机器人定位

在任意时刻确定机器人的位置和姿态，称为定位。对于实现可靠稳定的自主导航是至关重要的[52],[64]–[67]。如果姿态是已知的，就可以实现诸如路径规划这样的高级任务。Teslic等人研究了移动机器人定位中的输出噪声协方差矩阵的估计问题[68]。在一定环境中，KF或EKF可以通过视觉传感器定位移动机器人[36], [51], [69]-[73]。在文献[74]中提出了一种最大化 增量概率算法的EKF，提供6-D定位，生成基于凸包表示的平面块地图。Correaand Soto 提出了一种将视觉传感器安装在云台装置上的主动感知策略[3]。在标准平台联赛（standard platform league）中，由于相机快速运动、有限的相机视野、有限的路标，存在传感器本身的限制[75]。这些限制就对定位算法的性能和鲁棒性提出更高的要求。

SLAM被认为是实现移动机器人真正自主的关键因素[20],[21], [76]-[86]。UKF由于其能够直接用于非线性模型而经常被应用于SLAM[39]。SLAM通过EKF融合SIFT特征与机器人信息而实现[87]。要在视觉SLAM中采用EKF，需要将投影和反投影线性化[88],[89]。MV-EKF算法[38]将会提高其性能。

姿态估计

EKF算法可以用于校正机器人姿态[90]和相机姿态[48]的不确定性。姿态估计由一组布置在已知几何体上的标记与惯性传感器量测融合得到[91]。EKF补偿误差并融合两个不同源量测[7]。该系统采用低成本彩色贴纸标记，其摄像机和惯性单元被安装在复杂机器人平台的不同运动子系统，因此能够处理不同的参考帧。Lippiello等人在一个多臂机器人（图3）上解决了视觉伺服定位的问题。就是使用EKF算法对目标姿态进行实时估计。数据由根据自遮挡预测选择的相机提供，同时也有机械臂和工具造成的相互遮挡[19],[32], [92]-[94]。

对于机器人操纵控制，电机编码器是唯一的轴运动测量传感器。这种情况下，由于连杆的运动误差和关节的齿轮松动等问题，精确估计末端执行器的运动是很困难的。Marayong等人使用卡尔曼滤波将编码器和摄像机获取的量测信息融合，估计出机器人末端执行器的位置[95]。Jeon 等人将KKF的思想扩展到一般刚体运动，得到MD-KKF算法[43]。

图3. 基于视觉的多臂机器人伺服系统装置[92]请点击此处输入图片描述

视觉测量

对于由二维图像重建三维场景的应用，三维点或特征的定位是使用KF跟踪[96]–[99]。对于移动机器人的未知环境建模，以Mahalanobis距离为匹配准则，用KF融合匹配特征[22]。Yu 等人提出了一种高速EKF方法，用于从没有先验知识的立体图像序列中恢复相机位置和姿态，也可以用于三维结构重建[100]–[102]。

Zhang和Negahdaripour 提出了一种基于EKF的双目视觉数据二元估计算法[103], [104]。Civera等人提出了一种EKF与RANSAC的结合算法，将EKF中得到的先验概率信息用于RANSAC的模型假设阶段[16]。

路径跟踪

图4. 路径跟踪[105]

KF或者EKF算法常用在高级驾驶辅助系统和自动导航系统中，根据图像序列跟踪路径[57],[66], [105]（图4）。在文献[106]中提出了一种方法通过EKF融合受力与视觉信息，用于在线轨迹跟踪。构建了基于EKF的混合受力控制器用于跟踪轨迹。Manz等人描述了一种泥土道路的自动跟踪方法[13]。根据自身运动的静态路段预测，使用卡尔曼滤波输出一个光滑曲线段用于车辆的横向控制。要检测机器人与线之间的角度和距离，文献[107]提出了一种传感器融合的线检测算法。

在文献[15]中研究的火星车系统中包括了视觉里程计、车辆运动学、卡尔曼滤波姿态估计、滑动补偿路径跟踪控制器。卡尔曼滤波从惯性测量单元和视觉里程计中获取测量值。比较滤波估计与运动学估计，确定是否发生侧滑。滑动矢量由当前卡尔曼估计与运动学估计的差值给出。

在基于视觉的轮式机器人的路径跟踪控制器中，需要解决机器人位置/方向跟踪控制问题。在文献[108]中开发了两种运动非线性最优预测控制率，控制车辆渐近跟随期望轨迹。卡尔曼滤波可以减少图像噪声的影响，从而提高姿态估计精度。为了提高车辆在转弯和爬坡时的安全性，文献[109]提出跟踪来往车辆在软土路面形成的车辙。该算法使用EKF递归估计车辙参数，以及车辆相对车辙的位置和方向。

目标检测与跟踪

目标跟踪通过图像序列输入来检测运动目标的轨迹[110],[111]。卡尔曼滤波作为预测模块计算运动目标的位移矢量。滤波器还通过假设初始状态和噪声协方差来跟踪对象[46].。机器人视觉系统用于跟踪和预测相机中的三维对象[17],[56], [112], [113]，人[114]，平面轮廓[115]。为了跟踪移动目标，在文献[29]中提出了离散稳态卡尔曼滤波算法，计算出机器人系统状态和外部干扰的估计值。然后离散控制器计算系统运动控制量。

人脸跟踪和视觉状态估计经常用于移动机器人的交互控制，使得机器人能够在多种外部不确定性的情况下跟踪人脸。机器人还可以在没有目标三维运动模型的情况下估计系统状态。该功能对于实时视觉跟踪控制系统的开发十分有用[55]。在文献[44]中提出了一种FLC-KF（fuzzy logic controller）跟踪系统，用于开发稳定友好的自然手势人机交互系统。该系统首先检测用户，然后预测其在动态混杂环境中的实时位置。类似的算法也用于行人定位[2]。

文献[53]中提出了一种仿生的视网膜系统用于目标检测。在文献[25]中提出一种方法，将视觉导航无人机的位姿估计归结为跟踪问题，用EKF算法求解。对于室内导航，机器人的位置估计由EKF融合天花板路标图像和里程计信息给出[116]。

在文献[117]中，EKF用于航天器的非线性动力学估计，使用一组卡尔曼滤波器检测传感器故障。该方法检测传感器是否发生故障，隔离故障传感器，并输出相对正确的传感器测量值。

图5. 基于视觉定位的leader–follower控制[26]:(a)实验装置(b)实验结果

在文献[26]中，估计了leader–follower系统的状态（图5）。在文献[118]中，将EKF作为主估计器。控制器持续的估计leader运动中的下一步位置，然后指引follower到达该位置。系统估计采用卡尔曼滤波，输入信息为：leader位置的视觉测量值、leader动力学模型，leader行为模型（behavioral-cue model）[119]。一旦估计出leader的下一步位置，轨迹规划器将生成到达该位置的跟随路径。另一方面，在文献[40]中实现了DUKF算法，用于平滑测量数据，估计leader的速度。

在医疗手术中，机器人帮助外科医生克服微创心脏手术中的困难。在[120]，EKF能够快速收敛，避免陷入局部最小值。对于心脏外科手术，只能根据心脏表面的自然结构估计心脏运动。手术器械出现故障将会是一个挑战性的问题。EKF用于估计相关的一系列参数[121]。在外科机器人系统中，需要补偿患者的靶区生理运动。Tobergte等人提出一种机器人对自由运动目标的精确运动补偿方法。目标对象除了跟踪标记外，还装有惯性测量单元。目标传感器数据通过EKF算法紧耦合。机器人控制和任务空间的目标跟踪的目的是提高标记遮挡时的精度、动态效果和鲁棒性[122]。

多传感器

多传感器方法经常被用于复杂机器人任务中[123]。对于机器人足球队的传感器和信息融合，Silva等人提出了一个通过整合视觉和罗盘信息的团队定位算法[1]。为了提高足球位置和速度的可靠性，研究了视觉传感器的噪声，噪声变量用于定义足球位置卡尔曼滤波器的参数。然后使用线性回归，得到足球和机器人的速度估计。

一种多传感器的架构能够根据Lidar和视觉系统的信息检测行人[14]。目标检测根据估计出的机器人位置执行。对于Lidar和视觉系统，使用了分类器，并根据贝叶斯规则输出结果。人的位置估计通过EKF跟踪。其主要目的是减少检测过程中的假阳性数据。Georgiev 和Allen开发了一套定位系统，使用里程计、罗盘、倾斜传感器和GPS。EKF融合各种传感器数据，并监测其相关的不确定性[52]。相机姿态估计在系统中起了重要作用。

其他用途

虽然图像信息是机器人导航中最有效的数据之一，但它也会受到内部振动和外部因素的干扰。相机振动会破坏图像的边缘信息从而降低图像清晰度，这将严重妨碍移动机器人识别其导航环境。在文献[34]中提出了一种基于EKF的移动机器人的鲁棒图像稳定系统。通过EKF的角度预测，提高实时图像分析的可靠性。在文献[124]中视觉引导行走的类人机器人的智能凝视控制，使用了耦合HEKF用于信息管理。

在自动收割机器人中使用卡尔曼滤波进行定位与作物/杂草分类[65]。另一项工作[125]将EKF用于跟踪作物的位置和方向。在文献[126]中设计了一种根据自振荡整定的卡尔曼滤波器，用于保持水下航行器之间的距离。给定量测的不确定性，设计卡尔曼滤波器，根据时间序列的自振荡实验确定未知的动力学模型参数。根据卡尔曼滤波的估计设计控制器。文献[127]提出了一种实时两侧对称检测算法。

在机器人视觉应用中，准确的视觉传感器标定和鲁棒的视觉机器人控制是开发智能自主系统的必要条件。Motai和 Kosaka提出一种手眼协调机器人标定方法，用于基于视觉的建模和抓取。通过EKF算法估计出最优的内参以获得较高精度[54]。在文献[128]中，使用一种新的图像特征，产生一个秩有效的图像雅克比矩阵用于机械臂的精确三维定位。提出了一种视觉伺服系统，基于卡尔曼滤波进行图像雅克比矩阵的在线估计。

• ©本文由泡泡机器人原创编译，转载请联系paopaorobot@126.com获得授权。

• 原文：Chen S Y. Kalman Filter for Robot Vision: A Survey[J]. IEEE Transactions on Industrial Electronics, 2012, 59(11):4409-4420.

#泡泡唠叨话#

• #001 感谢你阅读，头条号的第三篇，继续mark。

• #002 本文就到这里喽，接下来分析现有问题和未来趋势，敬请期待。