CN109974698A - 一种室内物流小车定位方法和终端设备 - Google Patents
一种室内物流小车定位方法和终端设备 Download PDFInfo
- Publication number
- CN109974698A CN109974698A CN201910286299.4A CN201910286299A CN109974698A CN 109974698 A CN109974698 A CN 109974698A CN 201910286299 A CN201910286299 A CN 201910286299A CN 109974698 A CN109974698 A CN 109974698A
- Authority
- CN
- China
- Prior art keywords
- state
- model
- logistics trolley
- measurement
- indoor logistics
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004807 localization Effects 0.000 title abstract 2
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种室内物流小车定位方法和终端设备，方法包括如下步骤：室内物流小车在起始点位置和传感器的数据初始化的基础上运行并采集运行中的数据；传感器包括陀螺仪、速度计和里程计；构建状态模型和测量模型；利用高斯过程回归算法学习偏差，偏差为所述状态模型和所述测量模型与实际的状态和所述测量模型的偏差；学习关系遵从高斯过程回归算法中的输入与输出的关系；将均方根无迹卡尔曼滤波算法应用到状态模型和测量模型中，在时间更新和测量更新阶段对进行偏差补偿并预测下一时刻所述室内物流小车的位置。在研究对象系统模型不准确的情况下，通过学习偏差和补偿偏差的方式仍然可以提高对象系统的状态估计和对象系统定位精度。
Description
技术领域
本发明涉及物流技术领域，尤其涉及一种室内物流小车定位方法和终端设备。
背景技术
近些年来，科技的迅速发展革新带动了各个行业的变革。物流领域也快速的发生了相较于传统形式的颠覆式的变化，特别是物流仓库内物流小车的广泛应用。这种小车具备自主搬运货架、充电、多车协同工作以及导航等功能，不同较高成本的磁导航，这种小车依靠地面上每个一定距离的QR码来导航。对这种室内物流小车进行定位成为保证这些小车高效协同工作的必要条件之一。
在非线性系统中，对于研究对象的状态估计和追踪定位的情形，我们通常会选择无迹卡尔曼滤波算法，但是这种算法在时间更新阶段选择sigma点的时候都会对状态协方差矩阵进行开方，这就要求协方差矩阵满足正定性，并且需要较高的数值稳定性。对于均方根形式的无迹卡尔曼滤波算法，就很好地解决了这个问题，这种算法在每次时间更新阶段选择sigma点的时候直接以状态协方差的Cholesky因子的形式进行传播，保证了状态协方差矩阵半正定性的条件，使得算法的数值稳定性得到了提高。
对于均方根无迹卡尔曼滤波算法的具体应用，要求我们必须先对研究对象或者系统建立对应的状态空间模型，但是对于复杂的系统我们没办法根据先验知识来完全的建立一个准确无误的模型或者模型建立不起来。
发明内容
本发明为了解决现有的问题，提供一种室内物流小车定位方法和终端设备。
为了解决上述问题，本发明采用的技术方案如下所述：
一种室内物流小车定位方法，包括如下步骤：S1：室内物流小车在起始点位置和传感器的数据初始化的基础上运行并采集运行中的数据；所述传感器包括陀螺仪、速度计和里程计；S2：基于所述陀螺仪和速度计采集的数据采用拟合算法分别拟合出所述陀螺仪和所述速度计的状态模型；基于所述里程计采集的位移和所述速度计采集的速度建立所述室内物流小车的测量模型；S3：利用高斯过程回归算法学习偏差，所述偏差为所述状态模型和所述测量模型与实际的状态和所述测量模型的偏差；学习关系遵从高斯过程回归算法中的输入与输出的关系；S4：将均方根无迹卡尔曼滤波算法应用到所述状态模型和所述测量模型中，在时间更新和测量更新阶段对所述室内物流小车的所述状态模型和所述测量模型进行偏差补偿并预测下一时刻所述室内物流小车的位置。
在本发明的一种实施例中，所述陀螺仪收集的数据获取所述室内物流小车的转弯的状态信息；利用积分法建立所述室内物流小车的测量模型，积分采用离散累加和形式。
在本发明的又一种实施例中，步骤S3中所述高斯过程回归算法中的核函数为径向基函数；所述状态模型的径向基函数和对应的超参数设置如下：
其中，xi，xj代表状态量，代表预测状态的不确定性，L是一个对角矩阵，其对角线上的元素是：d是状态向量的维度，数值设定为1；δij是Dirac函数；是一个反映噪声项；
其中，ρ是取值范围在0至1的闭区间的经验值，yi是所述高斯过程回归算法中的输入与输出的关系中的输出量；xi是所述高斯过程回归算法中的输入与输出的关系中的输入量。
利用最大化边缘对数似然的方法求解超参数，具体如下：
转化为对数项：
采用共轭梯度的算法，其中对步长αk和方向dk的搜索：
θk+1＝θk+αkdk
医用线性搜索算法，步长要满足强Wolfe条件：
方向dk：
系数τ由Flectcher Reeves得出：
其中，为超参数向量，X和Y分别为输入向量和输出向量，U为输入控制向量，I是单位矩阵，n是训练输入数目，K(X，X)是一个n×n的矩阵，其元素为k(xi，xj)，f(·)代表log p(Y|X，U；θ)。
步骤S4中所述时间更新选择sigma点：
λ＝α2(N+k)-N，α在1e-4至1之间的闭区间取值；κ设为0；N为状态维度大小；Sk-1是状态协方差矩阵的Cholesky因子。
所述室内物流小车当前状态的sigma为：
下一时刻状态的sigma为：
其中，GPm(·)是当前时刻当前状态量的预测偏差，是所述状态模型；Δx是所述状态模型与实际模型之间的对应物理量的偏差，是对应状态量权重。
对应的预测方差为：
Qk作为系统噪声；
计算得到
其中，是对应的预测方差的权重，β的值为2。
在测量更新阶段下一时刻的测量量为：
对应的测量噪声方差为：
其中，函数和是所述状态模型，Δx和Δy是所述状态模型和实际数据之间的偏差；
计算下一时刻输出量：
计算
计算协方差：
利用新的测量量更新下一时刻的状态为：
更新Sk：
本发明还提供一种室内物流小车定位的终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上任一所述方法的步骤。
本发明又提供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被处理器执行时实现如上任一所述方法的步骤。
本发明的有益效果为：提供一种室内物流小车定位方法和终端设备，在研究对象系统模型不准确的情况下，我们考虑数据驱动的办法来先拟合一个模型，之后对于模型和实际数据的偏差，我们利用具有很大灵活程度的高斯过程回归算法来学习这个偏差，使得状态量和测量量在每次时间更新和测量更新阶段都能够得到对偏差的修正，从而在模型不准确的情况下提高算法对系统状态的估计以及对系统或者对象的追踪定位精度。通过学习偏差和补偿偏差的方式仍然可以提高对象系统的状态估计和对象系统定位精度。经过模型的拟合和偏差的学习补偿后，在RMSE误差标准下的定位精度为1.598cm，而没有经过偏差补偿的UKF和SRUKF算法在此标准下分别为2.052cm和2.249cm。
附图说明
图1是本发明实施例中室内物流小车定位方法示意图。
图2是本发明实施例中高斯过程回归算法超参数的求解流程示意图。
图3(a)-图3(d)是本发明实施例中室内物流小车拟合后经过偏差补偿的定位误差结果图。
图4是本发明实施例中室内物流小车定位的终端设备的示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接即可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例1
如图1所示，本实施例具体说明采用本发明的方法如何对室内物流小车的定位进行精准预测。
S1：室内物流小车在起始点位置和传感器的数据初始化的基础上运行并采集运行中的数据；所述传感器包括陀螺仪、速度计和里程计。
通过上述方法收集了室内物流小车从起点到终点路径上小车里程计，速度计和陀螺仪的数据。依靠收集陀螺仪的数据可以评估室内物流小车转弯的状态信息。
S2：基于所述陀螺仪和速度计采集的数据采用拟合算法分别拟合出所述陀螺仪和所述速度计的状态模型；基于所述里程计采集的位移和所述速度计采集的速度建立所述室内物流小车的测量模型。
在一种具体的实施例中，采用最小二乘法原理对小车速度计和陀螺仪数据进行拟合得到二者的状态模型，用里程对速度的积分关系建立小车输出模型，出于采样频率的考虑，积分关系变换成离散累加和形式。
S3：利用高斯过程回归算法学习偏差，所述偏差为所述状态模型和所述测量模型与实际的状态和所述测量模型的偏差；学习关系遵从高斯过程回归算法中的输入与输出的关系；如图2所示。
根据已经建立状态模型和输出模型，得到训练集Dx＝{X，Δx}和Dy＝{Y，Δy}，把训练集作为高斯过程回归算法的超参数的求解条件，利用最大化边缘对数似然的方法求解使得此项：
值最大时所对应的参数值。对数项
的优化问题归结为非二次函数的极值问题，对上式关于θ求导，得到
其中tr(·)是矩阵的迹，对于每一项元素k(xi，xj)都有
的形式。θ的步长
θk+1＝θk+αkdk
通过线性搜索算法得到，这里αk是第k步的步长，dk是第k步的方向。对于αk的搜索满足强Wolfe条件：
其中f(·)表示对数项log p(Y|X，U；θ)，方向dk按照
求得，这里系数τ可由Fletcher Reeves公式得到。
至此就可以得到超参数θ的解。
S4：将均方根无迹卡尔曼滤波算法应用到所述状态模型和所述测量模型中，在时间更新和测量更新阶段对所述室内物流小车的所述状态模型和所述测量模型进行偏差补偿并预测下一时刻所述室内物流小车的位置。
按照拟合的状态和输出模型，应用基于学习的均方根无迹卡尔曼滤波算法，先给定初始值状态量和初始值状态协方差，在时间更新阶段，
选择sigma点：
计算当前状态sigma点，
计算下一个状态：
系统噪声方差：
计算Cholesky因子：
计算测量值，
测量噪声方差：
计算
计算状态量和测量量的协方差矩阵：
更新系数：
更新状态：
更新Cholesky因子：
如图3(a)-图3(d)所示，在先验不足场景下的实验结果，经过模型的拟合和偏差的学习补偿后，在RMSE误差标准下的定位精度为1.598cm，而只在拟合模型上并没有经过偏差补偿的UKF和SRUKF算法在此标准下定位精度误差分别为2.052cm和2.249cm。
实施例2
如图4所示，是本发明一实施例提供的室内物流小车定位的终端设备的示意图。该实施例的室内物流小车定位的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如数据处理程序。所述处理器执行所述计算机程序时实现上述各个室内物流小车定位的方法实施例中的步骤，例如图1所示的步骤S1-S4。
示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元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在所述室内物流小车定位的终端设备中的执行过程。例如，所述计算机程序可以被分割成：获取数据模块；构建模型模块；学习模块；预测模块。各模块具体功能如下：室内物流小车在起始点位置和传感器的数据初始化的基础上运行并采集运行中的数据；所述传感器包括陀螺仪、速度计和里程计；基于所述陀螺仪和速度计采集的数据采用拟合算法分别拟合出所述陀螺仪和所述速度计的状态模型；基于所述里程计采集的位移和所述速度计采集的速度建立所述室内物流小车的测量模型；利用高斯过程回归算法学习偏差，所述偏差为所述状态模型和所述测量模型与实际的状态和所述测量模型的偏差；学习关系遵从高斯过程回归算法中的输入与输出的关系；将均方根无迹卡尔曼滤波算法应用到所述状态模型和所述测量模型中，在时间更新和测量更新阶段对所述室内物流小车的所述状态模型和所述测量模型进行偏差补偿并预测下一时刻所述室内物流小车的位置。
所述室内物流小车定位的终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述室内物流小车定位的终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是室内物流小车定位的终端设备的示例，并不构成对室内物流小车定位的终端设备的限定，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，例如所述室内物流小车定位的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，所述处理器是所述室内物流小车定位的终端设备的控制中心，利用各种接口和线路连接整个室内物流小车定位的终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述室内物流小车定位的终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3
所述室内物流小车定位的终端设备集成的模块/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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、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。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (10)
1.一种室内物流小车定位方法，其特征在于，包括如下步骤：
S1：室内物流小车在起始点位置和传感器的数据初始化的基础上运行并采集运行中的数据；所述传感器包括陀螺仪、速度计和里程计；
S2：基于所述陀螺仪和速度计采集的数据采用拟合算法分别拟合出所述陀螺仪和所述速度计的状态模型；基于所述里程计采集的位移和所述速度计采集的速度建立所述室内物流小车的测量模型；
S3：利用高斯过程回归算法学习偏差，所述偏差为所述状态模型和所述测量模型与实际的状态和所述测量模型的偏差；学习关系遵从高斯过程回归算法中的输入与输出的关系；
S4：将均方根无迹卡尔曼滤波算法应用到所述状态模型和所述测量模型中，在时间更新和测量更新阶段对所述室内物流小车的所述状态模型和所述测量模型进行偏差补偿并预测下一时刻所述室内物流小车的位置。
2.如权利要求1所述的室内物流小车定位方法，其特征在于，所述陀螺仪收集的数据获取所述室内物流小车的转弯的状态信息。
3.如权利要求1所述的室内物流小车定位方法，其特征在于，利用积分法建立所述室内物流小车的测量模型，积分采用离散累加和形式。
4.如权利要求1所述的室内物流小车定位方法，其特征在于，步骤S3中所述高斯过程回归算法中的核函数为径向基函数；所述状态模型的径向基函数和对应的超参数设置如下：
其中，xi，xj代表状态量，代表预测状态的不确定性，L是一个对角矩阵，其对角线上的元素是：d是状态向量的维度，数值设定为1；δij是Dirac函数；是一个反映噪声项；
其中，ρ是取值范围在0至1的闭区间的经验值，yi是所述高斯过程回归算法中的输入与输出的关系中的输出量；xi是所述高斯过程回归算法中的输入与输出的关系中的输入量。
5.如权利要求4所述的室内物流小车定位方法，其特征在于，利用最大化边缘对数似然的方法求解超参数，具体如下：
转化为对数项：
采用共轭梯度的算法，其中对步长αk和方向dk的搜索：
θk+1＝θk+αkdk
医用线性搜索算法，步长要满足强Wolfe条件：
方向dk：
系数τ由Fletcher Reeves得出：
其中，为超参数向量，X和Y分别为输入向量和输出向量，U为输入控制向量，I是单位矩阵，n是训练输入数目，K(X，X)是一个n×n的矩阵，其元素为k(xi，xj)，f(·)代表log p(Y|X，U；θ)。
6.如权利要求5所述的室内物流小车定位方法，其特征在于，步骤S4中所述时间更新选择sigma点：其中，λ＝α2(N+κ)-N,α在1e-4至1之间的闭区间取值；κ设为0；N为状态维度大小；Sk-1是状态协方差矩阵的Cholesky因子。
7.如权利要求6所述的室内物流小车定位方法，其特征在于，所述室内物流小车当前状态的sigma为：
下一时刻状态的sigma为：
其中，GPm(·)是当前时刻当前状态量的预测偏差，是所述状态模型；Δx是所述状态模型与实际模型之间的对应物理量的偏差，是对应状态量权重；
对应的预测方差为：
Qk作为系统噪声；
计算得到
其中，是对应的预测方差的权重；β的值为2。
8.如权利要求7所述的室内物流小车定位方法，其特征在于，在测量更新阶段下一时刻的测量量为：
对应的测量噪声方差为：
其中，函数和是所述状态模型，Δx和Δy是所述状态模型和实际数据之间的偏差；
计算下一时刻输出量：
计算
计算协方差：
利用新的测量量更新下一时刻的状态为：
更新Sk：
9.一种室内物流小车定位的终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任一所述方法的步骤。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286299.4A CN109974698B (zh) | 2019-04-10 | 2019-04-10 | 一种室内物流小车定位方法和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286299.4A CN109974698B (zh) | 2019-04-10 | 2019-04-10 | 一种室内物流小车定位方法和终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109974698A true CN109974698A (zh) | 2019-07-05 |
| CN109974698B CN109974698B (zh) | 2020-11-17 |
Family
ID=67083966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910286299.4A Active CN109974698B (zh) | 2019-04-10 | 2019-04-10 | 一种室内物流小车定位方法和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109974698B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120022784A1 (en) * | 2010-06-25 | 2012-01-26 | Thales | Navigation filter for a navigation system using terrain correlation |
| WO2013160286A1 (en) * | 2012-04-23 | 2013-10-31 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for estimating the position and orientation using an inertial measurement unit fixed to a moving pedestrian |
| CN104330083A (zh) * | 2014-10-27 | 2015-02-04 | 南京理工大学 | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 |
| WO2017078823A2 (en) * | 2015-08-13 | 2017-05-11 | The Board Of Regents For Oklahoma State University | Modular autopilot design and development featuring bayesian non-parametric adaptive control |
| CN109211276A (zh) * | 2018-10-30 | 2019-01-15 | 东南大学 | 基于gpr与改进的srckf的sins初始对准方法 |
| CN109298351A (zh) * | 2018-09-30 | 2019-02-01 | 清华大学深圳研究生院 | 一种基于模型学习的新能源车载电池剩余寿命估计方法 |
| CN109444841A (zh) * | 2018-12-26 | 2019-03-08 | 清华大学 | 基于修正切换函数的平滑变结构滤波方法及系统 |
-
2019
- 2019-04-10 CN CN201910286299.4A patent/CN109974698B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120022784A1 (en) * | 2010-06-25 | 2012-01-26 | Thales | Navigation filter for a navigation system using terrain correlation |
| WO2013160286A1 (en) * | 2012-04-23 | 2013-10-31 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for estimating the position and orientation using an inertial measurement unit fixed to a moving pedestrian |
| CN104330083A (zh) * | 2014-10-27 | 2015-02-04 | 南京理工大学 | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 |
| WO2017078823A2 (en) * | 2015-08-13 | 2017-05-11 | The Board Of Regents For Oklahoma State University | Modular autopilot design and development featuring bayesian non-parametric adaptive control |
| CN109298351A (zh) * | 2018-09-30 | 2019-02-01 | 清华大学深圳研究生院 | 一种基于模型学习的新能源车载电池剩余寿命估计方法 |
| CN109211276A (zh) * | 2018-10-30 | 2019-01-15 | 东南大学 | 基于gpr与改进的srckf的sins初始对准方法 |
| CN109444841A (zh) * | 2018-12-26 | 2019-03-08 | 清华大学 | 基于修正切换函数的平滑变结构滤波方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| DUAN JIANMIN,ETC: "Square Root Cubature Kalman Filter-Kalman Filter Algorithm for Intelligent Vehicle Position Estimate", 《GREEN INTELLIGENT TRANSPORTATION SYSTEM AND SAFETY》 * |
| HAVANGI R，ETC: "Robust SLAM: SLAM base on square root unscented Kalman filter", 《NONLINEAR DYNAMICS》 * |
| 王碧霞，等: "基于 SＲ-UKF 的纯方位多移动机器人协同定位算法", 《南京理工大学学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109974698B (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112847343B (zh) | 动态目标跟踪定位方法、装置、设备和存储介质 | |
| Milford et al. | Persistent navigation and mapping using a biologically inspired SLAM system | |
| US11815602B2 (en) | Grid occupancy mapping using error range distribution | |
| Farag | Kalman-filter-based sensor fusion applied to road-objects detection and tracking for autonomous vehicles | |
| Mohamed et al. | Accurate and efficient map matching for challenging environments | |
| CN111667035A (zh) | 一种基于高频rfid的物品定位方法及装置 | |
| CN110785751A (zh) | 用于线上到线下服务的系统和方法 | |
| CN115493622A (zh) | 一种基于模糊控制和高斯过程的半球谐振陀螺温补方法 | |
| Osman et al. | A generic multi-sensor fusion scheme for localization of autonomous platforms using moving horizon estimation | |
| CN109974698B (zh) | 一种室内物流小车定位方法和终端设备 | |
| Gomes et al. | Sliding Window, Hierarchical Classification, Regression, and Genetic Algorithm for RFID Indoor Positioning Systems | |
| Harikumar et al. | Discrete-time sliding mode observer for the state estimation of a manoeuvring target | |
| CN117246359A (zh) | 车辆轨迹的预测方法、装置、设备、存储介质及产品 | |
| Wu et al. | LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters | |
| Rupeng et al. | Underwater digital elevation map gridding method based on optimal partition of suitable matching area | |
| CN113534127B (zh) | 一种多目标数据关联方法、装置及计算机可读存储介质 | |
| CN113357138B (zh) | 液压泵剩余使用寿命预测方法、装置及终端设备 | |
| CN109459769A (zh) | 一种自主定位方法与系统 | |
| Liu et al. | Composite clustering normal distribution transform algorithm | |
| CN110609561A (zh) | 一种行人跟踪方法、装置、计算机可读存储介质及机器人 | |
| CN111929585B (zh) | 电池电荷状态计算装置、方法、服务器及介质 | |
| Dinç et al. | Identification of hydrodynamic coefficients of AUV in the presence of measurement biases | |
| CN118519179B (zh) | 一种城市复杂环境下的北斗卫星高精定位方法及系统 | |
| Min et al. | A new lateral force estimator for intelligent tires based on three-dimensional ring model | |
| Zhou et al. | An iterative scheme for feature based positioning using a weighted dissimilarity measure |
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 |