Безмен Петр Анатольевич, кандидат технических наук, доцент. ResearcherID: P-6709-2016
ул. 50 лет Октября 94, г. Курск 305040
Petr A. Bezmen, Cand. of Sci. (Engineering), Associate Professor. ResearcherID: P-6709-2016
50 Let Oktyabrya str. 94, Kursk 305040
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.
Purpose of reseach. The article deals with the study of the operation of the extended Kalman filter (EKF), supplemented with an adaptive digital filter in order to compensate for the error in the operation of the EKF when performing data integration of the mobile robot control system.
Methods. The adaptive digital filter (ADF) is a self-tuning filter that iteratively changes its variable parameters to achieve the optimal desired values of the output data. The EKF supplemented with the ADF with the NLMS adaptation algorithm will be called the EKF–ADF system or the EKF+NLMS digital filter. An important task is the selection of the number of frames and ADF weighting coefficients at which the optimum quality of noise suppression and the convergence rate of the adaptation algorithm are achieved.
Results. With various options of organizing the operation of the ADF buffer memory, the adjusted values for assessing the state of the ‘mobile robot–environment’ system may differ. When the number of input data frames and ADF weighting coefficients are small, low quality noise suppression will be observed. With an increase in the number of frames and weighting coefficients, the quality of noise suppression is improved, and the convergence rate of the adaptation algorithm decreases.
Conclusion. The EKF+NLMS digital filter algorithm takes an intermediate place between the EKF algorithm and the serial filtering of the EKF and ADF signals with the NLMS algorithm according to the criteria for estimating the mean square error, mean absolute error, signal-to-noise ratio, and convergence rate.
The authors declare that there are no conflicts of interest present.