых коэффициентов АЦФ, при котором достигается оптимальное качество подавления помехи и скорость сходимости алгоритма адаптации.

Результаты. При различных вариантах организации работы буферной памяти АЦФ скорректированные значения оценки состояния системы «мобильный робот–среда» могут отличаться. При малом числе кадров входных данных и весовых коэффициентов АЦФ будет наблюдаться низкое качество подавления помехи. С увеличением числа кадров и весовых коэффициентов улучшается качество подавления помехи, а скорость сходимости алгоритма адаптации уменьшается.

Заключение. Алгоритм цифрового фильтра РФК+NLMS занимает промежуточное место между алгоритмом РФК и последовательной фильтрацией сигнала РФК и АЦФ с алгоритмом NLMS по критериям оценок среднеквадратической ошибки, средней абсолютной ошибки, отношения сигнал/шум и скорости сходимости.

1. Control system of the independent undersea robot / S.F. Jatsun, P.A. Bezmen, A.V. Malchikov, A.S. Jatsun // Science and Education. Materials of the II International research and practice conference. Munich, Germany: Vela-Verlag Waldkraiburg, 2012. Vol. 1. P. 165-170.

2. Безмен П.А. Система управления движением мобильного шестиколесного робота // Естественные и технические науки. 2014. № 1. С. 126-127.

3. Безмен П.А. Комплексирование данных системы управления мобильным роботом с использованием расширенного фильтра Калмана // Известия Юго-Западного государственного университета. 2019. №23(2). С. 53-64. https://doi.org/10.21869/22231560-2019-23-2-53-64.

4. Katoch R., P. R. Mahapatra Neural network augmentation of attitude estimation using navigation satellite signal phase // 9th IFAC Workshop on Adaptation and Learning in Control and Signal Processing. IFAC Proceedings Volumes. 2007. Vol. 40. Is. 13. P. 386-391.

5. Chi L. Application of neural networks in target tracking data fusion // IEEE Transactions on Aerospace and Electronic Systems. 1994. Vol. 30. Is. 1. P. 281-287.

6. Хайки С. Нейронные сети: полный курс. [пер. с англ.]. 2-е изд. М.: Издательский дом «Вильямс», 2006. 1104 с.

7. Widrow B., Hoff M.E. Adaptive switching circuits // Proc. IRE WESCON Conf. Rec. 1960. Part 4, P. 96-104.

8. Plackett R.L. Some Theorems in Least Squares // Biometrika. 1950. Vol. 37. Is. 1-2. P. 149-157.

9. Бычков Б.И., Романовский А.С., Хартов В.Я. Моделирование помехозащищенных речевых каналов для технических систем управления // Радиооптика. 2016. № 5. С. 11-25.

10. Adaptive algorithms for acoustic echo cancellation in speech processing / R. Chinaboina, D.S. Ramkiran, H. Khan, M. Usha, B.T.P. Madhav, K.P. Srinivas, G.V. Ganesh // International Journal of RRAS. 2011. Vol.7, is. 1. P. 38-42.

11. Dhiman J., Ahmad S., Gulia K. Comparison between Adaptive filter Algorithms (LMS, NLMS and RLS) // International Journal of Science, Engineering and Technology Research. 2013. Vol. 2, is. 5, P. 1100-1103.

12. Takekawa H., Shimamura T., Jimaa S. An efficient and effective variable step size NLMS algorithm // Conference Record of 42nd Asilomar Conference on Signals, Systems and Computers, USA, 2008. P. 1640-1643.

13. Kumudini S., Sinha R. Normalized Least Mean Square (NLMS) Adaptive Filter for Noise Cancellation // International Journal of Progresses in Engineering, Management, Science and Humanities. 2015. Vol. 1, is. 1. P. 49-53.

14. Ghauri S.A., Sohail M.F. System Identification using LMS, NLMS and RLS // IEEE Student Conference on Research and Development (SCOReD), 2013. P. 65-69.

15. Ушенина И.В. Реализация алгоритмов цифровой адаптивной фильтрации на ПЛИС // XXI век: итоги прошлого и проблемы настоящего плюс. 2012. № 5. С. 134-138.

16. Lehmann E.L., Casella G. Theory of Point Estimation, 2nd ed. New York: SpringerVerlag, 1998. 590 p.

17. Pappas T.N., Safranek R.J., Chen J. Perceptual criteria for image quality evaluation // Handbook of Image and Video Processing, 2nd ed. Oxford: Elsevier Academic Press, 2005. P. 939-959.

18. Wang Z., Bovik A.C. Wang, Z. Mean squared error: Love it or leave it? A new look at signal fidelity measures // IEEE Signal Processing Magazine. 2009. Vol. 26, is. 1. P. 98-117.

19. Айфичер Э., Джервис Б.В. Цифровая обработка сигналов: практ. подход / пер. с англ. И. Ю. Дорошенко, А. В. Назаренко. 2-е изд. М.: Вильямс, 2004. 989 с.

20. Kruse R. L., Ryba A. J. Data structures and program design in C++ // Prentice-Hall. 1999. 717 p.