CN110865534A - 含有改进的卡尔曼滤波的导航定位的智能跟随系统 - Google Patents
含有改进的卡尔曼滤波的导航定位的智能跟随系统 Download PDFInfo
- Publication number
- CN110865534A CN110865534A CN201911125954.4A CN201911125954A CN110865534A CN 110865534 A CN110865534 A CN 110865534A CN 201911125954 A CN201911125954 A CN 201911125954A CN 110865534 A CN110865534 A CN 110865534A
- Authority
- CN
- China
- Prior art keywords
- module
- following
- weight
- intelligent
- positioning
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 21
- 230000003993 interaction Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 22
- 230000002093 peripheral effect Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000026676 system process Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
针对现有的采摘车需要采摘者推动或拉动，效率较低，需要消耗大量的人力和物力成本的问题，本发明开发一款含有改进的卡尔曼滤波的导航定位的智能跟随系统，本发明，利用UWB定位技术，建立基站后，在智能跟随采摘车上安装UWB模块，也在采摘者身上佩戴UWB模块。可以在坐标系统中，实时定位智能跟随采摘车和采摘者的坐标。利用电机驱动并结合PID算法，进而实现智能采摘车对采摘者的智能跟随。有益的效果：通过智能跟随采摘者的方式实现减少采摘者推拉采摘车的时间，提升采摘效率，同时，降低采摘者劳累程度，提升采摘速度，增加单人采摘总量，减少人力成本投入。
Description
所属技术领域
本发明涉及一种智能跟随装置，尤其是路径跟踪和采摘重量反馈的农用采摘跟随车，具体为含有改进的卡尔曼滤波的导航定位的智能跟随系统。
背景技术
现有的技术背景，仅仅是采摘工作者，人力背负篓子或者人力推动一个装载工具，由采摘工作者向篓子或者装载工具里面投放采摘的农作物。现有的电动力采摘车也只是添加了一个动力，并无任何智能功能。然而全自动的免去人力参与的自动采摘车，由于环境复杂实现难度大，成本也较高。
为了实现上述功能，一个具有自判断功能的跟随系统，无疑是必不可缺的。但如何进行逻辑判断与跟随，则是一个具有相当大挑战的技术难题。如果不能解决这一问题，则空有硬件设备而无法智能驱动，也就无法解决本文所面对的首要问题。
卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
斯坦利·施密特(Stanley Schmidt)首次实现了卡尔曼滤波器。卡尔曼在NASA埃姆斯研究中心访问时，发现他的方法对于解决阿波罗计划的轨道预测很有用，后来阿波罗飞船的导航电脑使用了这种滤波器。关于这种滤波器的论文由Swerling(1958)，Kalman(1960)与 Kalman and Bucy(1961)发表。
数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。
简单来说，卡尔曼滤波器是一个“optimal recursive data processingalgorithm(最优化自回归数据处理算法)”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。
本发明即是基于卡尔曼滤波的路径跟随方法及硬件利用。
发明内容
现有的采摘车需要采摘者推动或拉动，效率较低，需要消耗大量的人力和物力成本。本发明开发一款智能跟随采摘车，通过智能跟随采摘者的方式实现减少采摘者推拉采摘车的时间，提升采摘效率，同时，降低采摘者劳累程度，提升采摘速度，增加单人采摘总量，减少人力成本投入。
本发明，利用UWB定位技术，建立基站(坐标系统)后，在智能跟随采摘车上安装UWB模块，也在采摘者身上佩戴UWB模块。可以在坐标系统中，实时定位智能跟随采摘车和采摘者的坐标。利用电机驱动并结合PID算法，进而实现智能采摘车对采摘者的智能跟随。减轻采摘者负担，提高工作效率。本智能采摘车利用静态称重模块还配置了重量测算功能，智能采摘车中农作物的重量可以实时显示在显示屏中。本智能采摘车配备有控制面板，可在控制面板上控制智能采摘车，利用路径规划，载着农作物回到系统预设的地点卸载农作物。
本发明的具体方法如下
含有改进的卡尔曼滤波的导航定位的智能跟随系统，所述智能跟随系统由车体和控制单元组成。所述车体包括外框架11、电机12、轮子13。轮子13经电机12与外框架11所连接。在外框架11上设有控制单元。控制单元包括重量检测模块21、人机交互模块。人机交互模块包括：数字操作模块22、显示屏23。
进一步说，外框架11为顶部开口的容器。在外框架11侧面设有2组以上的电机12，每个电机12均与一个轮子13相连接。在外框架11内设有重量检测模块21。
通过支架将外框架11与人机交互模块相连接。控制单元含有基于改进的卡尔曼滤波的导航定位控制程序。
进一步说，人机交互模块内含单片机或微处理器，且人机交互模块内含存储程序及运算结果的存储单元。该人机交互模块存有PID跟随程序。所述PID跟随程序包括：跟随外设初始化模块、跟随定位及行姿结算模块、跟随第一比对模块、跟随驱动模块、跟随第二比对模块、跟随转向驱动模块。
智能跟随系统激活后，控制信号依次经跟随外设初始化模块、跟随定位及行姿结算模块后进入跟随第一比对模块，并做如下判断：
当跟随第一比对模块的结果为真时，信号经跟随驱动模块返回跟随定位及行姿结算模块。
当跟随第一比对模块的结果为假时，信号进入跟随第二比对模块，并做如下判断：
当跟随第二比对模块的结果为真时，信号返回跟随定位及行姿结算模块。
当跟随第二比对模块的结果为假时，信号经跟随转向驱动模块，返回跟随定位及行姿结算模块。
除非控制单元被关闭，本逻辑判断周而复始地执行。
进一步说，人机交互模块内含单片机或微处理器，且人机交互模块内含存储程序及运算结果的存储单元。该人机交互模块存有重量检测程序。所述重量检测程序包括：重量外设初始化模块、重量第一对比模块、重量显示模块块、重量等待模块。
控制信号经重量外设初始化模块进入重量第一对比模块，并作如下判断：
若重量第一对比模块的结果为真，则信号经重量显示模块输入重量等待模块。
若重量第一对比模块的结果为假，则信号直接进入重量等待模块。
重量等待模块在间隔一个时间间隔后，将接收到的信号返回至重量第一对比模块。
除非控制单元被关闭，本逻辑判断周而复始地执行。
进一步说，人机交互模块存有重量检测程序。所述重量检测程序包括：重量外设初始化模块、重量第一对比模块、重量显示模块块、重量等待模块。
控制信号经重量外设初始化模块进入重量第一对比模块，并作如下判断：
若重量第一对比模块的结果为真，则信号经重量显示模块输入重量等待模块。
若重量第一对比模块的结果为假，则信号直接进入重量等待模块。
重量等待模块在间隔一个时间间隔后，将接收到的信号返回至重量第一对比模块。
除非控制单元被关闭，本逻辑判断周而复始地执行。
进一步说，外框架11呈倒置的梯形台。外框架11顶部开口。在外框架11的两侧各装有 3台电机12，每个电机12的传动轴均与一个轮子13相连接。每个电机12的驱动电路均与控制单元相连接。
进一步说，改进的卡尔曼滤波的导航定位程序按如下步骤进行。
首先，利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)＝A X(k-1|k-1)+B U(k)………..(1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k) 为现在状态的控制量，如果没有控制量，它可以为0。
随后，用P表示协方差covariance，则对应于X(k|k-1)的协方差更新为：
P(k|k-1)＝A P(k-1|k-1)A’+Q………(2)
式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差， A’表示A的转置矩阵，Q是系统过程的协方差。式子1，2就是对系统的预测。
之后，再收集现在状态的测量值。结合预测值和测量值，得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H X(k|k-1))………(3)
其中Kg为卡尔曼增益Kalman Gain：
Kg(k)＝P(k|k-1)H’/(H P(k|k-1)H’+R)………(4)
到现在为止，得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的协方差：
P(k|k)＝(I-Kg(k)H)P(k|k-1)………(5)
其中I为1的矩阵，对于单模型单测量，I＝1。当系统进入k+1状态时，P(k|k)就是式子 (2)的P(k-1|k-1)。
进一步说，改进的卡尔曼滤波的导航定位程序在跟随定位及行姿结算模块中运算。
进一步说，本系统包含GPS定位或北斗定位装置，获取本系统的实时定位数据，并反馈至跟随定位及行姿结算模块。
本系统还采用UWB定位技术，建立基站，并通过基站建立坐标系统。具体为：在智能跟随系统/智能跟随采摘车上安装UWB模块，并在采摘者身上佩戴UWB模块。从而在坐标系统中，实时定位智能跟随系统/智能跟随采摘车和采摘者的坐标。再利用电机驱动并结合PID算法，进而实现智能采摘车对采摘者的智能跟随。
进一步说，本系统包含视频采用模块及视频算法，通过视频算法将由视频模块获取的图像解析，获得跟随第一比对模块、跟随第二比对模块的比较值。
有益的技术效果：
本发明的有益效果是，本发明可以在采摘农田中应用，使智能采摘车智能跟随采摘者，减轻采摘者的背负或者手推农作物的负担，提高工作效率。提高农田采摘的智能程度，提高农田采摘效率，加快抢收农作物的速度。
本发明基于卡尔曼滤波，实现：由量测值重构系统的状态向量。它以“预测-实测-修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染(噪声干扰)的系统中恢复系统的本来面目。
附图说明
图1是本发明的硬件结构图。
图2是本发明的PID跟随程序的流程框图。
图3是本发明重量检测程序的流程框图。
具体实施方式
现结合说明书附图详细说明本发明的技术特点。
参见图1，含有改进的卡尔曼滤波的导航定位的智能跟随系统，所述智能跟随系统由车体和控制单元组成。所述车体包括外框架11、电机12、轮子13。轮子13经电机12与外框架11所连接。在外框架11上设有控制单元。控制单元包括重量检测模块21、人机交互模块。人机交互模块包括：数字操作模块22、显示屏23。
进一步说，外框架11为顶部开口的容器。在外框架11侧面设有2组以上的电机12，每个电机12均与一个轮子13相连接。在外框架11内设有重量检测模块21。
通过支架将外框架11与人机交互模块相连接。控制单元含有基于改进的卡尔曼滤波的导航定位控制程序。
参见图2，进一步说，人机交互模块内含单片机或微处理器，且人机交互模块内含存储程序及运算结果的存储单元。该人机交互模块存有PID跟随程序。所述PID跟随程序包括：跟随外设初始化模块、跟随定位及行姿结算模块、跟随第一比对模块、跟随驱动模块、跟随第二比对模块、跟随转向驱动模块。
智能跟随系统激活后，控制信号依次经跟随外设初始化模块、跟随定位及行姿结算模块后进入跟随第一比对模块，并做如下判断：
当跟随第一比对模块的结果为真时，信号经跟随驱动模块返回跟随定位及行姿结算模块。
当跟随第一比对模块的结果为假时，信号进入跟随第二比对模块，并做如下判断：
当跟随第二比对模块的结果为真时，信号返回跟随定位及行姿结算模块。
当跟随第二比对模块的结果为假时，信号经跟随转向驱动模块，返回跟随定位及行姿结算模块。
除非控制单元被关闭，本逻辑判断周而复始地执行。
参见图3，进一步说，人机交互模块内含单片机或微处理器，且人机交互模块内含存储程序及运算结果的存储单元。该人机交互模块存有重量检测程序。所述重量检测程序包括：重量外设初始化模块、重量第一对比模块、重量显示模块块、重量等待模块。
控制信号经重量外设初始化模块进入重量第一对比模块，并作如下判断：
若重量第一对比模块的结果为真，则信号经重量显示模块输入重量等待模块。
若重量第一对比模块的结果为假，则信号直接进入重量等待模块。
重量等待模块在间隔一个时间间隔后，将接收到的信号返回至重量第一对比模块。
除非控制单元被关闭，本逻辑判断周而复始地执行。
进一步说，人机交互模块存有重量检测程序。所述重量检测程序包括：重量外设初始化模块、重量第一对比模块、重量显示模块块、重量等待模块。
控制信号经重量外设初始化模块进入重量第一对比模块，并作如下判断：
若重量第一对比模块的结果为真，则信号经重量显示模块输入重量等待模块。
若重量第一对比模块的结果为假，则信号直接进入重量等待模块。
重量等待模块在间隔一个时间间隔后，将接收到的信号返回至重量第一对比模块。
除非控制单元被关闭，本逻辑判断周而复始地执行。
进一步说，外框架11呈倒置的梯形台。外框架11顶部开口。在外框架11的两侧各装有 3台电机12，每个电机12的传动轴均与一个轮子13相连接。每个电机12的驱动电路均与控制单元相连接。
进一步说，改进的卡尔曼滤波的导航定位程序按如下步骤进行。
首先，利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)＝A X(k-1|k-1)+B U(k)………..(1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k) 为现在状态的控制量，如果没有控制量，它可以为0。
随后，用P表示协方差covariance，则对应于X(k|k-1)的协方差更新为：
P(k|k-1)＝A P(k-1|k-1)A’+Q………(2)
式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差， A’表示A的转置矩阵，Q是系统过程的协方差。式子1，2就是对系统的预测。
之后，再收集现在状态的测量值。结合预测值和测量值，得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H X(k|k-1))………(3)
其中Kg为卡尔曼增益Kalman Gain：
Kg(k)＝P(k|k-1)H’/(H P(k|k-1)H’+R)………(4)
到现在为止，得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的协方差：
P(k|k)＝(I-Kg(k)H)P(k|k-1)………(5)
其中I为1的矩阵，对于单模型单测量，I＝1。当系统进入k+1状态时，P(k|k)就是式子 (2)的P(k-1|k-1)。
进一步说，改进的卡尔曼滤波的导航定位程序在跟随定位及行姿结算模块中运算。
进一步说，本系统包含GPS定位或北斗定位装置，获取本系统的实时定位数据，并反馈至跟随定位及行姿结算模块。
本系统还采用UWB定位技术，建立基站，并通过基站建立坐标系统。具体为：在智能跟随系统/智能跟随采摘车上安装UWB模块，并在采摘者身上佩戴UWB模块。从而在坐标系统中，实时定位智能跟随系统/智能跟随采摘车和采摘者的坐标。再利用电机驱动并结合PID算法，进而实现智能采摘车对采摘者的智能跟随。
进一步说，本系统包含视频采用模块及视频算法，通过视频算法将由视频模块获取的图像解析，获得跟随第一比对模块、跟随第二比对模块的比较值。
Claims (10)
1.含有改进的卡尔曼滤波的导航定位的智能跟随系统，其特征在于：所述智能跟随系统由车体和控制单元组成；
所述车体包括外框架(11)、电机(12)、轮子(13)；
轮子(13)经电机(12)与外框架(11)所连接；
在外框架(11)上设有控制单元；控制单元包括重量检测模块(21)、人机交互模块；人机交互模块包括：数字操作模块(22)、显示屏(23)；
控制单元含有基于改进的卡尔曼滤波的导航定位控制程序。
2.根据权利要求1所述的智能跟随系统，其特征在于：外框架(11)为顶部开口的容器；在外框架(11)侧面设有2组以上的电机(12)，每个电机(12)均与一个轮子(13)相连接；在外框架(11)内设有重量检测模块(21)；
通过支架将外框架(11)与人机交互模块相连接。
3.根据权利要求1或2任一所述的智能跟随系统，其特征在于：人机交互模块内含单片机或微处理器，且人机交互模块内含存储程序及运算结果的存储单元；该人机交互模块存有PID跟随程序；所述PID跟随程序包括：跟随外设初始化模块、跟随定位及行姿结算模块、跟随第一比对模块、跟随驱动模块、跟随第二比对模块、跟随转向驱动模块；
智能跟随系统激活后，控制信号依次经跟随外设初始化模块、跟随定位及行姿结算模块后进入跟随第一比对模块，并做如下判断：
当跟随第一比对模块的结果为真时，信号经跟随驱动模块返回跟随定位及行姿结算模块；
当跟随第一比对模块的结果为假时，信号进入跟随第二比对模块，并做如下判断：
当跟随第二比对模块的结果为真时，信号返回跟随定位及行姿结算模块；
当跟随第二比对模块的结果为假时，信号经跟随转向驱动模块，返回跟随定位及行姿结算模块；
除非控制单元被关闭，本逻辑判断周而复始地执行。
4.根据权利要求1或2任一所述的智能跟随系统，其特征在于：人机交互模块内含单片机或微处理器，且人机交互模块内含存储程序及运算结果的存储单元；该人机交互模块存有重量检测程序；所述重量检测程序包括：重量外设初始化模块、重量第一对比模块、重量显示模块、重量等待模块；
控制信号经重量外设初始化模块进入重量第一对比模块，并作如下判断：
若重量第一对比模块的结果为真，则信号经重量显示模块输入重量等待模块；
若重量第一对比模块的结果为假，则信号直接进入重量等待模块；
重量等待模块在间隔一个时间间隔后，将接收到的信号返回至重量第一对比模块；
除非控制单元被关闭，本逻辑判断周而复始地执行。
5.根据权利要求3所述的智能跟随系统，其特征在于：人机交互模块存有重量检测程序；所述重量检测程序包括：重量外设初始化模块、重量第一对比模块、重量显示模块块、重量等待模块；
控制信号经重量外设初始化模块进入重量第一对比模块，并作如下判断：
若重量第一对比模块的结果为真，则信号经重量显示模块输入重量等待模块；
若重量第一对比模块的结果为假，则信号直接进入重量等待模块；
重量等待模块在间隔一个时间间隔后，将接收到的信号返回至重量第一对比模块；
除非控制单元被关闭，本逻辑判断周而复始地执行。
6.根据权利要求5所述的智能跟随系统，其特征在于：外框架(11)呈倒置的梯形台；外框架(11)顶部开口；在外框架(11)的两侧各装有3台电机(12)，每个电机(12)的传动轴均与一个轮子(13)相连接；每个电机(12)的驱动电路均与控制单元相连接。
7.根据权利要求5所述的智能跟随系统，其特征在于：改进的卡尔曼滤波的导航定位程序按如下步骤进行；
首先，利用系统的过程模型，来预测下一状态的系统；假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)＝AX(k-1|k-1)+BU(k)………..(1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0；
随后，用P表示协方差covariance，则对应于X(k|k-1)的协方差更新为：
P(k|k-1)＝AP(k-1|k-1)A’+Q………(2)
式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差；式子1，2就是对系统的预测；
之后，再收集现在状态的测量值；结合预测值和测量值，得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))………(3)
其中Kg为卡尔曼增益Kalman Gain：
Kg(k)＝P(k|k-1)H’/(HP(k|k-1)H’+R)………(4)
到现在为止，得到了k状态下最优的估算值X(k|k)；但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的协方差：
P(k|k)＝(I-Kg(k)H)P(k|k-1)………(5)
其中I为1的矩阵，对于单模型单测量，I＝1；当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。
8.根据权利要求7所述的智能跟随系统，其特征在于：改进的卡尔曼滤波的导航定位程序在跟随定位及行姿结算模块中运算。
9.根据权利要求7所述的智能跟随系统，其特征在于：本系统包含GPS定位或北斗定位装置，获取本系统的实时定位数据，并反馈至跟随定位及行姿结算模块；
本系统还采用UWB定位技术，建立基站，并通过基站建立坐标系统；具体为：在智能跟随系统/智能跟随采摘车上安装UWB模块，并在采摘者身上佩戴UWB模块；从而在坐标系统中，实时定位智能跟随系统/智能跟随采摘车和采摘者的坐标；再利用电机驱动并结合PID算法，进而实现智能采摘车对采摘者的智能跟随。
10.根据权利要求7所述的智能跟随系统，其特征在于：本系统包含视频采用模块及视频算法，通过视频算法将由视频模块获取的图像解析，获得跟随第一比对模块、跟随第二比对模块的比较值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911125954.4A CN110865534A (zh) | 2019-11-15 | 2019-11-15 | 含有改进的卡尔曼滤波的导航定位的智能跟随系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911125954.4A CN110865534A (zh) | 2019-11-15 | 2019-11-15 | 含有改进的卡尔曼滤波的导航定位的智能跟随系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110865534A true CN110865534A (zh) | 2020-03-06 |
Family
ID=69654920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911125954.4A Pending CN110865534A (zh) | 2019-11-15 | 2019-11-15 | 含有改进的卡尔曼滤波的导航定位的智能跟随系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110865534A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625707A (zh) * | 2021-07-09 | 2021-11-09 | 江苏大学 | 一种多传感器融合的温室自动跟随平台及其控制方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010020216A1 (en) * | 1998-11-20 | 2001-09-06 | Ching-Fang Lin | Fully-coupled positioning system |
| US6505093B1 (en) * | 2000-05-03 | 2003-01-07 | Si Handling Systems, Inc. | Automated order filling method and system |
| CN101807247A (zh) * | 2010-03-22 | 2010-08-18 | 中国农业大学 | 果蔬采摘点微调定位方法 |
| CN102914967A (zh) * | 2012-09-21 | 2013-02-06 | 浙江工业大学 | 采摘机器人的自主导航和人机协同采摘作业系统 |
| CN105123127A (zh) * | 2015-10-16 | 2015-12-09 | 北方民族大学 | 枸杞采摘机器人及其控制方法 |
| CN107179770A (zh) * | 2017-06-09 | 2017-09-19 | 山东农业大学 | 一种温室行间采摘跟随运输车的控制系统及控制方法 |
| CN107765220A (zh) * | 2017-09-20 | 2018-03-06 | 武汉木神机器人有限责任公司 | 基于uwb和激光雷达混合定位的行人跟随系统及方法 |
| JP2018034213A (ja) * | 2016-08-29 | 2018-03-08 | ファナック株式会社 | ワーク取出システム |
| CN107870624A (zh) * | 2017-11-30 | 2018-04-03 | 沈阳农业大学 | 一种日光温室自动导航多功能智能作业车 |
| CN108571963A (zh) * | 2018-05-07 | 2018-09-25 | 西安交通大学 | 一种果园机器人及其多超声视频点组合导航方法 |
| CN108860252A (zh) * | 2018-06-24 | 2018-11-23 | 华北理工大学 | 一种水果运输车及其自动跟随采摘人员系统 |
| CN109282809A (zh) * | 2018-09-13 | 2019-01-29 | 江苏省农业科学院 | 一种温室大棚运输系统及运输方法 |
| CN109947119A (zh) * | 2019-04-23 | 2019-06-28 | 东北大学 | 一种基于多传感器融合的移动机器人自主跟随系统及方法 |
| CN110139552A (zh) * | 2016-11-08 | 2019-08-16 | 道格图斯科技有限公司 | 机器人水果采摘系统 |
-
2019
- 2019-11-15 CN CN201911125954.4A patent/CN110865534A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010020216A1 (en) * | 1998-11-20 | 2001-09-06 | Ching-Fang Lin | Fully-coupled positioning system |
| US6505093B1 (en) * | 2000-05-03 | 2003-01-07 | Si Handling Systems, Inc. | Automated order filling method and system |
| CN101807247A (zh) * | 2010-03-22 | 2010-08-18 | 中国农业大学 | 果蔬采摘点微调定位方法 |
| CN102914967A (zh) * | 2012-09-21 | 2013-02-06 | 浙江工业大学 | 采摘机器人的自主导航和人机协同采摘作业系统 |
| CN105123127A (zh) * | 2015-10-16 | 2015-12-09 | 北方民族大学 | 枸杞采摘机器人及其控制方法 |
| JP2018034213A (ja) * | 2016-08-29 | 2018-03-08 | ファナック株式会社 | ワーク取出システム |
| CN110139552A (zh) * | 2016-11-08 | 2019-08-16 | 道格图斯科技有限公司 | 机器人水果采摘系统 |
| CN107179770A (zh) * | 2017-06-09 | 2017-09-19 | 山东农业大学 | 一种温室行间采摘跟随运输车的控制系统及控制方法 |
| CN107765220A (zh) * | 2017-09-20 | 2018-03-06 | 武汉木神机器人有限责任公司 | 基于uwb和激光雷达混合定位的行人跟随系统及方法 |
| CN107870624A (zh) * | 2017-11-30 | 2018-04-03 | 沈阳农业大学 | 一种日光温室自动导航多功能智能作业车 |
| CN108571963A (zh) * | 2018-05-07 | 2018-09-25 | 西安交通大学 | 一种果园机器人及其多超声视频点组合导航方法 |
| CN108860252A (zh) * | 2018-06-24 | 2018-11-23 | 华北理工大学 | 一种水果运输车及其自动跟随采摘人员系统 |
| CN109282809A (zh) * | 2018-09-13 | 2019-01-29 | 江苏省农业科学院 | 一种温室大棚运输系统及运输方法 |
| CN109947119A (zh) * | 2019-04-23 | 2019-06-28 | 东北大学 | 一种基于多传感器融合的移动机器人自主跟随系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZENGKE LI,ET AL.: "GPS/UWB/MEMS-IMU tightly coupled navigation with improved robust Kalman filter", 《ADVANCES IN SPACE RESEARCH》 * |
| 刘春等: "改进卡尔曼滤波在北斗伪距定位中的研究", 《电子测量与仪器学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625707A (zh) * | 2021-07-09 | 2021-11-09 | 江苏大学 | 一种多传感器融合的温室自动跟随平台及其控制方法 |
| CN113625707B (zh) * | 2021-07-09 | 2024-03-19 | 江苏大学 | 一种多传感器融合的温室自动跟随平台及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11772266B2 (en) | Systems, devices, articles, and methods for using trained robots | |
| Blasco et al. | AE—Automation and emerging technologies: Robotic weed control using machine vision | |
| Edan et al. | Near-minimum-time task planning for fruit-picking robots | |
| WO2018183197A1 (en) | Systems and methods for robotic path planning | |
| EP3534230A2 (en) | Robot work system and method of controlling robot work system | |
| CN102124866B (zh) | 一种轮式移动水果采摘机器人及水果采摘方法 | |
| WO2008013568A3 (en) | Autonomous mobile robot | |
| CN109202848A (zh) | 基于Leap Motion与机器视觉的人机协作采摘机器人及其控制方法 | |
| CN113625707B (zh) | 一种多传感器融合的温室自动跟随平台及其控制方法 | |
| CN110865534A (zh) | 含有改进的卡尔曼滤波的导航定位的智能跟随系统 | |
| WO2022062169A1 (zh) | 一种未知环境下脑电移动机器人共享控制方法 | |
| CN109605375A (zh) | 一种智能番茄采摘机器人的控制方法 | |
| Phang et al. | Autonomous Mini-UAV for indoor flight with embedded on-board vision processing as navigation system | |
| Vasconez et al. | Social robot navigation based on HRI non-verbal communication: A case study on avocado harvesting | |
| US20190302791A1 (en) | Systems and methods for robust robotic mapping | |
| Wettergreen et al. | Initial results from vision-based control of the Ames Marsokhod rover | |
| Pereira et al. | Autonomous golf ball picking robot design and development | |
| MacKenzie et al. | Behavior-based mobile manipulation for drum sampling | |
| CN108062102A (zh) | 一种手势控制具有辅助避障功能的移动机器人遥操作系统 | |
| CN111975776A (zh) | 基于深度学习和卡尔曼滤波的机器人移动跟踪系统及方法 | |
| Buemi et al. | The agrobot project | |
| Huntsberger | Autonomous multirover system for complex planetary surface retrieval operations | |
| CN115643903A (zh) | 基于机器视觉的苹果自动采摘装置及其控制方法 | |
| CN114714358A (zh) | 基于手势协议遥操作机械臂方法及系统 | |
| Maimone et al. | Autonomous rock tracking and acquisition from a mars rover |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |
|
| RJ01 | Rejection of invention patent application after publication |