基于Kalman滤波的地图匹配方法
kalman滤波算法流程
kalman滤波算法流程Kalman滤波算法是一种常用的线性状态估计算法，广泛应用于各个领域，如导航、信号处理、机器人等。
本文将介绍Kalman滤波算法的基本流程及其主要应用。
一、Kalman滤波算法的基本流程1. 初始化：初始化状态变量和协方差矩阵。
状态变量表示系统的状态，协方差矩阵表示状态变量的不确定性。
2. 预测：根据系统的数学模型，预测当前时刻的状态变量和协方差矩阵。
预测的过程可以通过状态转移方程来实现，同时考虑过程噪声的影响。
3. 更新：根据当前时刻的测量值，更新状态变量和协方差矩阵。
更新的过程可以通过观测方程来实现，同时考虑测量噪声的影响。
4. 重复预测和更新步骤：重复进行预测和更新步骤，实现对系统状态的连续估计。
二、Kalman滤波算法的主要应用1. 导航系统：Kalman滤波算法可以用于导航系统中的位置和速度估计。
通过结合惯性传感器和GPS等测量设备，可以实现对飞行器、汽车等的准确定位和导航。
2. 信号处理：Kalman滤波算法可以用于信号处理中的噪声滤除和信号恢复。
通过对观测信号进行滤波，可以减小噪声对信号的影响，提高信号质量。
3. 机器人：Kalman滤波算法可以用于机器人中的定位和路径规划。
通过结合传感器测量和运动模型，可以实现对机器人位置和运动轨迹的估计。
4. 金融领域：Kalman滤波算法可以用于金融领域中的股价预测和投资组合管理。
通过对历史数据的分析和预测，可以帮助投资者做出更准确的决策。
5. 图像处理：Kalman滤波算法可以用于图像处理中的目标跟踪和图像恢复。
通过对连续帧图像的分析和处理，可以实现对目标位置和图像质量的估计。
6. 控制系统：Kalman滤波算法可以用于控制系统中的状态估计和控制优化。
通过对系统状态的连续估计，可以实现对控制器的优化和系统性能的提高。
三、总结Kalman滤波算法是一种基于状态估计的优化算法，具有广泛的应用前景。
通过对系统的预测和更新，可以实现对状态变量的连续估计，提高系统的精度和稳定性。
globk卡尔曼滤波、平差流程及相关公式,特别是解算哪些状态量
globk卡尔曼滤波、平差流程及相关公式,特别是解算哪些状态
量
GLObal Kalman (GLOBK) 是一种经典的卡尔曼滤波技术，用于对全球定位系统（GPS）观测数据进行精确的平差和解算。
它可以估计包括位置、速度、钟差、大气延迟等在内的多种状态量。
GLOBK的平差流程一般分为以下几个步骤：
1. 预处理：对GPS观测数据进行预处理，包括剔除异常值、修正电离层延迟等。
2. 初始状态估计：使用初始条件估计状态向量的初始值，包括位置、速度、钟差等。
3. 状态预测：根据系统的动态模型，通过预测状态转移矩阵和过程噪声协方差矩阵，预测下一个时刻的状态向量。
4. 观测更新：根据GPS观测数据和测量模型，计算观测矩阵和测量噪声协方差矩阵，并通过卡尔曼增益对状态向量进行更新。
5. 迭代优化：通过迭代更新步骤3和4，直到满足收敛条件为止，得到最优的状态估计结果。
相关公式包括：
1. 状态预测公式：
X(k+1|k) = F(k) * X(k|k) + G(k) * w(k)
其中，X(k+1|k)是下一个时刻的状态向量的预测值，X(k|k)是当前时刻的状态向量的估计值，F(k)是状态转移矩阵，G(k)是过程噪声协方差矩阵，w(k)是过程噪声。
2. 观测更新公式：
X(k|k) = X(k|k-1) + K(k) * (Y(k) - H(k) * X(k|k-1))
其中，X(k|k)是当前时刻状态向量的估计值，K(k)是卡尔曼增益，Y(k)是GPS观测数据，H(k)是观测矩阵。
解算的状态量包括位置、速度、钟差等。
通过卡尔曼滤波，可以准确估计这些状态量，并提供相应的协方差矩阵用于评估其精度。
Kalman滤波及其应用(含仿真代码)
新息过程
考虑一步预测问题：给定观测值 y(1),..., y(n 1) ，求观测向量最小 def ˆ ˆ (n | y(1),..., y(n 1)) ，利用新息方法，很容易求解。 二乘估计 y1 (n) y
y (n) 的新息过程（innovation process）定义为：
ˆ 1 (n), n 1, 2,... (n) y(n) y
R(n)是新息过程的相关矩阵。
Riccati方程
为了最后完成Kalman自适应滤波，还需要推导 K (n, n 1) 的递推公式。
考查状态向量的预测误差
ˆ 1 (n 1) e (n 1, n) x (n 1) x ˆ 1 ( n) G ( n) ( n)} {F (n 1, n) x (n) v1 (n)} {F ( n 1, n) x [ F (n 1, n) G (n)C (n)]e(n, n 1) G (n)v2 (n) v1 ( n)
n 1
ˆ 1 ( n) F (n 1, n) E{ x (n) H (k )}R-1 (k ) (k ) F (n 1, n) x
k 1
n 1
定义：G(n) E{x(n 1) H (n)}R-1 (n) ，那么状态误差向量的一步预测为：
ˆ 1 (n 1) F (n 1, n) x ˆ 1 (n) G(n) (n) x
{ y(1),..., y(n)} { (1),..., (n)}
新息过程（cont.）
ˆ 1 ( n) ， 在Kalman滤波中，并不直接估计观测数据向量的一步预测 y 而是先计算状态向量的一步预测 ˆ 1 (n) x(n | y(1),..., y(n 1)) x
Kalman滤波原理及算法
Kalman滤波原理及算法kalman滤波器一(什么是卡尔曼滤波器卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯, 我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》(线性滤波与预测问题的新方法)。
二.卡尔曼滤波器算法的介绍以下是卡尔曼滤波器核心的5个式子。
X(k|k-1)=A X(k-1|k-1)+B U(k) (1)P(k|k-1)=A P(k-1|k-1) A’+Q (2)X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3)Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4)P(k|k)=(I-Kg(k) H)P(k|k-1) (5)下面我们详细介绍卡尔曼滤波的过程。
首先，我们要引入一个离散控制过程的系统。
该系统可用一个线性随机微分方程来描述:X(k)=A X(k-1)+B U(k)+W(k)再加上系统的测量值:Z(k)=H X(k)+V(k)上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。
A和B是系统参数，对于多模型系统，他们为矩阵。
Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。
W(k)和V(k)分别表示过程和测量的噪声。
他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance分别是Q，R(这里我们假设他们不随系统状态变化而变化)。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。
下面我们来用他们结合他们的covariances来估算系统的最优化输出。
首先我们要利用系统的过程模型，来预测下一状态的系统。
卡尔曼滤波原理及应用
卡尔曼滤波原理及应用
一、卡尔曼滤波原理
卡尔曼滤波（Kalman filter）是一种后验最优估计方法。
它以四个步骤：预测、更新、测量、改善，不断地调整估计量来达到观测的最优估计的目的。
卡尔曼滤波的基本思想，是每次观测到某一位置来更新位置的参数，并用更新结果来预测下一次的位置参数，再由预测时产生的误差来改善当前位置参数。
从而可以达到滤波的效果，提高估计精度。
二、卡尔曼滤波应用
1、导航系统。
卡尔曼滤波可以提供准确的位置信息，把最近获得的各种定位信息和测量信息，如GPS、ISL利用卡尔曼滤波进行定位信息融合，可以提供较准确的空中、地面导航服务。
2、智能机器人跟踪。
在编队技术的应用中，智能机器人往往面临着各种复杂环境，很难提供精确的定位信息，而卡尔曼滤波正是能解决这一问题，将持续不断的测量信息放在卡尔曼滤波器中，使机器人能够在范围内定位，跟踪更新准确可靠。
3、移动机器人自主避障。
对于移动机器人来说，很多时候在前传感器检测不到
人或障碍物的时候，一般将使用卡尔曼滤波来进行自主避障。
卡尔曼滤波的定位精度很高，相对于静止定位而言，移动定位有更多的参数要考虑，所以能提供更准确的定位数据来辅助自主避障，准确的定位信息就可以让我们很好的实现自主避障。
4、安防监控。
与其他传统的安防场景比，安防场景如果需要运动物体位置估计或物体检测，就必须使用卡尔曼滤波技术来实现，这是一种行为检测和行为识别的先进技术。
（注：安防监控可用于感知移动物体的位置，并在设定的范围内监测到超出范围的物体，以达到安全防护的目的。
）。
传统组合导航中的实用Kalman滤波技术评述
传统组合导航中的实⽤Kalman滤波技术评述严恭敏,邓瑀(西北⼯业⼤学⾃动化学院,西安710072)摘要:在随机线性系统建模准确的情况下,Kalman滤波是线性最⼩⽅差⽆偏估计。
针对传统惯导/卫导组合导航的实际应⽤,难以精确建模,给出了常⽤的建模⽅法、状态量选取原则、离散化⽅法及滤波快速计算⽅法。
讨论了平⽅根滤波、⾃适应滤波、联邦滤波和⾮线性滤波等技术的适⽤场合,并给出了使⽤建议。
针对前⼈研究可观测度中未考虑随机系统噪声的缺陷,提出了更加合理的以初始状态均⽅误差阵为参考的可观测度定义和分析⽅法。
提出了均⽅误差阵边界限制⽅法,可有效抑制滤波器的过度收敛和滤波发散。
该讨论可为⼯程技术⼈员提供⼀些有实⽤价值的参考。
关键词:捷联惯导系统;组合导航;Kalman滤波;评述0 前⾔估计理论是概率论与数理统计的⼀个分⽀,它是根据受扰动的观测数据来提取系统某些参数或状态的⼀种数学⽅法。
1795年,⾼斯提出了最⼩⼆乘法;1912年,费歇尔(R.A.Fisher)提出了极⼤似然估计法,从概率密度的⾓度考虑估计问题;1940年,维纳提出了在频域中设计统计最优滤波器的⽅法,称为维纳滤波,但它只能处理平稳随机过程问题且滤波器设计复杂,应⽤受到很⼤限制;1960年,卡尔曼基于状态⽅程描述提出了⼀种最优递推滤波⽅法,称为Kalman滤波,它既适⽤于平稳随机过程,也适⽤于⾮平稳过程,⼀经提出便得到了⼴泛应⽤。
在Kalman滤波器出现以后,针对随机动态系统的估计理论的发展基本上都是以它的框架为基础的⼀些扩展和改进[1]。
Kalman滤波器最早和最成功的应⽤实例便是在组合导航领域。
惯性导航系统(Inertial Navigation System,INS)是最重要的⼀种导航⽅式,它能提供姿态、⽅位、速度和位置,甚⾄还包括加速度和⾓速率等导航信息,可⽤于运载体的正确操纵和控制。
惯导具有⾃主性强、动态性能好、导航信息全⾯且输出频率⾼等优点,但其误差随时间不断累积,长期精度不⾼。
利用KALMAN滤波算法对运动目标进行定位与跟踪
大。本文在 ＷＬ Ｓ基础上对 系统再进行 Ｋａ ｌ ｍａ ｎ滤波 ，经过仿真 ，结果表 明，采用 ＷＬ Ｓ与 Ｋａ ｌ ｍａ ｎ滤波结合的新方法，系 统运行 收敛速度快 ，跟踪误差有 了明显下降。 关键词 ：波达方 向（ ＤＯ Ａ） ；来 波到达 时间（ Ｔ ０Ａ ） ；卡 尔曼滤波 ；加权最小二乘算法
Ｋｅ ｙ ｗ ｏ ｒ ｄ ｓ ： Ｄｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｏ ｆ Ａｒ ｒ ｉ ｖ ａ ｌ ｆ Ｄ ｏＡ ） ； Ｔ ｉ ｍｅ ｏ ｆ Ａｒ ｒ ｉ ｖ ａ ｌ ｔ Ｔ ｏ Ａ ） ； Ｋ ａ ｌ ｍａ ｎ Ｆ ｉ ｌ ｔ ｅ ｒ ；Ｗｅ ｉ ｇ ｈ ｔ Ｌ ｅ ａ ｓ ｔ Ｓ ｑ ｕ ａ ｒ ｅ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
利用 Ｋ ＡＬ ＭＡ Ｎ 滤 波算 法对 运 动 目标进 行 定位 与 跟 踪
丁 卫安
空 军 空 降 兵 学 院 ，广 西 桂 林 ５ ４ １ ０ ０ ３
摘
要 ：通过 目标 Ｄ ＯＡ 与 Ｔ Ｏ Ａ 的测 量，利用 ＷＬ Ｓ算法可 以实现运动 目标 的定位 与跟 踪，但是该 方法的跟踪误差较
Ｋａ ｌ ｍａ ｎ ｉｌ ｆ ｔ ｅ ｒ ｃ ａ ｒ ｌ ｑ ｕ ｉ ｃ ｋ ｅ ｎ ｈｅ ｔ ｓ ｙ ｓ ｔ ｅ ｍ ｒ ｕ ｎ ｎ ｉ ｎ ｇ ａ ｎ ｄ ｉ ｍｐ ｒ ｏ ｖ ｅ ｈｅ ｔ ａ ｃ ｃ ｒａ ｕ ｃ ｙ ｏ ｆ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｒ ｅ ｓ ｕ ｌ ｔ ．
Ｕｓ ｉ ｎ ｇ Ｋａ ｌ ｍａ ｎ Ｆ ｉ ｌ ｔ ｅ ｒ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｔ Ｏ Ｌｏ ｃ ａ ｔ ｅ ａ ｎ ｄ Ｔｒ ａ ｃ ｋ ｔ ｈ ｅ Ｍｏ ｖ ｉ ｎ ｇ Ｔａ ｒ ｇ ｅ ｔ
Ｗｅ ｉ ａ ｎ Ｄｉ ｎ ｇ
第三章卡尔曼(Kalman)滤波
总结
状态方程的核心是：设置状态变量， 状态变量是网络内部（最少的）节点变量， 一般设在延迟支路的输出端，状态方程刻 画了状态变量下一时刻的取值与当前时刻的 状态变量和输入之间的关系。
x(k 1) Ax(k) Be(k) 一步递推状态方程： x(k) A(k)x(k 1) w(k -1)
二、离散时间系统的量测方程
来估计信号的当前值 以均方误差最小条件下求解 系统的传递函数H(z)或单位冲激响应h(n)
卡尔曼滤波
不需要全部过去的观察数据
只根据前一个估计值 xˆk -1 和最近一个观察数据 yk 来估计信号的当前值 它是用状态空间法描述系统， 即由状态方程和量测方程组成。
解是以估计值(是状态变量的估计值)的形式给出的
一、离散状态方程及其解
离散状态方程的基本形式是：
x(k 1) Ax(k) Be(k)
其中x(k)代表一组状态变量组成的多维状态矢量， 而A，B都是矩阵，它们是由系统的拓扑结构、元件 性质和数值所确定的。
e(k) 是激励信号。
状态方程是多维一阶的差分方程。 当已知初始状态x(0)， 可用递推的方法得到它的解 x(k)
即：
Eyn yk 0, 1 k n -1
表明：yk不相关性质。 意味着yk的每个值都带来新的信息。
又因为：yk sk k
所以:Ck 1
第三节 卡尔曼滤波的方法
1、卡尔曼滤波的基本思想
卡尔曼滤波是采用递推的算法实现的， 是以卡尔曼滤波的信号模型为基础。
(1)先不考虑激励噪声wk和观测噪声k，
得到状态的估计值xˆk' 和观测数据的估计值yˆk'。
(2)再用观测数据的估计误差yk =yk - yˆk' 去修正状态的估计值xˆk，通过选择修正 矩阵H 使得状态估计误差的均方值Pk最小。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
邮局订阅号：82-946360元/年技术创新博士论坛《PLC 技术应用200例》您的论文得到两院院士关注1引言在车辆导航系统中,车辆位置一般是通过GPS 接收机按照单机动态绝对定位方法得到的,其优点是只需一台接收机即可独立完成定位,数据处理相对简单;缺点是定位精度较差,信号易受干扰,得到的实时定位数据都有一定的误差。
由于矢量化电子地图道路数据是相对精确的,利用电子地图的地理数据对得到的车辆定位数据进行配准纠正,可以相对提高当前定位数据的精度,地图匹配MM(Map Matching)方法就是这种思想的体现。
地图匹配的常规算法有位置点匹配的方法、相关性算法,另外,还包括基于模式识别的方法、半确定法、概率统计法等。
近年来,不断有学者研究新的地图匹配方法,包括基于曲线相似度的地图匹配方法、基于遗传算法等。
而本系统采用基于Kalman 滤波的地图匹配方法。
2基于Kalman 滤波的地图匹配采用最近点估计这种地图辅助位置更新的办法通常能消除一些与道路垂直方向的误差,而在实际的GPS 定位系统中,平行道路方向同样具有很多的误差。
大量的实际观测结果表明,所有这些定位误差的总和表现出非常明显的随机噪声特性,在两个坐标轴方向的定位误差总和可分别等效为二阶马尔可夫过程。
设车辆测量位置为,地图匹配的最近点估计为,车辆的实际位置为,如图1所示,那么:(1)式中,为GPS 的测量白噪声,为GPS 偏差,和分别为垂直道路方向和平行道路方向的偏差,且,和分别是GPS 偏差在地图坐标系统中x 和y 方向的分量。
在这里,我们把GPS 的偏差分解为两个部分:平行于道路方向的偏差和垂直于道路方向的偏差,通过常规的地图匹配和最近点估计方法,可以计算出与道路垂直方向的误差量测值。
考虑到GPS 的误差特性可以用二阶马尔可夫过程来描述,因此可以用Kalman 滤波方法对GPS 的偏差进行估计。
图1真实位置与测量位置、匹配位置的关系图2基于Kalman 滤波的地图匹配方法通过地图匹配和最近估计方法,可以计算出与道路垂直方向的误差量测值Z,它与状态变量的关系为:(2)因此可以写出量测方程如下(3)基于Kalman 滤波的地图匹配方法Map Matching Method by Kalman Filter(重庆科技学院)杨波王雪雷亮YANG Bo WANG Xue LEI Liang摘要:地图匹配方法利用电子地图的地理数据对GPS 定位数据进行校正,可有效提高定位数据的精度。
本文首先采用最近点估计方法计算道路垂直方向的GPS 误差,对该误差采用Kalman 滤波方法获得GPS 偏差估计,以此偏差估计修正GPS 测量值并进行地图匹配。
实验表明利用该方法可将定位数据准确地匹配到道路上,使匹配后的定位精度得到提高。
关键词:GPS 偏差估计;地图匹配;Kalman 滤波;最近点估计中图分类号:TP391文献标识码:A Abstract:Map matching is used in GPS position data correction by geo-information of electronic map,which can effectively improvethe position precision.In this paper,Nearest Point Estimate (NPE)is firstly used to calculate the GPS errors in road vertical orientation.GPS biased estimate,which is applied to correct the GPS measurement values in map matching,can then be calculated through this GPS errors by a Kalman filter.Experiments shows that position data are accurately match with the road according to this method,and the position precision is improved after the map matching.Key words:GPS biased estimate;map matching;Kalman filter;nearest point estimate文章编号:1008-0570(2010)05-1-0045-02杨波:副教授博士ÁÂÃv B Áb Áb ÁÂÃÄb b b b ??? Áb Áb Áb Ábcos sin ÁÂÃÄÅÁÆÇZ b u v u b b ????????? ÁÁÁÁZ H X V ???45--技术创新《微计算机信息》(测控自动化)2010年第26卷第5-1期360元/年邮局订阅号：82-946《现场总线技术应用200例》博士论坛式中,V K ~(0,),为匹配路段与北向夹角。
如果需要对道路方向的GPS 偏差进行估计,那么可以通过一个转换矩阵T K 来完成。
转换矩阵和量测矩阵分别为:(4)(5)4实现方法与实验结果图2显示了基于Kalman 滤波的数字道路地图辅助车辆的定位方法的过程。
该算法完整描述如下:(1)获取GPS 接收机测量位置,采用最近点估计方法计算道路垂直方向的GPS 误差。
(2)根据Kalman 滤波递推算法计算GPS 偏差估计。
(3)利用偏差估计结果对GPS 测量值进行修正,。
(4)根据修正的GPS 测量位置和数字道路地图文件,采用地图匹配算法选取匹配路段。
经过Kalman 滤波的地图匹配后的车辆航迹在电子地图上的实际显示效果见图3。
图3地图匹配后的车辆轨迹由图3可以看出,经Kalman 滤波的地图匹配后,车辆行使轨迹基本被匹配到了车辆实际行驶的路段上。
多次实验的匹配结果表明,绝大多数(>96%)定位数据都能相对准确地匹配到道路上,匹配后的定位精度得到提高。
5结论本文作者创新点:采用最近点估计方法计算道路垂直方向的GPS 误差,对GPS 道路垂直方向误差采用Kalman 滤波实现GPS 偏差估计,以此偏差估计修正GPS 测量值并进行地图匹配。
采用这种方法可以有效减小道路垂直方向的GPS 定位误差,同时降低道路方向的GPS 定位误差,以满足GPS 定位导航的需要。
参考文献[1]R.L.French.Map Maptching Origins,Approaches and Application.Proceeding of the 2International Symposium on Land Vehicle Navigation[C].1989:91-116[2]丁露,陈家斌,宋春雷.车辆导航系统地图匹配算法及实时参数修正.仪器仪表学报.2008,29(3):658-661.[3]冷雪飞,刘建业,熊智.基于遗传算法的导航实时图像匹配算法.通信学报.2008,29(2):17-21.[4]Wuk Kim,Gyu -In Jee,JangGyu Lee,Efficient Use of Digital Road Map in Various Position for ITS.Position Location and Navigation Symposium.IEEE 2000[C].2000:170-176[5]J.F.Mclellan,J.P.Battie,Testing and Analysis of OEM GPS Sensor Boards for AVL Application.Proceedings of IEEE Position.Location and Navigation Symposium (PLANS ’94).April 1994:512-519[6]R.V.C.Wong,K.P.Schwarz,M.E.Cannon,High Accuracy Kinemic Positioning by GPS-INS.Navigation:The Journal of The Institute of Navigation [J].1998,35(2):275-283.[7]朱虹,关桂霞,王竹等.城市环境下GPS 导航系统的地图匹配估计.微计算机信息.2008,3-1:143-144.作者简介:杨波(1973-),男(汉族),重庆人,重庆科技学院电子信息工程学院副教授,博士,主要从事图象处理与识别、机器视觉与图像测量。
Biography:YANG Bo (1973-),male,Chongqing,School of Electronic Information Engineering,Chongqing University ofScience and Technology,associate professor,Ph.D.,main research interests in image processing and recognition,machine vision,and image measurement.(401331重庆科技学院电子信息工程学院)杨波王雪雷亮(School of Electronic Information Engineering,Chongqing University of Science and Technology 401331,China)YANG Bo WANG Xue LEI Liang 通讯地址:(401331重庆虎溪大学城重庆科技学院电子信息工程学院)杨波(收稿日期:2009.05.18)(修稿日期:2009.08.18)(上接第80页)本文作者创新点:本文的设计将模糊控制应用到智能机器人行进策略设计中,使电脑鼠机器人的行进效率大大提高。
参考文献[1]高国富.机器人传感器及其应用.北京:化学工业出版社,2005.[2](美)R.西格沃特I.R.诺巴克什.自主移动机器人导论.西安:西安交通大学出版社,2006.[3]王立权.机器人创新技术与制作.北京:清华大学出版社,2007.[4]魏永广.现代传感技术.哈尔滨:东北大学出版社,2001.[5]徐春梅,杨平,曾婧婧,蒋式勤,彭道刚.机器人直赛道赛跑方案和走直线控制策略的设计与实现[J].微计算机信息,2005,9-3:153-156.[6]韦洋,吴倚龙,郝卫东.用白光反射式传感器实现机器人自主寻迹导航[A]2004全国光学与光电子学学术研讨会、2005全国光学与光电子学学术研讨会、广西光学学会成立20周年年会论文集[C],2005作者简介:周亦敏(1962-),男(汉族),浙江省人,副教授,主要研究方向:嵌入式系统、计算机系统结构、网络应用与智能设备等;傅俊华(1984-),男(汉族),江苏省人,硕士研究生,主要研究方向:嵌入式系统应用与开发。