CN103344963B - 一种基于激光雷达的鲁棒航迹推算方法 - Google Patents
一种基于激光雷达的鲁棒航迹推算方法 Download PDFInfo
- Publication number
- CN103344963B CN103344963B CN201310305512.4A CN201310305512A CN103344963B CN 103344963 B CN103344963 B CN 103344963B CN 201310305512 A CN201310305512 A CN 201310305512A CN 103344963 B CN103344963 B CN 103344963B
- Authority
- CN
- China
- Prior art keywords
- theta
- represent
- rsqb
- lsqb
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Gyroscopes (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于激光雷达的鲁棒航迹推算方法,根据移动机器人系统故障模型以及运动学模型,构造不同故障式下的运动学模型;然后构造快速的激光雷达测量模型;最后,在粒子滤波器框架下,整合不同模式运动学模型与测量模型,同时实现故障诊断与航迹推算。
Description
技术领域
本发明属于航迹推算系统测量领域,具体涉及一种基于激光雷达的鲁棒航迹推算方法。
背景技术
自主移动机器人已广泛应用于星球探测、军事搜救、灾难救援、家庭护理以及工业应用等领域。机器人航迹推算根据机器人传感器信息对其位姿进行估计,是移动机器人实现环境建模与自主导航的前提。鲁棒航迹推算是指在机器人出现故障的情况下(如传感器失效、传感器受强噪声干扰及车轮打滑等)仍能利用冗余信息对机器人位姿进行较为准确地估计的技术。
常规地,移动机器人利用部署在其上的内部传感器(如编码器、陀螺仪)和/或外部传感器(如激光雷达、CCD摄像头)进行位姿估计。在系统无故障情况下的航迹推算问题已有诸多成熟技术。然而,当传感器出现故障时,特别是内部传感器和外部传感器可能同时出现故障的情况下,如何利用冗余传感器实信息较为准确地估计移动机器人位姿(即鲁棒航迹推算)问题,目前尚未被系统研究。
实现鲁棒航迹推算的主要困难在于:必须同时对机器人实现故障诊断与位姿估计。因为,内部传感器故障会改变其运动学模型;外部传感器故障则要求建立新的感知模型。
由于故障诊断和位姿估计分别是离散和连续状态估计问题,而粒子滤波器是估计混合系统的一种非参数方法,适合与非线性、非高斯系统估计问题,因此,本技术采用粒子滤波器作为状态估计技术。
综上,本技术针对部分内部传感器故障、激光雷达部分异常等实际的故障情形,通过构造内部传感器故障情况下的运动学模型、激光雷达鲁棒感知模型,并在粒子滤波算法框架下结合上述两类模型,同时进行机器人故障诊断与位姿估计。
现有技术提出了一种利用光纤陀螺仪(Fiberopticgyroscopes,FOGs)以及间接反馈卡尔曼滤波(Kalmanfilter)方法提高航迹推算系统的精度。该方法首先对光纤陀螺仪进行精确的标定来减少其尺度因子非线性误差以及不同温度引起的误差。然后,利用间接反馈卡尔曼滤波融合光纤陀螺仪和编码器数据。从而提高航迹推算系统精度。
该方法中,光纤陀螺仪因速度以及温度变化导致的误差模型采用文献[2]提出的模型。测量尺度因子误差的基本方法是用已知的输入速度ω旋转陀螺仪,并与陀螺仪的输出测量值ωg比较,两者之差是由于尺度因子非线性性引起的误差,误差可用三次多项式拟合:
测量误差随温度的变化关系用二次多项式拟合:
ε(T)=b0+b1T+b2T2(2)
其中,ωg为陀螺仪量测值,T为温度,a0,a1,a2,a3,b0,b1以及b2为待定参数。
现有技术一的缺点:
1)对光纤陀螺仪的标定需要专门的高精度仪器,标定过程复杂,不易操作且成本高。且无论如何标定,都难以对陀螺以漂移误差进行精确建模。
2)如果编码器和/或陀螺仪出现故障,此方法则完全失效。
3)采用Kalman滤波器,无法处理非线性系统估计问题。
Verma等利用粒子滤波器(ParticleFilter,PF)来解决计算复杂度以及高斯假设问题,对漫游车(rover)进行状态检测和故障诊断。
该技术特点之一:提出了一种变分辨率粒子滤波器(VariableParticleFilter,VRPF),并应用于漫游车故障诊断问题。VRPF通过将具有相似特征的状态抽象为一个状态。一个抽象状态可以表示单个状态或状态集合,当状态表示成抽象状态时,状态空间被缩小了。VRPF动态地改变状态空间的分辨率:在信度强时分辨率高,信度强的抽象状态被分解为多个更细的抽象状态;信度弱时分辨率低,此时将多个相似状态合并为一个抽象状态。
该技术特点之二:针对低发生概率的故障可能存在的漏检问题,提出了风险敏感粒子滤波器(RiskSensitiveParticleFilter,RSPF),通过提高低概率故障的风险水平增加对低概率故障的采用概率,该方法的风险评价是主观的且不能完全避免漏检。
该技术只能诊断机器人内部传感器故障,却不能提供准确的航迹推算信息。
文献提出了一种航迹推算系统软故障诊断与补偿方法。软故障是指元件性能下降但没有完全失效。该技术考虑与航迹推算密切相关的两类软故障:(1)编码器和陀螺仪等内部传感器噪声和尺度因子故障;(2)移动机构异常,包括(a)车轮打滑,(b)车轮爆胎,以及(c)车轮受阻。
该方法首先构造了移动机器人运动学模型,然后根据机器人内部传感器之间的冗余关系构造残差特征。根据残差特征设计机器人内部传感器软故障检测的阈值逻辑。此外,残差特征也作为后续粒子滤波估计的噪声方差调整依据。
该技术没有对航迹推算传感器出现失效故障时加以考虑。
本发明针对航迹推算系统内部传感器可能发生失效故障、激光雷达测量也可能受大噪声干扰的情况,在诊断内部传感器故障的同时,利用激光雷达的有效测量,快速提供较为准确的航迹推算信息。
发明内容
该技术的整体思路为将故障诊断与航迹推算问题作为一个离散与连续状态的联合估计问题。首先,根据移动机器人系统故障模型以及运动学模型,构造不同故障式下的运动学模型;其次,构造快速的激光雷达测量模型;最后,在粒子滤波器框架下,整合不同模式运动学模型与测量模型,同时实现故障诊断与航迹推算。
设Гt-1,Гt分别表示移动机器人t-1,t时刻的坐标系(位姿)。移动机器人航迹推算系统是计算从Гt-1到Гt的齐次变换At。
其中, 表示旋转矩阵,pt=(xt,yt)T表示平移向量。令xt=(xt,yt,θt)T,则航迹推算的实质是估计3维连续状态xt。
适用性说明:本技术适用于平面环境下二轮差动驱动移动机器人,要求该机器人配备有编码器(左、右轮各一)、陀螺仪、激光雷达。
为了实现在传感器故障情况下对移动机器人进行较为快速准确的航迹推算,本技术方案主要包含步骤。
步骤l:建立故障模式及其运动学模型
移动机器人内部传感器故障模式如表1所示,不同的故障模式其运动学模型各不相同,分别表示为公式(6-9)。
表1移动机器人内部传感器故障模式
步骤2:激光雷达感知模型
该步骤通过对激光雷达读数进行分段分析、逆射线跟踪以及高通滤波三个子步骤构造激光雷达快速鲁棒的感知模型。
步骤2.1:通过分段分析方法构建激光雷达有效感知窗口
步骤2.2:利用逆射线跟踪方法确定误差
步骤2.3:利用高通滤波实现鲁棒感知模型
步骤3:利用粒子滤波方法实现故障诊断和鲁棒航迹推算。
1)初始化,设置粒子数目N以及离散故障集合S={1,2,3,4}
2)对于每一时间步t,执行3-15
3)对于前4个粒子(i从1至4)执行4-8
4)
5)
6)
7)
8)
9)i从5至N循环,执行10-12
10)采样使得
11)根据粒子i的离散状态确定的运动学模型,采样连续状态
12)计算权重
13)计算边缘分布
14)故障诊断,
15)航迹推算,
本发明针对航迹推算系统内部传感器可能发生失效故障、激光雷达测量也可能受大噪声干扰的情况,同时诊断内部传感器故障并利用激光雷达的有效测量数据快速提供较为准确的航迹推算信息。
附图说明
下面结合附图,通过非限定性的举例对本发明的优选实施方式作进一步说明,在附图中:图1逆射线跟踪原理图
具体实施方式
以下将对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
令υt,记分别表示移动机器人t时刻的线速度以及偏航率,则直接根据υt和可以计算
通常,υt,分别通过编码器和陀螺仪的读数确定。令gt分别表示左轮编码器、右轮编码器、陀螺仪t时刻的读数,由于编码器测量和陀螺仪测量存在以下的冗余关系,
其中,D表示两轮间的轴距,对4种故障模式分别构造运动学模型如下:
模式1(无故障模式)的运动学模型:
模式2(左编码器故障)的运动学模型:
模式3(右编码器故障)的运动学模型:
模式4(陀螺仪故障)的运动学模型:
所述的激光雷达感知模型构建方法为:
(1)通过分段分析方法构建激光雷达有效感知窗口,设激光雷达t时刻的获得的原始数据表示为Rt,
其中,表示Rt的第j条射线,L为射线总数,表示第j条射线测量距离,表示第j条射线的方向,
其中,表示角度偏移,ζ表示角度分辨率;通过式(12)对Rt进行分段分析,
其中,表示第k段,ct表示分段数目, gap表示一个阈值,
设表示第k段射线数目,表示第k段射线平均长度,根据这两个特征,通过式(13)构造有效感知窗口,
其中,Wt表示Rt的有效感知窗口,γ,λ2,λ1分别表示阈值。特别地,对于LMS291激光雷达,设置γ=5,λ2=81.9m,λ1=.03m;
(2)利用逆射线跟踪方法确定误差
Γt-1,Γt分别表示移动机器人t-1,t时刻的坐标系(位姿),这两个坐标系的原点分别用Ot-1,Ot表示,令表示射线击中的点,则在坐标系Γt中的坐标为,
如前所述,Γt分相对于Γt-1的齐次变换矩阵为At,如式(3)。则在坐标系Γt-1中的坐标为:
其中,
设和分别表示相对于的长度和方向,根据式(15-17)有:
设齐次变换是准确的,且在Rt-1的视野内,则可用一种替代的方法计算和Ot-1之间的距离,设则Rt-1中方向射线的期望距离为,
射线的期望与感知距离的差异为,
如果齐次变换是准确的,则将很小,否贝将非常大。设激光雷达的噪声服从方差为σ2的正态分布,则射线在给定xt情况下的似然概率为,
(3)利用高通滤波实现鲁棒感知模型
为实现上述目标,采用如下方法计算p(Rt|Rt-1,xt),
所述利用粒子滤波方法实现故障诊断和鲁棒航迹推算具体过程:
16)初始化,设置粒子数目N以及离散故障集合S={1,2,3,4)
17)对于每一时间步t,执行3-15
18)对于前4个粒子(i从1至4)执行4-8
19)
20)
21)
22)
23)
24)i从5至N循环,执行10-12
25)采样使得
26)根据粒子i的离散状态确定的运动学模型,采样连续状态
27)计算权重
28)计算边缘分布
29)故障诊断,
30)航迹推算,
第3-8步确保每一个离散状态均被采样,同时确定了离散故障模式的初始概率,第10步说明离散故障模式采样概率由步骤8确定,第11步采样连续的状态,第14步进行故障诊断,第15步进行航迹推算。
Claims (1)
1.一种基于激光雷达的鲁棒航迹推算方法,根据移动机器人系统故障模型以及运动学模型,构造不同故障模式下的运动学模型;然后构造快速的激光雷达感知模型;最后,在粒子滤波器框架下,整合不同模式运动学模型与感知模型,同时实现故障诊断与航迹推算,所述的不同故障模式下的运动学模型的构造方法为:不同的故障模式其运动学模型各不相同,分别表示为公式(6-9):
令υt,分别表示移动机器人t时刻的线速度以及偏航率,则直接根据υt和可以计算xt: 其中xt是xt的第一分量,yt是xt的第二分量,υt,分别通过编码器和陀螺仪的读数确定,令gt分别表示左轮编码器、右轮编码器、陀螺仪t时刻的读数,由于编码器测量和陀螺仪测量存在以下的冗余关系,
其中,D表示两轮间的轴距,对4种故障模式分别构造运动学模型如下:
模式1无故障模式的运动学模型:
模式2左编码器故障的运动学模型:
模式3右编码器故障的运动学模型:
模式4陀螺仪故障的运动学模型:
所述的激光雷达感知模型构建方法为:
(1)通过分段分析方法构建激光雷达有效感知窗口,设激光雷达t时刻的获得的原始数据表示为Rt,
其中,表示Rt的第j条射线,L为射线总数,表示第j条射线测量距离,表示第j条射线的方向,
其中,表示角度偏移,表示角度分辨率;通过式(12)对Rt进行分段分析,
其中,表示第k段,表示的第一条射线编号,表示的最后一条射线编号,ct表示分段数目,ft 1=1, gap表示一个阈值,
设表示第k段射线数目,表示第k段射线平均长度,根据这两个特征,通过式(13)构造有效感知窗口,
其中,Wt表示Rt的有效感知窗口,γ,λ2,λ1分别表示阈值;对于LMS291激光雷达,设置γ=5,λ2=81.9m,λ1=.03m;
(2)利用逆射线跟踪方法确定误差
Γt-1,Γt分别表示移动机器人t-1,t时刻的坐标系,这两个坐标系的原点分别用Ot-1,Ot表示,令表示射线击中的点,则在坐标系Γt中的坐标为,
Γt分相对于Γt-1的齐次变换矩阵为At,则在坐标系Γt-1中的坐标为:
其中,
设和分别表示相对于的长度和方向,根据公式(15-17)有:
设齐次变换是准确的,且在Rt-1的视野内,则可用一种替代的方法计算和Ot-1之间的距离,设则Rt-1中方向射线的期望距离为,
射线的感知与期望距离的差异为,
如果齐次变换是准确的,则将很小,否则将非常大;设激光雷达的噪声服从方差为σ2的正态分布,则射线在给定xt情况下的似然概率为,
(3)利用高通滤波实现鲁棒感知模型
采用如下方法计算p(Rt|Rt-1,xt),
利用粒子滤波方法实现故障诊断和鲁棒航迹推算具体过程:
1)初始化,设置粒子数目N以及离散故障集合S={1,2,3,4}
2)对于每一时间步t,执行3-15
3)对于前4个粒子,i从1至4,执行4)-8)
4)其中,st为t时刻的故障模式
5)
6)
7)
8)
9)i从5至N循环,执行10-12
10)采样使得
11)根据粒子i的离散状态确定的运动学模型,采样连续状态
12)计算权重
13)计算边缘分布 表示t时刻的离散状态
14)故障诊断,
15)航迹推算,
第3-8步确保每一个离散状态均被采样,同时确定了离散故障模式的初始概率,第10步说明离散故障模式采样概率由步骤8确定,第11步采样连续的状态,第14步进行故障诊断,第15步进行航迹推算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310305512.4A CN103344963B (zh) | 2013-07-12 | 2013-07-12 | 一种基于激光雷达的鲁棒航迹推算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310305512.4A CN103344963B (zh) | 2013-07-12 | 2013-07-12 | 一种基于激光雷达的鲁棒航迹推算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103344963A CN103344963A (zh) | 2013-10-09 |
CN103344963B true CN103344963B (zh) | 2016-05-18 |
Family
ID=49279776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310305512.4A Expired - Fee Related CN103344963B (zh) | 2013-07-12 | 2013-07-12 | 一种基于激光雷达的鲁棒航迹推算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103344963B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095918B (zh) * | 2015-09-07 | 2018-06-26 | 上海交通大学 | 一种多机器人系统故障诊断方法 |
CN107218939B (zh) * | 2017-06-04 | 2018-10-09 | 安徽果力智能科技有限公司 | 一种基于运动分解的移动机器人航迹推算定位方法 |
CN109669350B (zh) * | 2017-10-13 | 2021-07-20 | 电子科技大学中山学院 | 一种三轮全向移动机器人车轮滑动定量估计方法 |
CN109765569B (zh) * | 2017-11-09 | 2022-05-17 | 电子科技大学中山学院 | 一种基于激光雷达实现虚拟航迹推算传感器的方法 |
CN110333526B (zh) * | 2019-05-22 | 2021-11-02 | 电子科技大学中山学院 | 一种基于gps的仿真航迹推算传感器方法 |
CN113375658B (zh) * | 2021-06-15 | 2023-05-09 | 电子科技大学中山学院 | 移动机器人故障下同时fdd和slam的方法及系统 |
CN113298317B (zh) * | 2021-06-16 | 2022-11-04 | 电子科技大学中山学院 | 一种风力发电机组偏航控制方法 |
CN114856422B (zh) * | 2022-05-07 | 2023-06-02 | 中国矿业大学 | 钻孔机器人用全自主移动底盘控制系统及控制方法 |
-
2013
- 2013-07-12 CN CN201310305512.4A patent/CN103344963B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
Fault Diagnosis and Fault Tolerant Control for Wheeled Mobile Robots under Unknown Environments : A Survey;DUAN Zhuo-hua et al.;《Robotics and Automation, 2005. ICRA 2005. Proceedings of the 2005 IEEE International Conference on》;20050422;3428-3433 * |
基于自适应粒子滤波器的移动机器人故障诊断理论与方法研究;段琢华;《中国博士学位论文全文数据库(电子期刊)》;20080131(第1期);1-108 * |
Also Published As
Publication number | Publication date |
---|---|
CN103344963A (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103344963B (zh) | 一种基于激光雷达的鲁棒航迹推算方法 | |
US11519729B2 (en) | Vision-aided inertial navigation | |
Heo et al. | Consistent EKF-based visual-inertial odometry on matrix Lie group | |
CN101726295B (zh) | 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法 | |
Stienne et al. | A multi-temporal multi-sensor circular fusion filter | |
CN103363993A (zh) | 一种基于无迹卡尔曼滤波的飞机角速率信号重构方法 | |
Liu et al. | Sideslip angle estimation of ground vehicles: a comparative study | |
CN105136145A (zh) | 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法 | |
Saadeddin et al. | Optimization of intelligent approach for low-cost INS/GPS navigation system | |
Zhang et al. | Lidar-IMU and wheel odometer based autonomous vehicle localization system | |
Abdel-Hafez et al. | Constrained low-cost GPS/INS filter with encoder bias estimation for ground vehicles׳ applications | |
CN104246825A (zh) | 用于车辆摄像机的在线校准的方法和装置 | |
Zinoune et al. | Sequential FDIA for autonomous integrity monitoring of navigation maps on board vehicles | |
Wen et al. | An improved SINS/NHC integrated navigation algorithm based on Ackermann turning geometry | |
CN105571595A (zh) | 一种基于鲁棒滤波的救援清障车姿态角估计方法 | |
Malvezzi et al. | Train position and speed estimation by integration of odometers and IMUs | |
El Sabbagh et al. | Promoting navigation system efficiency during GPS outage via cascaded neural networks: A novel AI based approach | |
Chu et al. | Performance comparison of tight and loose INS-Camera integration | |
CN107462242A (zh) | 车辆测速方法及其装置 | |
Barrau et al. | Invariant filtering for pose ekf-slam aided by an imu | |
CN104501817A (zh) | 一种基于误差消除的车载导航系统 | |
CN104501818B (zh) | 一种基于盲区消除的车载导航系统 | |
Xiao et al. | Camera-imu extrinsic calibration quality monitoring for autonomous ground vehicles | |
CN113946151A (zh) | 针对自动驾驶车辆的数据处理方法、装置和自动驾驶车辆 | |
Oonk et al. | Extended kalman filter for improved navigation with fault awareness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160518 Termination date: 20200712 |
|
CF01 | Termination of patent right due to non-payment of annual fee |