CN109655055A - 一种轨检机器人的定位方法 - Google Patents
一种轨检机器人的定位方法 Download PDFInfo
- Publication number
- CN109655055A CN109655055A CN201811320842.XA CN201811320842A CN109655055A CN 109655055 A CN109655055 A CN 109655055A CN 201811320842 A CN201811320842 A CN 201811320842A CN 109655055 A CN109655055 A CN 109655055A
- Authority
- CN
- China
- Prior art keywords
- partial
- kalman filter
- local
- estimation value
- optimal estimation
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明适用于铁路精密测量技术领域,提供了一种轨检机器人的定位方法,包括:通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。本发明实施例融合了各个传感器的优点,改变单一传感器定位的不足,提高了定位精度。使得轨检机器人可以精确定位轨道病害,便于检修工班快速进行抢修,提高检测与维修的效率。
Description
技术领域
本发明属于铁路精密测量技术领域,尤其涉及一种轨检机器人的定位方法。
背景技术
随着我国城市铁路交通事业发展迅速,列车行驶的安全和可靠成为重中之重。为保证列车行驶的安全和可靠,铁路的日常维检就成为重要保障。由于人工巡查这种方法效率低、劳动量大、耗时多、可靠性不高、漏检率高、经济支撑大,同时巡道工的安全也会受到威胁,目前已经研发出了自行走、高精确性、易操作和可远程控制的轨道检测机器人,用于城市轨道交通等的轨道维护检修。目前大多数的轨检机器人使用的定位方法就是通过简单的GPS或者根据电机的转动圈数以及机器人驱动轮的直径确定机器人移动的距离,但是GPS的定位精度只能给出一个几米内的大概范围,电机由于空转和打滑也会产生误差,导致并不能给出精准的定位位置,最终还是需要人工去确定。
发明内容
有鉴于此,本发明实施例提供了一种轨检机器人定位方法,以解决现有技术中GPS定位精度不高,电机由于空转和打滑也会产生误差,导致并不能给出精准的定位位置的问题。
本发明实施例的第一方面提供了一种一种轨检机器人定位方法,包括:
通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;
通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;
将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。
进一步的,所述通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值之前,还包括:
建立状态方程、霍尔元件编码器的观测方程以及惯性传感器的观测方程。
进一步的,所述将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值,包括:
根据第一局部最优估计值、第二局部最优估计值、第一局部卡尔曼滤波器的信息权值和第二局部卡尔曼滤波器的信息权值计算出全局最优距离估计值。
进一步的,所述根据第一局部最优估计值、第二局部最优估计值、第一局部卡尔曼滤波器的信息权值和第二局部卡尔曼滤波器的信息权值计算出全局最优距离估计值之后,还包括:
将全局最优距离估计值反馈给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器,重置第一局部卡尔曼滤波器和第二局部卡尔曼滤波器的参数,并分配新的信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器。
进一步的,所述分配信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器,包括:
按照信息权值守恒原理给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器分配新的信息权值。
进一步的,所述方法还包括:
通过相机拍摄道床上的条形码,获取其中的位置信息,根据所述位置信息对所述全局最优距离估计值进行更新。
本发明实施例的第二方面提供了一种一种轨检机器人定位装置,包括:
第一距离获取模块,用于通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;
第二距离获取模块,通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;
融合计算模块,用于将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。
所述装置还包括:
信息权值分配模块,用于根据信息权值守恒原理分配信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器。
第三方面,本发明实施例提供了一种终端设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持终端执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。本发明实施例融合了各个传感器的优点,改变单一传感器定位的不足,提高了定位精度。使得轨检机器人可以精确定位轨道病害,便于检修工班快速进行抢修,提高检测与维修的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种轨检机器人的定位方法的示意流程图;
图2是本发明实施例提供的另一种轨检机器人的定位方法的示意流程图;
图3是本发明实施例提供的另一种轨检机器人的定位方法的示意流程图;
图4是本发明实施例提供的另一种轨检机器人的定位方法的示意流程图;
图5是本发明实施例提供的另一种轨检机器人的定位方法的示意流程图;
图6是本发明实施例提供的另一种轨检机器人的定位方法的示意流程图;
图7是本发明实施例提供的一种轨检机器人的定位装置结构示意图;
图8是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参考图1,图1是本发明实施例提供的一种轨检机器人的定位方法的示意流程图,该方法执行主体为处理器,所述处理器执行如步骤S101至S103所述的方法,该方法包括:步骤S101至步骤S103。
步骤S101,通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值。
所述轨检机器人上固定有霍尔元件编码器,所述霍尔元件编码器与轨检机器人的电机连接,用于统计电机转动所产生的脉冲数,所述霍尔元件编码器还与处理器连接,将统计的脉冲数发送给处理器。
因为机器人车轮转动一周产生的脉冲数是固定的,当采样周期固定后,通过统计电机内霍尔元件编码器产生的脉冲数,从而推算出该段时间间隔ΔT内轨检机器人的车轮转动了多少圈,结合机器人的轮径值,从而得到车轮转动的距离,当不发生空转或者滑行的情况下,车轮转动的距离等于机器人前进的距离。具体可以用公式:计算机器人前进的距离,其中,s为单个周期内机器人走过的距离;n为单位周期内接收到的脉冲数;D为机器人当前的车轮直径数值,即轮径;N为车轮正常转动时,单位周期内得到的脉冲数。上述公式是在轨检机器人车轮不发生空转或者滑行的情况下的计算公式,但在实际测量过程中,轨检机器人的车轮会发生空转或者滑行,而且车轮会产生磨损,因此,通过传感器霍尔元件编码器测量出的第一行驶距离中中包含了误差。
将通过传感器霍尔元件编码器测量出的第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值和第一局部协方差矩阵Pi1=(k丨k)。
在本发明实施例中,所述滤波器为联邦卡尔曼滤波器,联邦卡尔曼滤波器是一种信息融合技术,因此联邦滤波过程也就是个信息处理过程,在本发明实施例中,联邦卡尔曼滤波器是由众多子滤波器和一个主滤波器组成,它是一种具有两阶段数据处理的分散化滤波方法。它的参考传感器一般是惯导系统,它的输出Xg—方面直接给主滤波器,另一方面它可以输出给各局部滤波器作为量测值,各个系统的输出只给相应的子滤波器。各子滤波器的局部估计值及其协方差矩阵送入主滤波器和主滤波器的估计值一起进行融合以得到全局最优估计。
步骤S102,通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值。
在本发明的一种实施例中,轨检机器人上设置有惯性传感器,所述惯性传感器用于测量轨检机器人运动时的加速度,所述惯性传感器与处理器连接,用于将所述加速度发生给处理器。
所述惯性传感器为加速度计,加速度计的作用是测量轨检机器人运动时的加速度,再通过积分运算可以得到机器人的相对位置。加速度计的误差与它的安装误差、测量固有误差和测量随机误差有关。机器人运行方向(即沿轨道方向)得到加速度计的测量方程如下:aA(t)=a(t)cosθ(t)+gsinφ(t)+εA(t)+NA(t),其中,aA(t)为测量的列车加速度;a(t)为列车真实的加速度;g为重力加速度;θ(t)、φ(t)为加速度计的安装误差,θ(t)为加速度计与列车加速度方向在水平面上的夹角,φ(t)为加速度计与列车加速度方向在列车加速度方向在纵轴面上的夹角;εA(t)为测量固有误差;NA(t)为测量随机误差。其中θ(t)、φ(t)在测量仪器安装好之后一般不会发生变化,可以看成是固定值。
将通过惯性传感器测量出的第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值和第二局部协方差矩阵Pi2=(k丨k)。
步骤S103,将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。
将第一局部最优估计值第一局部协方差矩阵Pi1=(k丨k)、第二局部最优估计值和第二局部协方差矩阵Pi2=(k丨k)输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值和全局最优协方差矩阵
具体的,所述将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值,包括:根据第一局部最优估计值、第二局部最优估计值、第一局部卡尔曼滤波器的信息权值和第二局部卡尔曼滤波器的信息权值计算出全局最优距离估计值。
需要说明的是,在本发明其他实施例中,步骤101和步骤102可以同时执行,也可以先执行步骤102再执行步骤101,步骤101和步骤102没有严格的时序要求,各步骤的序号的大小并不意味着执行顺序的先后。
但是,同时执行最终得到的全局最优估计值更加准确。
本发明实施例通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。本发明实施例融合了各个传感器的优点,改变单一传感器定位的不足,提高了定位精度。使得轨检机器人可以精确定位轨道病害,便于检修工班快速进行抢修,提高检测与维修的效率。
参考图2,在本发明实施例步骤S101:通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值之前,还包括步骤S100。
步骤S100,建立状态方程、霍尔元件编码器的观测方程、以及惯性传感器的观测方程。
所述建立状态方程,包括:
轨检机器人在正常运行检测时为匀速运动或匀加速运动,可用匀加速模型描述机器人的运动状态:
设轨道机器人的位置为s、速度为v、和加速度分量为a。设w(t)是均值为0,方差为2的高斯白噪声,等价于随机扰动加速度。
其中A、X、B为系数,T为矩阵的转置。
那么状态方程为:设数据采样周期为T,T=tk-tk-1,则
机器人的位置坐标、速度和加速度的迭代公式为:
s(k)=s(k-1)+Tv(k-1)+(T2/2)·a(k-1)+ws(k-1)
v(k)=v(k-1)+Ta(k-1)+wv(k-1),
a(k)=a(k-1)+wa(k-1)
其中,k表示某一点,k-1就是前一点。式中:s(k)、v(k)和a(k)分别为k时刻机器人的位置坐标、速度和加速度分量,其中机器人位置信息、速度信息、加速度信息的噪声为ws(k)、wv(k)、wa(k),矩阵形式表达为:
令:
则有:Xi(k)=ΦXi(k-1)+ΓW(k-1)。其中,Φ和Г为矩阵形成后的系数。
建立霍尔元件编码器的观测方程,包括:
由于加速度计在短时间内的累计误差较小,通过相邻轨枕的单位时间内,通过加速度计积分的速度与霍尔元件计算的速度进行对比,进行空转、滑行的检测,即积分速度大于霍尔元件测量速度,则表明机器人发生滑行,积分速度小于霍尔元件编码器测量速度,则表明机器人发生空转。对磨损轮子直径的修正和空转滑行的检测处理后,以轨道机器人的速度和位置作为观测量,则霍尔元件编码器测速的观测方程可以写成:
那么霍尔元件编码器的观测方程为ZL(k)=HLX(k)+VL(k),其中VL(k)为随机测量误差,HL为矩阵系数。
建立惯性传感器的观测方程,包括:
将上述实施例中惯性传感器的测量方程aA(t)=a(t)cosθ(t)+gsinφ(t)+εA(t)+NA(t)离散化后,得到惯性传感器的观测方程:ZA(k)=HAX(k)+VA(k),其中VA(k)=NA(t),HA矩阵系数。
卡尔曼滤波器是连续变化系统的理想选择,卡尔曼滤波器具有占用存储小,运算速度快,适合实时处理。本发明实施例通过卡尔曼滤波器可以精准的估计出轨检机器人的具体位置,解决了单一传感器定位不准确的问题。
参考图3,在本发明实施例步骤S103:将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值之后,还包括步骤S104。
步骤S104,将全局最优距离估计值反馈给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器,重置第一局部卡尔曼滤波器和第二局部卡尔曼滤波器的参数,并分配新的信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器。
所述重置第一局部卡尔曼滤波器和第二局部卡尔曼滤波器的参数,包括:
将全局最优距离估计值和全局最优协方差矩阵反馈到第一局部卡尔曼滤波器和第二局部卡尔曼滤波器,替换第一局部卡尔曼滤波器和第二局部卡尔曼滤波器中的最优估计值和最优协方差矩阵。
所述分配新的信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器,包括:
按照信息权值守恒原理给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器分配信息权值;第一局部卡尔曼滤波器的信息权值+第二局部卡尔曼滤波器的信息权值=1。
系统主卡尔曼滤波器通过状态更新以及时间更新,给各个局部滤波器完成信息权值分配并将最终的状态估计反馈到各个局部滤波器。信息权值分配是依据信息权值守恒原理给各个子滤波器分配信息权值。根据速度不同、定位位置不同,在不一样的工作状态下分配不一样的信息权值,这样可以更好的每个传感器的优点,减少单一传感器故障给系统带来的影响,提高系统的鲁棒性。
在本发明实施例中,信息权值分配的具体规则如下: 其中,βi为标量分配系数。根据信息守恒原理可知,分配系数βi满足:在本发明实施例中体现为:第一局部卡尔曼滤波器的信息权值+第二局部卡尔曼滤波器的信息权值=1。
在本发明实施例中,为了提高测速定位的精度和稳定性,必须依据霍尔元件编码器和惯性传感器的传感器特性,以及各传感器的工作状态对信息分配系数进行自适应分配,具体原则为:
βL+βA=1
βL=1-βA
βA为惯性传感器的权重系数,βL为霍尔编码器的权重系数。
主滤波器需要判断系统工作模式去改变信息权值分配,对于每个传感器都要时刻进行工作状态监测,如果当某个传感器数据出现异常,这时就将其的信息权值分配系数分配给其它子滤波器,同时不再给其分配信息权值。
参考图4,图4是本发明实施例提供的另一种轨检机器人定位方法的示意流程图,该方法执行主体为处理器,所述处理器执行如步骤S401至S404所述的方法,该方法包括:步骤S401至步骤S404。
步骤S401,通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;
步骤S402,通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;
步骤S403,将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。
步骤S404,通过相机拍摄道床上的条形码,对条形码进行分析得到条形码中的位置信息,根据所述位置信息对所述全局最优距离估计值进行更新。
将条形码有序粘贴在道床上且在地铁隧道的百米标附近,并与百米标形成固定的几何关系,结合已有的地铁设备里程图,将地铁隧道划分为各区间并加以编号,条形码与隧道内的百米标有一一对应关系,相邻的条形码之间形成区间。所述条形码中包含详细的位置信息。
采用一维条形码作为路标信息编码和自动识别采集的标准符号,且对条形码进行黑白反色处理,加强其在强光条件下的识别能力,参考图5,将条形码粘贴在两个轨枕之间的道床上,条形码的粘贴位置根据地铁隧道内百米标确定。参考图6,条形码的粘贴位置与隧道内百米标形成一定几何关系,即条形码的中心与百米标的中心在同一横截面上。条形码路标信息将地铁隧道划分为各个区间,并且对各个区间进行路标组分类。
轨检机器人通过相机识别条形码后,通过坐标转换关系,获得机器人当前的里程信息,经过路标参数的更新与路标组匹配,确定轨检机器人的所在位置,机器人连续识别多个条形码后,进行条形码内路标信息的有序性检测,判断该路标参数信息的可靠性。
由于霍尔元件编码器速度定位、惯性传感器测量定位会出现累积误差,运行时间越长误差就越大,本发明采用条形码信息进行系统绝对定位坐标校准,每遇到一个条形码就将条形码中的位置信息更新为主滤波器的最优定位估计。
本发明实施例通过将条形码的位置信息更新为主滤波器的最优定位估计,可以减少由于霍尔元件编码器、惯性传感器出现的累积误差。
参考图7,图7是本发明实施例提供的一种轨检机器人的定位装置70的示意图,如图7所示,该装置包括:第一距离获取模块71,第二距离获取模块72和融合计算模块73。
第一距离获取模块71,用于通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;
第二距离获取模块72,通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;
融合计算模块73,用于将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。
进一步的,所述装置还包括:
信息权值分配模块,用于根据信息权值守恒原理分配信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图8是本发明一实施例提供的终端设备的示意图。如图8所示,该实施例的终端设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块的功能,例如图7所示模块71至73的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器81中,并由所述处理器80执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。
所述终端设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是终端设备8的示例,并不构成对终端设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端设备8的内部存储单元,例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备,例如所述终端设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轨检机器人的定位方法,其特征在于,包括:
通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;
通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;
将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。
2.如权利要求1所述的方法,其特征在于,所述通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值之前,还包括:
建立状态方程、霍尔元件编码器的观测方程、以及惯性传感器的观测方程。
3.如权利要求1所述的方法,其特征在于,所述将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值,包括:
根据第一局部最优估计值、第二局部最优估计值、第一局部卡尔曼滤波器的信息权值和第二局部卡尔曼滤波器的信息权值计算出全局最优距离估计值。
4.如权利要求3所述的方法,其特征在于,所述根据第一局部最优估计值、第二局部最优估计值、第一局部卡尔曼滤波器的信息权值和第二局部卡尔曼滤波器的信息权值计算出全局最优距离估计值之后,还包括:
将全局最优距离估计值反馈给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器,重置第一局部卡尔曼滤波器和第二局部卡尔曼滤波器的参数,并分配新的信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器。
5.如权利要求4所述的方法,其特征在于,所述分配新的信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器,包括:
按照信息权值守恒原理给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器分配新的信息权值。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过相机拍摄铁路道床上的条形码,对条形码进行分析得到条形码中包含的位置信息,根据所述位置信息对所述全局最优距离估计值进行更新。
7.一种轨检机器人的定位装置,其特征在于,包括:
第一距离获取模块,用于通过霍尔元件编码器获取轨检机器人的第一行驶距离,并将所述第一行驶距离输入第一局部卡尔曼滤波器得到第一局部最优估计值;
第二距离获取模块,通过惯性传感器获取轨检机器人的第二行驶距离,并将所述第二行驶距离输入第二局部卡尔曼滤波器得到第二局部最优估计值;
融合计算模块,用于将第一局部最优估计值和第二局部最优估计值输入主卡尔曼滤波器进行定位融合,得到全局最优距离估计值。
8.如权利要求7所述的装置,其特征在于,所述装置还包括:
信息权值分配模块,用于根据信息权值守恒原理分配信息权值给第一局部卡尔曼滤波器和第二局部卡尔曼滤波器。
9.一种终端,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811320842.XA CN109655055B (zh) | 2018-11-07 | 2018-11-07 | 一种轨检机器人的定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811320842.XA CN109655055B (zh) | 2018-11-07 | 2018-11-07 | 一种轨检机器人的定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109655055A true CN109655055A (zh) | 2019-04-19 |
CN109655055B CN109655055B (zh) | 2020-11-20 |
Family
ID=66110645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811320842.XA Active CN109655055B (zh) | 2018-11-07 | 2018-11-07 | 一种轨检机器人的定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109655055B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110181536A (zh) * | 2019-06-28 | 2019-08-30 | 华中科技大学无锡研究院 | 用于高铁车体定位的系统 |
CN111121827A (zh) * | 2019-12-19 | 2020-05-08 | 杭州电子科技大学 | 一种基于卡尔曼滤波的tmr磁编码器系统 |
CN111273665A (zh) * | 2020-02-12 | 2020-06-12 | 北京海益同展信息科技有限公司 | 一种巡检机器人、风速测量系统及风速测量方法 |
CN112014848A (zh) * | 2020-02-11 | 2020-12-01 | 深圳技术大学 | 一种轨枕定位方法、轨枕定位装置及电子设备 |
CN112149519A (zh) * | 2020-09-03 | 2020-12-29 | 武汉纵横天地空间信息技术有限公司 | 一种基于图像识别和识别码识别的轨枕识别方法及系统 |
CN112859850A (zh) * | 2021-01-08 | 2021-05-28 | 京东数科海益信息科技有限公司 | 运动控制方法和运动控制装置 |
CN114440891A (zh) * | 2022-01-25 | 2022-05-06 | 深圳技术大学 | 用于空中交通管理的四维航迹规划方法及系统、设备 |
CN115041669A (zh) * | 2022-06-30 | 2022-09-13 | 山东中衡光电科技有限公司 | 用于大型轮带切割设备的控制系统和控制方法 |
CN115127521A (zh) * | 2021-03-24 | 2022-09-30 | Tvs电机股份有限公司 | 倾斜预估 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012225846A (ja) * | 2011-04-21 | 2012-11-15 | West Japan Railway Co | 線路周辺設備空間情報取得システム |
CN103569154A (zh) * | 2012-07-26 | 2014-02-12 | 上海工程技术大学 | 一种轨道建筑空间扫描信息的点云数据处理方法 |
CN103612649A (zh) * | 2013-11-25 | 2014-03-05 | 成都南中软易科技有限公司 | 基于激光多普勒测速的列车精确定位方法及装置 |
CN105651280A (zh) * | 2016-01-17 | 2016-06-08 | 济南大学 | 一种矿井无人电机车组合定位方法 |
CN205327082U (zh) * | 2015-12-01 | 2016-06-22 | 深圳大学 | 一种基于多传感器集成同步控制的城市轨道检测装置 |
CN106323294A (zh) * | 2016-11-04 | 2017-01-11 | 新疆大学 | 变电站巡检机器人定位方法及定位装置 |
CN106393104A (zh) * | 2016-08-25 | 2017-02-15 | 北京创想智控科技有限公司 | 一种移动机器人的行程校准方法 |
CN106524924A (zh) * | 2016-11-25 | 2017-03-22 | 闫东坤 | 一种基于光学惯性组合的轨检车位置姿态测量系统及方法 |
CN108303063A (zh) * | 2017-12-21 | 2018-07-20 | 中国船舶重工集团公司第七0七研究所 | 一种高精度车载组合高程测量方法 |
-
2018
- 2018-11-07 CN CN201811320842.XA patent/CN109655055B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012225846A (ja) * | 2011-04-21 | 2012-11-15 | West Japan Railway Co | 線路周辺設備空間情報取得システム |
CN103569154A (zh) * | 2012-07-26 | 2014-02-12 | 上海工程技术大学 | 一种轨道建筑空间扫描信息的点云数据处理方法 |
CN103612649A (zh) * | 2013-11-25 | 2014-03-05 | 成都南中软易科技有限公司 | 基于激光多普勒测速的列车精确定位方法及装置 |
CN205327082U (zh) * | 2015-12-01 | 2016-06-22 | 深圳大学 | 一种基于多传感器集成同步控制的城市轨道检测装置 |
CN105651280A (zh) * | 2016-01-17 | 2016-06-08 | 济南大学 | 一种矿井无人电机车组合定位方法 |
CN106393104A (zh) * | 2016-08-25 | 2017-02-15 | 北京创想智控科技有限公司 | 一种移动机器人的行程校准方法 |
CN106323294A (zh) * | 2016-11-04 | 2017-01-11 | 新疆大学 | 变电站巡检机器人定位方法及定位装置 |
CN106524924A (zh) * | 2016-11-25 | 2017-03-22 | 闫东坤 | 一种基于光学惯性组合的轨检车位置姿态测量系统及方法 |
CN108303063A (zh) * | 2017-12-21 | 2018-07-20 | 中国船舶重工集团公司第七0七研究所 | 一种高精度车载组合高程测量方法 |
Non-Patent Citations (2)
Title |
---|
吕建新: "两轮自平衡移动机器人组合导航技术应用研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
闫浩月: "融合激光测距仪和惯导信息的移动机器人室内定位方法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110181536A (zh) * | 2019-06-28 | 2019-08-30 | 华中科技大学无锡研究院 | 用于高铁车体定位的系统 |
CN111121827A (zh) * | 2019-12-19 | 2020-05-08 | 杭州电子科技大学 | 一种基于卡尔曼滤波的tmr磁编码器系统 |
CN111121827B (zh) * | 2019-12-19 | 2021-09-14 | 杭州电子科技大学 | 一种基于卡尔曼滤波的tmr磁编码器系统 |
CN112014848A (zh) * | 2020-02-11 | 2020-12-01 | 深圳技术大学 | 一种轨枕定位方法、轨枕定位装置及电子设备 |
CN112014848B (zh) * | 2020-02-11 | 2023-06-23 | 深圳技术大学 | 一种轨枕定位方法、轨枕定位装置及电子设备 |
CN111273665A (zh) * | 2020-02-12 | 2020-06-12 | 北京海益同展信息科技有限公司 | 一种巡检机器人、风速测量系统及风速测量方法 |
CN112149519B (zh) * | 2020-09-03 | 2021-06-22 | 武汉纵横天地空间信息技术有限公司 | 一种基于图像识别和识别码识别的轨枕识别方法及系统 |
CN112149519A (zh) * | 2020-09-03 | 2020-12-29 | 武汉纵横天地空间信息技术有限公司 | 一种基于图像识别和识别码识别的轨枕识别方法及系统 |
CN112859850A (zh) * | 2021-01-08 | 2021-05-28 | 京东数科海益信息科技有限公司 | 运动控制方法和运动控制装置 |
CN115127521A (zh) * | 2021-03-24 | 2022-09-30 | Tvs电机股份有限公司 | 倾斜预估 |
CN114440891A (zh) * | 2022-01-25 | 2022-05-06 | 深圳技术大学 | 用于空中交通管理的四维航迹规划方法及系统、设备 |
CN114440891B (zh) * | 2022-01-25 | 2023-08-25 | 深圳技术大学 | 用于空中交通管理的四维航迹规划方法及系统、设备 |
CN115041669A (zh) * | 2022-06-30 | 2022-09-13 | 山东中衡光电科技有限公司 | 用于大型轮带切割设备的控制系统和控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109655055B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109655055A (zh) | 一种轨检机器人的定位方法 | |
CN105588576B (zh) | 一种车道级导航方法及系统 | |
US11024166B2 (en) | Method, apparatus, and computer program product for estimating traffic speed through an intersection | |
CN206479647U (zh) | 定位系统及汽车 | |
AU2003297569C1 (en) | Method for identifying a toll-required section of road | |
JP5162849B2 (ja) | 不動点位置記録装置 | |
CN101739824B (zh) | 基于数据融合技术的交通状况估计方法 | |
CN106842269A (zh) | 定位方法及系统 | |
Liu et al. | Calibrating large scale vehicle trajectory data | |
JP2016180980A (ja) | 情報処理装置、プログラム、及び地図データ更新システム | |
CN111183465B (zh) | 使用车辆轨迹数据的自适应交通控制 | |
CN109186597B (zh) | 一种基于双mems-imu的室内轮式机器人的定位方法 | |
CN102096702B (zh) | 一种车辆行驶里程处理系统及其处理方法 | |
CN103827632B (zh) | 位置检测装置以及位置检测方法 | |
CN104360366A (zh) | 航位推算和全球定位系统的组合定位方法 | |
JP3775394B2 (ja) | 走行リンク確定システム及びリンク旅行時間計測システム | |
CN205940567U (zh) | 一种车载组合导航定位系统 | |
US12007784B2 (en) | Method and apparatus for self localization | |
CN106133802A (zh) | 用于推定行驶速度的装置和方法 | |
CN111183464B (zh) | 基于车辆轨迹数据估计信号交叉路口的饱和流量的系统和方法 | |
CA2819322C (en) | Method for determining the length of a path traveled by a vehicle | |
CN109682372B (zh) | 一种结合建筑物结构信息与rfid标定的改进型pdr方法 | |
CN114663992B (zh) | 一种多源数据融合高速公路门架定位方法 | |
CN106840162A (zh) | 基于惯导的室内路径匹配方法 | |
CN109358351B (zh) | 基于北斗定位的曲线路径动态车距测算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 518000 Lantian Road 3002, Shijing Street, Pingshan District, Shenzhen, Guangdong Province Patentee after: Shenzhen Technical University Address before: No. 3002, Lantian Road, Pingshan District, Shenzhen, Guangdong 518000 Patentee before: SHENZHEN TECHNOLOGY University |
|
CP03 | Change of name, title or address |