CN113280808A - 一种移动机器人定位精度提升方法及系统 - Google Patents
一种移动机器人定位精度提升方法及系统 Download PDFInfo
- Publication number
- CN113280808A CN113280808A CN202110571321.7A CN202110571321A CN113280808A CN 113280808 A CN113280808 A CN 113280808A CN 202110571321 A CN202110571321 A CN 202110571321A CN 113280808 A CN113280808 A CN 113280808A
- Authority
- CN
- China
- Prior art keywords
- pose
- robot
- odometer
- motion model
- mobile robot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 29
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 8
- 238000005562 fading Methods 0.000 claims description 7
- TWAWPCGFTAOEND-UHFFFAOYSA-N muk-1 Chemical compound N=1C=2C(C(=O)OC)=CC=CC=2OC=1C(C=1N=2)=CC=CC=1OC=2C1=CC=CC=C1OC TWAWPCGFTAOEND-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种移动机器人定位精度提升方法及系统。该方法包括:建立里程计运动模型;对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型;根据所述降噪后的里程计运动模型,确定机器人的位姿,记为第一位姿;获取激光传感器采集的机器人的位姿,记为第二位姿;确定在线估算噪声的统计特性;将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿。本发明具有计算简单、使用方便、适合复杂环境且精确度高的特点。
Description
技术领域
本发明涉及机器人定位技术领域,特别是涉及一种移动机器人定位精度提升方法及系统。
背景技术
随着工作环境复杂度的提高,只使用基于激光传感器的绝对定位将无法满足移动机器人的定位需求,即单传感器机器人定位不能满足移动机器人在复杂施工环境下的定位需求。本发明将使用组合定位进行移动机器人在复杂施工环境下的定位,利用多传感器进行数据融合,提升移动机器人的定位精度,从而使移动机器人完成精准作业。其中,融合定位算法是多传感器信息融合定位的关键技术与核心。
卡尔曼滤波算法是目前使用最广泛之一的融合算法,其在线性系统中应用可以得到较好的效果。且在使用卡尔曼滤波算法作为定位融合算法时,需要事先知道噪声的统计特性,一般的处理方法为假设噪声矩阵满足某种分布,其对于定位的精确度有一定的影响。
因此,如何提供一种计算简单、使用方便、适合复杂环境且精确度高的移动机器人定位方法,是本领域技术人员亟待解决的技术问题。
发明内容
本发明的目的是提供一种计算简单、使用方便、适合复杂环境且精确度高的移动机器人定位精度提升方法及系统。
为实现上述目的,本发明提供了如下方案:
一种移动机器人定位精度提升方法包括:
建立里程计运动模型;
对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型;
根据所述降噪后的里程计运动模型,确定机器人的位姿,记为第一位姿;
获取激光传感器采集的机器人的位姿,记为第二位姿;
确定在线估算噪声的统计特性;
将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿。
可选地,所述建立里程计运动模型,具体包括:
建立里程计运动模型:
其中,Xk+1表示k+1时刻系统的里程计的状态变量,为机器人在全局坐标系下的初始位姿,为机器人经过Δt时间后到达的位姿,Δθ表示相邻时刻移动机器人方位角的变化量,Δx表示相邻时刻机器人在机器人坐标系X方向上位移增量,Δy表示相邻时刻机器人在机器人坐标系Y方向上位移增量,Vx、Vy和ω由移动机器人底轮运动模型计算得到,ω1,ω2,ω3,ω4分别代表四个底轮的角速度,Δt为编码器的采样周期。
可选地,所述对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型,具体包括:
采用卡尔曼滤波器对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型:
Xk+1=FXk+Wk;
其中,Xk+1表示k时刻里程计的状态变量,Xk表示k-1时刻里程计的状态变量,Wk代表过程噪声,F表示状态变换矩阵。
可选地,所述确定在线估算噪声的统计特性,具体包括:
其中,b为遗忘因子,并且0<b<1,dk为k时刻的指数权值,Zk是基于人工路标定位得到的机器人位姿,为和Pk|k-1计算所得的观测预测值,ηk-1,i和μk-1,i为sigma点的特性参数,Uk-1表示里程计的输入,为实时估计的过程噪声均值,为实时估计的过程噪声方差 为实时估计的观测噪声均值 为实时估计的观测噪声方差εk,τk,i,μk,i分别为中间变量,为sigam对应的权值。
可选地,所述将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿,具体包括:
将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿:
一种移动机器人定位精度提升系统包括:
里程计运动模型建立模块,用于建立里程计运动模型;
里程计运动模型降噪模块,用于对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型;
第一位姿确定模块,用于根据所述降噪后的里程计运动模型,确定机器人的位姿,记为第一位姿;
第二位姿确定模块,用于获取激光传感器采集的机器人的位姿,记为第二位姿;
统计特性确定模块,用于确定在线估算噪声的统计特性;
位姿融合模块,用于将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿。
可选地,所述里程计运动模型建立模块具体包括:
里程计运动模型建立单元,用于建立里程计运动模型:
其中,Xk+1表示k+1时刻系统的里程计的状态变量,为机器人在全局坐标系下的初始位姿,为机器人经过Δt时间后到达的位姿,Δθ表示相邻时刻移动机器人方位角的变化量,Δx表示相邻时刻机器人在机器人坐标系X方向上位移增量,Δy表示相邻时刻机器人在机器人坐标系Y方向上位移增量,Vx、Vy和ω由移动机器人底轮运动模型计算得到,ω1,ω2,ω3,ω4分别代表四个底轮的角速度,Δt为编码器的采样周期。
可选地,所述里程计运动模型降噪模块具体包括:
里程计运动模型降噪单元,用于采用卡尔曼滤波器对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型:
Xk+1=FXk+Wk;
其中,Xk+1表示k时刻里程计的状态变量,Xk表示k-1时刻里程计的状态变量,Wk代表过程噪声,F表示状态变换矩阵。
可选地,所述统计特性确定模块具体包括:
其中,b为遗忘因子,并且0<b<1,dk为k时刻的指数权值,Zk是基于人工路标定位得到的机器人位姿,为和Pk|k-1计算所得的观测预测值,ηk-1,i和μk-1,i为sigma点的特性参数,Uk-1表示里程计的输入,为实时估计的过程噪声均值,为实时估计的过程噪声方差 为实时估计的观测噪声均值 为实时估计的观测噪声方差εk,τk,i,μk,i分别为中间变量,为sigam对应的权值。
可选地,所述位姿融合模块具体包括:
位姿融合单元,用于将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明基于扩展卡尔曼滤波的移动机器人定位精度提升方法,利用多传感器进行数据融合,将激光传感器和里程计进行融合,帮助移动机器人在复杂环境下进行较高精度的定位,有助于施工、仓储物流等领域的可移动式机器人实现更准确的定位,以更高的精度完成作业。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明移动机器人定位精度提升方法流程图;
图2为本里程计模型坐标系示意图;
图3为本发明的基于扩展卡尔曼滤波定位方法的中卡尔曼滤波算法流程图;
图4为本发明移动机器人定位精度提升系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种计算简单、使用方便、适合复杂环境且精确度高的移动机器人定位方法及系统,帮助移动机器人在复杂环境下进行较高精度的定位,有助于施工、仓储物流等领域的可移动式机器人实现更准确的定位,以更高的精度完成作业。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在本发明中,提出使用无迹卡尔曼滤波算法融合里程计和激光传感器信息,提高移动机器人的定位精度和稳定性的解决办法。基于卡尔曼滤波和无迹卡尔曼滤波算法融合多传感器信息时,需要事先知道噪声的统计特性,考虑到环境噪声的可变性,本发明还提出了基于极大后验估计和指数加权的自适应无迹卡尔曼滤波定位算法。图1为本发明移动机器人定位精度提升方法流程图。如图1所示,一种移动机器人定位精度提升方法包括:
步骤101:建立里程计运动模型。
如图2所示,建立全局坐标系{XG,OG,YG}和移动机器人坐标系{XR,OR,YR},假设机器人初始位置已知,即机器人在全局坐标系下的坐标已知。所述里程计运动模型是指系统采集移动机器人的轮子的速度,以计算相邻时刻的机器人的移动距离和方位角的变化,进而推算移动机器人的位姿的模型。
全局坐标系为固定坐标系,在机器人移动过程中可用于表示机器人的实时位置,机器人坐标系建立在移动机器人上,本实例采取建立在小车底盘的中心位点上,为移动坐标系,跟随机器人移动。移动机器人按照底层控制模型主要可以分为两种:差速模型和全向模型,其中,差速模型适用于双轮差速移动机器人,全向模型适用于全向移动机器人,本实例中以全向移动机器人作为本发明的实例对象。
假设机器人初始位置已知,即机器人在全局坐标系下的坐标已知。本实例的里程计模型采取增量式编码器进行推算。在机器人初始位姿已知的情况下,系统采集移动机器人的轮子(本实例中采取麦克纳姆轮作为实例中移动机器人的轮子)的速度,以计算相邻时刻的机器人的移动距离和方位角的变化,进而推算移动机器人的位姿。机器人航位推算模型的选取决定了机器人的运动方程,是里程计运动模型建立的主要依据。
假设移动机器人在全局坐标系下的初始位姿为经过Δt时间后到达位姿Δθ表示相邻时刻移动机器人方位角的变化量,Δx表示相邻时刻移动机器人在机器人坐标系X方向上位移增量,Δy表示相邻时刻移动机器人在机器人坐标系Y方向上位移增量,则可以得到里程计运动模型:
其中,
其中,Xk+1表示——k+1时刻系统的里程计的状态变量,为机器人在全局坐标系下的初始位姿,为机器人经过Δt时间后到达的位姿,Δθ表示相邻时刻移动机器人方位角的变化量,Δx表示相邻时刻机器人在机器人坐标系X方向上位移增量,Δy表示相邻时刻机器人在机器人坐标系Y方向上位移增量,Vx、Vy和ω由移动机器人底轮运动模型计算得到,此实例中为公式,其中ω1,ω2,ω3,ω4分别代表四个底轮的角速度,Δt为编码器的采样周期。
步骤102:对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型,具体包括:
采用卡尔曼滤波器对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型:
Xk+1=FXk+Wk;
其中,Xk+1表示k时刻里程计的状态变量,Xk表示k-1时刻里程计的状态变量,Wk代表过程噪声,F表示状态变换矩阵。
基于里程计的航位推算可以计算机器人的位姿,其优点在于不依赖外部传感器就可以知道机器人的位姿,但是使用里程计的定位存在误差,不适合远距离定位,且里程计所得的数据含有一定的噪声,本实例中的噪声定义为高斯白噪声,其去除噪声的过程为采用卡尔曼滤波器对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型。
步骤103:根据所述降噪后的里程计运动模型,确定机器人的位姿,记为第一位姿。
使用里程计运动模型的状态变量所搭建的卡尔曼滤波的状态方程表示为:
Xk+1=FXk+Wk (4)
Zk+1=HXk+1+Vk+1 (5)
其中,Xk+1表示k时刻里程计的状态变量,观测变量Zk是基于里程计观测得到k时刻的机器人位姿,Wk代表过程噪声,Vk+1代表观测噪声,F、H分别表示状态变换矩阵和观测矩阵,H一般取单位矩阵。
其中里程计运动模型的过程噪声为高斯白噪声,当Wk和Vk+1为高斯白噪声时,其统计特性为:
此处q和r分别代表过程噪声和观测噪声均值,由于噪声为高斯白噪声,故q和r皆为0,Q和R分别表示其方差。
由公式4,公式5和公式6便可得到由里程计得到的较为可信的机器人的位姿,以用于所述步骤4的与激光传感器所得位姿的融合过程。
步骤104:获取激光传感器采集的机器人的位姿,记为第二位姿。
步骤105:确定在线估算噪声的统计特性,具体包括:
其中,b为遗忘因子,并且0<b<1,dk为k时刻的指数权值,Zk是基于人工路标定位得到的机器人位姿,为和Pk|k-1计算所得的观测预测值,ηk-1,i和μk-1,i为sigma点的特性参数,Uk-1表示里程计的输入,为实时估计的过程噪声均值,为实时估计的过程噪声方差 为实时估计的观测噪声均值 为实时估计的观测噪声方差εk,τk,i,μk,i分别为中间变量,为sigam对应的权值。
在将里程计数据和激光数据融合过程中,将由里程计模型所得的位姿(位置和姿态)作为预测值,将激光传感器所得的绝对位姿作为观测值。由于使用扩展卡尔曼滤波算法融合传感器的数据时,需要事先知道噪声的统计特性,本示例中的实时噪声估计算法如下:
采用渐消记忆指数加权法。k时刻的指数权值dk满足下面的公式:
其中,b为遗忘因子,并且0<b<1。
步骤106:将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿,具体包括:
将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿:
所述传感器数据的融合算法,是本发明的关键。基于里程计的航位推算可以计算机器人的位姿,其优点在于不依赖外部传感器就可以知道机器人的位姿,但是使用里程计的定位存在误差,不适合远距离定位。本发明所述的基于扩展卡尔曼滤波的定位精度提升方法为使用扩展卡尔曼滤波融合里程计和激光传感器数据,并使用自适应噪声估算方法去除融合过程中的噪声,提高移动机器人的定位精度和可靠性。
图3为本发明的基于扩展卡尔曼滤波定位方法的中卡尔曼滤波算法流程图。本发明所述的传感器融合算法为扩展卡尔曼滤波算法,并将由里程计模型所得的位姿(位置和姿态)作为预测值,将激光传感器所得的绝对位姿作为观测值。使用扩展卡尔曼滤波算法融合传感器的数据时,本算法中的状态方程可表示为:
Xk+1=FXk+BUk+Wk (10)
Zk+1=HXk+1+Vk+1 (11)
其中,Xk+1表示k时刻系统的状态变量,观测变量Zk是基于激光传感器得到的机器人位姿,Wk代表过程噪声,Vk+1代表观测噪声,控制量Uk表示里程计的输入;F、B、H分别表示状态变换矩阵、控制矩阵和观测矩阵。
根据步骤105在线估算噪声得到噪声的统计特性的方法,确定Wk和Vk+1为统计特性为:
本实例中里程计噪声为高斯白噪声时,其统计特性为:
p(Wk)~N(0,Q) (14)
p(Vk)~N(0,R) (15)
其中,Q和R分别代表过程噪声和观测噪声的方差。
将噪声的统计特性带入本发明的状态方程可得如下形式:
Xk+1=f(Xk,Uk)+q+μk (16)
Zk+1=h(Xk+1)+r+ηk+1 (17)
其中:
由于本系统为非线性系统,扩展卡尔曼滤波需要引入无迹变换。无迹变换根据状态变量Xk的维度L计算(2L+1)个sigma点,并将得到的sigma点进行非线性变换,计算出相应的均值与协方差。状态变量Xk为全局坐标系下移动机器人的位姿,根据其维度L=3,将取7个sigma点ηk,i(i=0,…,6),这些sigma点均值为协方差为Pk。sigma点与其对应权值的计算过程为:
其中ξ=ψ2(L+κ)-L,是一个尺度参数;κ也是一个尺度参数,通常被设为0,ψ用于控制sigma点的分散程度,通常取一个比较小的正值。
sigma点对应的权值计算如下:
其中,ν表示采样得到的sigma点的分布情况,当sigma点服从正态分布时,则ν=2。
为了方便后续计算,可将无迹变换过程简化为如下:
传感器融合过程中所使用的扩展卡尔曼滤波算法可以分为预测阶段和更新阶段,预测阶段又分为两个步骤,系统启动时,基于激光获得的位姿(激光传感器所得的)作为移动机器人的初始位姿,初始协方差矩阵P0为零矩阵。
在本发明中,一般取ψ=1,ν=1.2,κ=0.98,L=3。
图4为本发明移动机器人定位精度提升系统结构图。如图4所示,一种移动机器人定位精度提升系统包括:
里程计运动模型建立模块201,用于建立里程计运动模型;
里程计运动模型降噪模块202,用于对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型;
第一位姿确定模块203,用于根据所述降噪后的里程计运动模型,确定机器人的位姿,记为第一位姿;
第二位姿确定模块204,用于获取激光传感器采集的机器人的位姿,记为第二位姿;
统计特性确定模块205,用于确定在线估算噪声的统计特性;
位姿融合模块206,用于将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿。
所述里程计运动模型建立模块201具体包括:
里程计运动模型建立单元,用于建立里程计运动模型:
其中,Xk+1表示k+1时刻系统的里程计的状态变量,为机器人在全局坐标系下的初始位姿,为机器人经过Δt时间后到达的位姿,Δθ表示相邻时刻移动机器人方位角的变化量,Δx表示相邻时刻机器人在机器人坐标系X方向上位移增量,Δy表示相邻时刻机器人在机器人坐标系Y方向上位移增量,Vx、Vy和ω由移动机器人底轮运动模型计算得到,ω1,ω2,ω3,ω4分别代表四个底轮的角速度,Δt为编码器的采样周期。
所述里程计运动模型降噪模块202具体包括:
里程计运动模型降噪单元,用于采用卡尔曼滤波器对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型:
Xk+1=FXk+Wk;
其中,Xk+1表示k时刻里程计的状态变量,Xk表示k-1时刻里程计的状态变量,Wk代表过程噪声,F表示状态变换矩阵。
所述统计特性确定模块205具体包括:
其中,b为遗忘因子,并且0<b<1,dk为k时刻的指数权值,Zk是基于人工路标定位得到的机器人位姿,为和Pk|k-1计算所得的观测预测值,ηk-1,i和μk-1,i为sigma点的特性参数,Uk-1表示里程计的输入,为实时估计的过程噪声均值,为实时估计的过程噪声方差 为实时估计的观测噪声均值 为实时估计的观测噪声方差εk,τk,i,μk,i分别为中间变量,为sigam对应的权值。
所述位姿融合模块206具体包括:
位姿融合单元,用于将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿:
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种移动机器人定位精度提升方法,其特征在于,包括:
建立里程计运动模型;
对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型;
根据所述降噪后的里程计运动模型,确定机器人的位姿,记为第一位姿;
获取激光传感器采集的机器人的位姿,记为第二位姿;
确定在线估算噪声的统计特性;
将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿。
3.根据权利要求1所述的移动机器人定位精度提升方法,其特征在于,所述对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型,具体包括:
采用卡尔曼滤波器对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型:
Xk+1=FXk+Wk;
其中,Xk+1表示k时刻里程计的状态变量,Xk表示k-1时刻里程计的状态变量,Wk代表过程噪声,F表示状态变换矩阵。
6.一种移动机器人定位精度提升系统,其特征在于,包括:
里程计运动模型建立模块,用于建立里程计运动模型;
里程计运动模型降噪模块,用于对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型;
第一位姿确定模块,用于根据所述降噪后的里程计运动模型,确定机器人的位姿,记为第一位姿;
第二位姿确定模块,用于获取激光传感器采集的机器人的位姿,记为第二位姿;
统计特性确定模块,用于确定在线估算噪声的统计特性;
位姿融合模块,用于将所述第一位姿、所述第二位姿和所述统计特性采用扩展卡尔曼滤波方法融合,得到移动机器人的融合位姿。
7.根据权利要求6所述的移动机器人定位精度提升系统,其特征在于,所述里程计运动模型建立模块具体包括:
里程计运动模型建立单元,用于建立里程计运动模型:
8.根据权利要求6所述的移动机器人定位精度提升系统,其特征在于,所述里程计运动模型降噪模块具体包括:
里程计运动模型降噪单元,用于采用卡尔曼滤波器对所述里程计运动模型进行降噪,得到降噪后的里程计运动模型:
Xk+1=FXk+Wk;
其中,Xk+1表示k时刻里程计的状态变量,Xk表示k-1时刻里程计的状态变量,Wk代表过程噪声,F表示状态变换矩阵。
9.根据权利要求6所述的移动机器人定位精度提升系统,其特征在于,所述统计特性确定模块具体包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571321.7A CN113280808A (zh) | 2021-05-25 | 2021-05-25 | 一种移动机器人定位精度提升方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571321.7A CN113280808A (zh) | 2021-05-25 | 2021-05-25 | 一种移动机器人定位精度提升方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113280808A true CN113280808A (zh) | 2021-08-20 |
Family
ID=77281580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110571321.7A Pending CN113280808A (zh) | 2021-05-25 | 2021-05-25 | 一种移动机器人定位精度提升方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113280808A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984064A (zh) * | 2021-10-27 | 2022-01-28 | 山东亚历山大智能科技有限公司 | 一种用于室内移动机器人的定位方法及系统 |
CN115235453A (zh) * | 2022-08-01 | 2022-10-25 | 湖北工业大学 | 一种移动机器人定位方法及系统 |
CN116026335A (zh) * | 2022-12-26 | 2023-04-28 | 广东工业大学 | 一种适用于未知室内环境的移动机器人定位方法与系统 |
CN116659487A (zh) * | 2022-11-02 | 2023-08-29 | 丰疆智能(深圳)有限公司 | 位姿调整方法、位姿调整装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
CN109186601A (zh) * | 2018-07-05 | 2019-01-11 | 南京理工大学 | 一种基于自适应无迹卡尔曼滤波的激光slam算法 |
CN109974714A (zh) * | 2019-04-29 | 2019-07-05 | 南京航空航天大学 | 一种Sage-Husa自适应无迹卡尔曼滤波姿态数据融合方法 |
CN110543727A (zh) * | 2019-09-05 | 2019-12-06 | 北京工业大学 | 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法 |
CN111308490A (zh) * | 2020-02-05 | 2020-06-19 | 浙江工业大学 | 基于单线激光雷达的平衡车室内定位与导航系统 |
-
2021
- 2021-05-25 CN CN202110571321.7A patent/CN113280808A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
CN109186601A (zh) * | 2018-07-05 | 2019-01-11 | 南京理工大学 | 一种基于自适应无迹卡尔曼滤波的激光slam算法 |
CN109974714A (zh) * | 2019-04-29 | 2019-07-05 | 南京航空航天大学 | 一种Sage-Husa自适应无迹卡尔曼滤波姿态数据融合方法 |
CN110543727A (zh) * | 2019-09-05 | 2019-12-06 | 北京工业大学 | 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法 |
CN111308490A (zh) * | 2020-02-05 | 2020-06-19 | 浙江工业大学 | 基于单线激光雷达的平衡车室内定位与导航系统 |
Non-Patent Citations (8)
Title |
---|
孙玉山等: "改进的自适应Kalman滤波方法及其在AUV组合导航中的应用", 《高技术通讯》 * |
常皓等: "基于全向移动模型的Gmapping算法", 《计量与测试技术》 * |
张立川等: "《深远海工程装备与高技术丛书 自主水下航行器导航与控制技术》", 31 October 2020, 上海科学技术出版社 * |
王大轶等: "《航天器多源信息融合自主导航技术》", 31 March 2018, 北京理工大学出版社 * |
班朝等: "基于IMU的机器人姿态自适应EKF测量算法研究", 《仪器仪表学报》 * |
范彬彬等: "融合惯性导航与激光的服务机器人自定位研究", 《网络新媒体技术》 * |
谭永丽等: "基于路标的轮式机器人定位", 《湖北第二师范学院学报》 * |
黄加俊等: "基于激光SLAM的全方位移动机器人控制系统设计", 《科技通报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984064A (zh) * | 2021-10-27 | 2022-01-28 | 山东亚历山大智能科技有限公司 | 一种用于室内移动机器人的定位方法及系统 |
CN115235453A (zh) * | 2022-08-01 | 2022-10-25 | 湖北工业大学 | 一种移动机器人定位方法及系统 |
CN116659487A (zh) * | 2022-11-02 | 2023-08-29 | 丰疆智能(深圳)有限公司 | 位姿调整方法、位姿调整装置、电子设备及可读存储介质 |
CN116659487B (zh) * | 2022-11-02 | 2024-07-12 | 丰疆智能(深圳)有限公司 | 位姿调整方法、位姿调整装置、电子设备及可读存储介质 |
CN116026335A (zh) * | 2022-12-26 | 2023-04-28 | 广东工业大学 | 一种适用于未知室内环境的移动机器人定位方法与系统 |
CN116026335B (zh) * | 2022-12-26 | 2023-10-03 | 广东工业大学 | 一种适用于未知室内环境的移动机器人定位方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113280808A (zh) | 一种移动机器人定位精度提升方法及系统 | |
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
CN113311411B (zh) | 一种用于移动机器人的激光雷达点云运动畸变校正方法 | |
CN104246825B (zh) | 用于车辆摄像机的在线校准的方法和装置 | |
CN113252033B (zh) | 基于多传感器融合的定位方法、定位系统及机器人 | |
CN108362288B (zh) | 一种基于无迹卡尔曼滤波的偏振光slam方法 | |
CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
CN114323033B (zh) | 基于车道线和特征点的定位方法、设备及自动驾驶车辆 | |
CN111238535A (zh) | 一种基于因子图的imu误差在线标定方法 | |
CN110542429A (zh) | 一种全向移动机器人误差补偿方法 | |
CN110865403B (zh) | 一种基于神经网络预学习和轮式里程计融合的定位方法 | |
CN111189454A (zh) | 基于秩卡尔曼滤波的无人车slam导航方法 | |
CN110595434B (zh) | 基于mems传感器的四元数融合姿态估计方法 | |
CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
CN115200578A (zh) | 基于多项式优化的惯性基导航信息融合方法及系统 | |
CN111399021A (zh) | 一种导航定位方法 | |
CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
CN108709560A (zh) | 基于直线段特征的载运机器人高精度定位导航方法 | |
CN113432612A (zh) | 飞行体的导航方法、装置及系统 | |
CN114516050B (zh) | 基于位形雅可比条件数优化的机器人外力估计方法及系统 | |
CN112577512A (zh) | 一种基于轮速融合的状态量误差确定方法及车载终端 | |
CN113701755B (zh) | 一种无高精度陀螺的光学遥感卫星姿态确定方法 | |
Zarei et al. | Performance improvement for mobile robot position determination using cubature Kalman filter | |
CN115420291A (zh) | 一种大范围室内场景下的多源融合定位方法及装置 |
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 |