·70 智能系统学报 第8卷 式中：C(X,x2)为0，则式(11)变为 了数据检验，那么R2将利用式(7)和(10)对自身位 C(XKX)=(C(XK,X))= 置状态和其协方差阵，以及目标状态和其协方差阵 .Pw.(P)1.C(K,X) 进行更新.此时目标状态与机器人R2角度状态以及 类似地，融合后的目标状态与机器人R2角度状 环境特征1m互相关阵同式(12)和(13).R2位置状 态以及与环境特征m互相关阵的更新分别为： 态与角度状态以及环境特征1m互相关阵同式(14) C(Xr,x)=(C(x”,x,))T= 和(15).由式(3)和(4)以及协方差阵性质可知，此 r·Pt·(Pr)1·C(X,X),(12) 时R2位置状态向量与目标状态向量协方差阵为 C(,)=(C(L))T= C(X)=(C(XX))T= ω·Pkm·(Pr)1.C(xr,L).(13) C(P·(o·(P2)-·X+ 2)单独机器人对象信息融合条件下互相关阵 (1-w)·(P)1·XR), 的更新. P坠r.(wr.(P)1.xr+ 若只有待融合的机器人R2状态信息通过了数 (1-or)·(P)1·X)= 据检验，那么R2将利用式(6)和(9)对自身位置状 w·wr.Po·(P)l· 态和自相关阵进行更新.由式(4)和协方差阵性质 C(xw,X)·(Pr)1.pm+ 可知融合后R2位置状态向量与角度状态的互相关 (1-w)·(1-wr)·P5·(P)-1. 阵，R2位置状态向量与目标状态向量互相关阵以及 C(xy,X7)·(PT)·P R2位置状态向量与环境特征状态向量互相关阵更 由于估计主体不同因此在上式的推导中互相关 新分别为： 阵C(X,X)、C(X2,X)均为0. C()=(c())T= ω·P·(P)1·C(X,X),（14) 3实验结果及分析 C(,X)=(C(K))= 通过仿真实验验证协作数据融合算法的有效性 o·P·(P)1·C(X,XT) 并分析其性点，实验在Matlab7.5平台下进行.机 C(,L)=(C(L ))T= 器人团队包含2台机器人，运动方式符合非完整性 ω·P·(P)-1·C(X,L).(15) 约束轮式机器人模型，并采用文献[20]设计的控制 3)目标、机器人对象信息同时融合条件下互相 算法对机器人团队进行控制.目标遵循定加速度模 关阵的更新. 型(CAM).在长1000m,宽1000m的环境中均匀 若待融合的机器人R2和目标对象信息均通过 分布着1600个环境特征. 350 R发现 -★--能合方法{R) 3001 R,发观的标志 的标志 ★ 非融合方法(R) 250 ---融合方法(R,) 200 ……非融合方法(R) 150 R真实轨迹 R,真实轨迹 100 目标真实轨迹 50 标志 ,起点 0 -50 1起点 R起点 -100 -1% -150-100 -50 0 50 100 150200250300 x/m 图3总体仿真结果 Fig.3 The results of simulation 算法总体结果如图3所示.图中浅色小星号代表环境特征的真实分布，灰色大星号和灰色十字分