随着移动机器人市场的不断增加,大量移动机器人出现在物流运输、商场服务、机场搬运等环境中,人类对移动机器人的定位、控制和追踪性能要求增加。在移动机器人的定位和运动中,传统的卡尔曼滤波在定位过程是线性系统,需要大量观测数据才能准确预测,并且不能在复杂非线性环境中使用。扩展卡尔曼滤波是卡尔曼滤波方法补充,可以解决非线性问题。本文通过扩展卡尔曼滤波方法少量观测数据定位运动目标,再和移动机器人的控制和路径规划方法相结合捕获运动目标。本文研究了两种预测定位方法,均值逼近方法和扩展卡尔曼滤波定位方法;两种路径规划方法,当前最短路径方法和运动后最短路径方法。在此基础上研究了移动机器人的动态目标捕获。主要研究内容为:(1)通过扩展卡尔曼滤波方法(EKF)和均值逼近(MA)两种方法进行移动机器人的定位研究。扩展卡尔曼滤波方法主要通过运动目标模型进行状态评估,预测运动目标下一时间点的坐标:然后基于观测模型进行观测评估,通过扩展卡尔曼滤波建立预测评估与本次观测的数据关联,利用卡尔曼增益进行更新,快速定位运动目标预测坐标。均值逼近方法通过大量观测数据模拟拟合运动目标的线速度和角速度,从而实现对运动目标的定位预测。通过实验对比,发现扩展卡尔曼滤波对于移动目标的定位预测效果更好。(2)在移动机器人的捕获过程中,对路径规划算法进行了研究。使用了当前最短路径、运动后最短路径两种方法。当前最短路径根据移动机器人对于多个运动目标的距离,选择当前距离最近的运动目标方向前进。运动后最短路径根据移动机器人朝各个运动目标分别运动后一步,计算移动机器人对于多个运动目标的总距离,移动机器人将朝总距离最小的方向运动。实验结果证明将扩展卡尔曼滤波的预测定位与当前最短路径方法相结合能够顺利、快速实现多个目标的动态捕获。