CN103148855A - 一种ins辅助的室内移动机器人无线定位方法 - Google Patents

Abstract

本发明公开了一种INS辅助的室内移动机器人无线定位方法，属于机器人无线定位技术领域。该定位方法分为培训阶段和预估阶段两部分。培训阶段是在本地相对坐标系中将INS(惯性导航系统)、WSN(无线传感器网络)进行集成。通过扩展卡尔曼滤波对得到的同步导航数据进行数据融合，得到持续稳定的导航信息。预估阶段是将INS测量得到的位置和速度信息输入培训阶段通过神经网络培训的INS误差模型进行误差补偿，以得到最优的导航信息。本发明的方法提高了INS定位的精度，同时在减少WSN网络规模的基础上扩大了室内机器人定位的范围。

Description

一种INS辅助的室内移动机器人无线定位方法

技术领域

本发明涉及一种INS辅助的室内移动机器人无线定位方法，属于机器人无线定位技术领域。

背景技术

近年来，随着计算机技术、信息技术、通讯技术、微电子技术和机器人技术的飞速发展，移动机器人技术的研究与应用取得了长足的进步，使其在许多场合被寄予了替代人类自动执行某些日常性与危险性任务的厚望，如物流仓储的搬运机器人，恶劣工作环境的生产机器人等。机器人的导航与定位作为实现机器人智能化和完全自主化的关键技术，逐渐成为目前该领域的研究热点。然而，在外界无线电信号微弱、电磁干扰强烈等一系列复杂室内环境中，对智能移动机器人导航信息获取的准确性、实时性及鲁棒性有很大的影响。如何将室内环境下获取的有限信息进行有效的融合以满足智能移动机器人高导航精度的要求，消除外界环境的影响，具有重要的科学理论意义和实际应用价值。

与面向室外的移动机器人相比，在室内环境下，由于受到多路径传播干扰的影响，对于移动机器人的定位与研究仍旧处于起步阶段。近年来，无线传感器网络（Wireless Sensors Network, WSN）以其低成本、低功耗和低系统复杂度的特点在短距离局部定位领域表现出很大的潜力，伴随着智能化城市建设步伐的不断迈进以及全国范围内无线网络的普及和使用，许多学者开始将WSN应用于面向室内环境下的智能移动机器人的导航。目前无线定位技术主要是通过测量未知节点和已知节点之间的一个或几个无线信道物理参数来完成，例如，S. J. Kim等人利用二维超声波定位实现了室内移动机器人的自定位算法, N. Patwari等采用测量TOA (Time Of Arrival)和RSS (Received Signal Strength) 相结合的方式来预估节点之间的相对位置。Alsindi等研究基于TOA室内多径环境的超宽带无线定位模型和算法。IEEE 802.11 无线网络（WiFi）由于目前广泛应用于室内网络通信部署，很多学者研究利用其通信参数实现室内定位，但由于其定位精度在米级，对于实现高精度室内定位还有很多工作要做。在无线定位传感器的选择上，由于超声波传感具有低功耗、低成本、高精度等特点，相对于激光测距传感、视觉传感等更得到室内机器人定位和导航研究领域专家学者的认可，如，Minami等采用分布式定位方案，利用基于TOA的多点超声波测距实现定位。M.M.Saad等最近提出一种无需参考节点（射频信号和定时参考）的室内超声波定位方案，采用AOA（Angle of Arrival）和 TOF(Time of Flight)混合的方式实现高精度信标定位。与传统的定位方式相比，除了具有低成本、低功耗和低系统复杂度的特点之外，WSN还能够自主完成网络的组建，更加适合室内移动机器人的定位。但由于WSN采用的通信技术通常为短距离无线通信技术（如ZigBee、WiFi等），因此若想完成长距离、大范围的室内目标跟踪定位，需要大量的网络节点共同完成，这必将引入网络组织结构优化设计、多节点多簇网络协同通信与定位等一系列问题。

微惯性导航系统（MEMS inertial navigation system, MINS）具有全自主、运动信息全面、短时、高精度的优点，虽然可以实现自主导航，但误差随时间积累，长航时运行条件下将导致导航精度严重下降。

发明内容

为了解决上述问题，本发明提出了一种INS辅助的室内移动机器人无线定位方法，提高了INS定位的精度，同时在减少WSN网络规模的基础上扩大了室内机器人定位的范围。

本发明为解决其技术问题采用如下技术方案：

一种INS辅助的室内移动机器人无线定位方法，包括下列步骤：

（1）将机器人导航过程分为培训阶段和预估阶段两部分，将有WSN信号的导航过程称为培训阶段，而只有INS信号的区域称之为预估阶段；

（2）在培训阶段，是在本地相对坐标系中将INS、WSN进行集成，通过扩展卡尔曼滤波对得到的同步导航数据在导航计算机中进行数据融合，将每个时刻通过INS测量得到的东向和北向的位置、通过测速计测量得到的速度和每一时刻WSN各自测量的未知节点与参考节点之间的距离输入到扩展卡尔曼滤波器中进行滤波，最后得到每个时刻东向和北向两个方向的位置和速度预估；

（3）扩展卡尔曼滤波器的系统方程以INS每一时刻东向和北向两个方向的位置和速度作为状态变量，以每一时刻WSN各自测量的未知节点与参考节点之间的距离，测速计测量得到的速度作为观测量，INS中的加速度计测量得到的每个时刻东向和北向的加速度信息作为系统的扰动输入，系统方程如式(1)所示：

                                                           (1)

其中，

为k时刻的东向位置；

为k时刻的北向位置；

为k时刻的东向速度；

为k时刻的北向速度；为k时刻的东向加速度；

为k时刻的北向加速度；

为采样周期；

观测方程如式(2)所示：

        (2)

其中，

，

和

，

为已参考节点在本地坐标系中的位置，

为k时刻的东向速度；为k时刻的北向速度；

（4）在滤波器进行数据滤波的过程中，将INS自身测量得到的位置和速度与滤波器预估得到的位置和速度作差，将差值作为神经网络的目标输入，将INS自身测量得到的位置和速度作为培训输入，通过人工智能算法的BP神经网络构建INS预估误差模型；

（5）若未知节点离开搭建有WSN的区域进入预估阶段，在这一阶段，组合导航系统获取不到WSN测量的相对导航信息，只能依靠INS系统完成这一部分的自主导航，INS利用在培训区域训练的误差模型，将实时测量得到的绝对导航信息输入进误差模型中，误差模型通过之前的培训，得到改导航信息相应的误差，实时测量得到的导航信息与相应的误差作差，得到最终的导航信息。

本发明的有益效果如下：

本发明通过扩展卡尔曼滤波对得到的同步导航数据进行数据融合，得到持续稳定的导航信息。通过扩展卡尔曼滤波，可以有效的抑制每个时刻东向和北向的加速度产生的扰动，得到相对平滑的滤波结果，进而能够更好的得到INS测量误差，对INS测量误差的培训取得较好的效果，能满足室内环境下的小型智能机器人中低精度的定位和定向的要求。

附图说明

图1为用于INS辅助的室内移动机器人无线定位方法的系统示意图。

图2为用于INS辅助的室内移动机器人无线定位方法的控制方法示意图。

图3为本发明的方法流程图。

具体实施方式

下面结合附图对本发明创造做进一步详细说明。

如图1所示，一种用于INS辅助的室内移动机器人无线定位方法的系统，包括参考（RN）节点部分、未知（BN）节点部分，PC机部分。参考节点部分由参考节点无线网络接收模块、超声测距模块和时间同步模块组成（四个超声波测距模块共用一组无线网络接收模块）；未知节点部分由未知节点无线网络接收模块、INS导航模块和速度计组成；PC机部分由台式机和无线网络接收模块组成。 

如图2所示，在INS辅助的室内移动机器人无线定位方法中使用扩展卡尔曼滤波器进行数据融合。扩展卡尔曼滤波器的系统方程以INS每一时刻两个方向的位置和速度作为状态变量，以每一时刻WSN各自测量的未知节点与参考节点之间的距离，测速计测量得到的速度作为观测量，INS中的加速度计测量得到的每个时刻东向和北向的加速度信息作为系统的扰动输入。系统方程如式(1)所示：

 

             (1)

观测方程如式(2)所示：

        (2)

其中，

，

和

，

为已参考节点在本地坐标系中的位置，为k时刻的东向速度；

为k时刻的北向速度；

在滤波器进行数据滤波的过程中，将INS自身测量得到的位置和速度与滤波器预估得到的最优位置和速度作差，将差值左右神经网络的目标输入。将INS自身测量得到的位置和速度作为培训输入，通过人工智能算法（如BP神经网络）构建INS预估误差模型。若未知节点离开搭建有WSN的区域进入自适应补偿阶段，在这一阶段，组合导航系统获取不到WSN测量的相对导航信息，只能依靠INS系统完成这一部分的自主导航，INS利用在培训过程训练的误差模型对测量的绝对导航信息进行误差补偿，得到最优的导航信息。

本方法的流程如图3所示，该方法分为培训阶段和预估阶段两部分。培训阶段是在本地相对坐标系中将INS(惯性导航系统)、WSN(无线传感器网络)进行集成，通过扩展卡尔曼滤波对得到的同步导航数据进行数据融合，得到持续稳定的导航信息。滤波器的系统方程以INS每一时刻东向和北向的位置和速度作为状态变量，以每一时刻WSN各自测量的未知节点与参考节点之间的距离，测速计测量得到的速度作为观测量，INS测量得到的每个时刻东向和北向的加速度信息作为系统的扰动输入。于此同时，INS自身测量得到的位置和速度与滤波器预估得到的最优位置和速度作差，将差值左右神经网络的目标输入。将INS自身测量得到的位置和速度作为培训输入，对INS的预估误差进行培训。预估阶段是将INS测量得到的位置和速度信息输入培训阶段通过神经网络培训的INS误差模型进行误差补偿，以得到最优的导航信息。

方法的具体步骤如下： 通过WSN模块中附带的载体速度计测量得到的载体的在某一时刻的速度为0.262m/s；在这一时刻BN节点周围的RN节点坐标分别为（-0.9644，0.2566），（-0.2543，-0.9557），（0，0），（-1.2361，-0.6895）（m）；MEMS测量得到的加速度计值为Ax（x方向）-0.49786 m2/s，Ay（y方向）-0.13225 m2/s。上述信息通过扩展卡尔曼滤波器得到的最优位置为（-0.662，-0.001）（m），最优速度为（-0.0842，-0.5076）（m/s）。

Claims (1)

1.一种INS辅助的室内移动机器人无线定位方法，其特征在于，包括下列步骤：

（1）将机器人的导航过程分为培训阶段和预估阶段两部分，将有WSN信号的导航过程称为培训阶段，而只有INS信号的区域称之为预估阶段；

（2）在培训阶段，是在本地相对坐标系中将INS、WSN进行集成，通过扩展卡尔曼滤波对得到的同步导航数据在导航计算机中进行数据融合，将每个时刻通过INS测量得到的东向和北向的位置、通过测速计测量得到的速度和每一时刻WSN各自测量的未知节点与参考节点之间的距离输入到扩展卡尔曼滤波器中进行滤波，最后得到每个时刻东向和北向两个方向的位置和速度预估；

（3）扩展卡尔曼滤波器的系统方程以INS每一时刻东向和北向两个方向的位置和速度作为状态变量，以每一时刻WSN各自测量的未知节点与参考节点之间的距离，测速计测量得到的速度作为观测量，INS中的加速度计测量得到的每个时刻东向和北向的加速度信息作为系统的扰动输入，系统方程如式(1)所示：

                                                 

          (1)

其中，

为k时刻的东向位置；为k时刻的北向位置；

为k时刻的东向速度；

为k时刻的北向速度；

为k时刻的东向加速度；为k时刻的北向加速度；

为采样周期；

观测方程如式(2)所示：

        (2)

其中，

，

和

，

为已参考节点在本地坐标系中的位置，

为k时刻的东向速度；

为k时刻的北向速度；

（4）在滤波器进行数据滤波的过程中，将INS自身测量得到的位置和速度与滤波器预估得到的位置和速度作差，将差值作为神经网络的目标输入，将INS自身测量得到的位置和速度作为培训输入，通过人工智能算法的BP神经网络构建INS预估误差模型；

（5）若未知节点离开搭建有WSN的区域进入预估阶段，在这一阶段，组合导航系统获取不到WSN测量的相对导航信息，只能依靠INS系统完成这一部分的自主导航，INS利用在培训区域训练的误差模型，将实时测量得到的绝对导航信息输入进误差模型中，误差模型通过之前的培训，得到改导航信息相应的误差，实时测量得到的导航信息与相应的误差作差，得到最终的导航信息。

Images