CN113420576A - 基于rfid的机器人自主定位方法、系统、存储介质及终端 - Google Patents
基于rfid的机器人自主定位方法、系统、存储介质及终端 Download PDFInfo
- Publication number
- CN113420576A CN113420576A CN202110757054.2A CN202110757054A CN113420576A CN 113420576 A CN113420576 A CN 113420576A CN 202110757054 A CN202110757054 A CN 202110757054A CN 113420576 A CN113420576 A CN 113420576A
- Authority
- CN
- China
- Prior art keywords
- robot
- rfid
- positioning
- reflection coefficient
- reader
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/02—Sensing devices
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10316—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves using at least one antenna particularly designed for interrogating the wireless record carriers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Security & Cryptography (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于RFID的机器人自主定位方法、系统、存储介质及终端,所述机器人携带有RFID读写器,所述方法包括:构建RFID合成孔径定位模型;基于所述定位模型和所述读写器从预设区域内接收的标签的反射信号进行稀疏信号重建以计算反射系数;基于所述反射系数计算获取机器人位置信息。本发明为智能环境下的机器人提供了一种不依赖于视觉系统的高精度自主定位方法,其中的硬件设备可直接采用商用设备而无需修改其硬件,降低了成本并且易于部署;通过对相位信息在载波频率和到达角度两方面的校准提升了定位精度;通过粒子滤波算法降低计算量实现实时追踪;引入孔径位置误差,通过迭代算法交替估计目标位置和孔径位置误差实现精确定位。
Description
技术领域
本发明涉及机器人定位领域,特别是涉及一种基于RFID的机器人自主定位方法、系统、存储介质及终端。
背景技术
智能输送单元(也称搬运机器人),如自动导引车AGV(Automated GuidedVehicle)等,作为智能工厂中的重要装备,已经开始集成以RFID标签、读写器为代表的信息感知、存储和通信设备。利用这些设备,智能输送单元不仅能精确定位自己的位置,识别所输送的工件及对应的生产工艺和生产工位,还能根据智能工厂中其它输送单元的位置和运动状态自动规划自己的导航路线,将工件送到相应的生产工位进行加工。然而基于RFID的合成孔径定位方法需要对单个RFID标签海量轮询以及每个孔径点的准确位置估算理论信号,从而利用逆相关滤波重构似然值来进行精确定位。但在实际场景中,RFID标签的有效读取记录往往不高,同时各种移动平台带来的孔径位置误差几乎无法避免,这些都会导致定位误差的急剧增大。因此需要为这类带有RFID读写设备的机器人设计一种新的自主定位方法,满足智能制造的实际需要。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供基于RFID的机器人自主定位方法、系统、存储介质及终端,用于解决现有技术中机器人定位精度不高的技术问题。
为实现上述目的及其它相关目的,本发明的第一方面提供一种基于RFID的机器人自主定位方法,所述机器人携带有RFID读写器,所述方法包括:构建RFID合成孔径定位模型;基于所述定位模型和所述读写器从预设区域内接收的标签的反射信号进行稀疏信号重建以计算反射系数;基于所述反射系数计算获取机器人位置信息。
于本发明的第一方面的一些实施例中,所述定位模型包括测量矩阵,所述测量矩阵表示所述预设区域的反射系数和反射信号之间的映射关系;所述稀疏信号重建的方式包括:从所述测量矩阵中选取若干列以构建坐标系;将所述反射信号放入所构建的坐标系以最小化其残差向量的长度或范数;多次迭代直至所述残差向量的长度或范数小于预设阈值或迭代次数达到预设值。
于本发明的第一方面的一些实施例中,所述测量矩阵为第一矩阵,所述从所述测量矩阵中选取若干列的选取方式包括正交匹配追踪算法,其包括:每次迭代选择所述测量矩阵中之前从未被选择的若干列以构建第二矩阵;基于所述第二矩阵利用摩尔伪逆求解以最小化所述残差向量的长度或范数;多次迭代直至迭代次数达到预设值。
于本发明的第一方面的一些实施例中,所述测量矩阵为第一矩阵,所述从所述测量矩阵中选取若干列的选取方式包括分段弱梯度追踪算法,其包括:选择一个随迭代次数逐渐增大的弱参数构建一不等式,选取所述测量矩阵中满足所述不等式的所有列并将不满足所述不等式的所有列置零以构建第三矩阵;基于所述第三矩阵利用预设更新步长和更新方向迭代直至所述残差向量的范数小于预设阈值,其中,所述更新方向为反射系数的梯度最快下降方向。
于本发明的第一方面的一些实施例中,所述方法包括:基于载波频率和到达角度对所述读写器获取的反射信号进行相位修正;其中,通过做差的方式利用相对相位消除不同载波频率带来的相位偏移,通过对所述定位模型中的理论相位偏移添加相位修正项来消除相位的到达角度带来的相位畸变。
于本发明的第一方面的一些实施例中,所述方法包括:基于粒子滤波算法缩小所述标签的待定位区域。
于本发明的第一方面的一些实施例中,所述定位模型包括孔径位置误差,所述方法包括:通过联合优化所述孔径位置误差和所述反射系数以获取最终收敛的反射系数,并基于所述反射系数计算获取所述机器人位置信息。
为实现上述目的及其它相关目的,本发明的第二方面提供一种基于RFID的机器人自主定位系统,包括:模型构建模块,用于构建RFID合成孔径定位模型;稀疏信号重建模块,用于基于所述定位模型和所述读写器从预设区域内接收的标签的反射信号进行稀疏信号重建以计算反射系数;机器人定位模块,用于基于所述反射系数计算获取机器人位置信息。
为实现上述目的及其它相关目的,本发明的第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于RFID的机器人自主定位方法。
为实现上述目的及其它相关目的,本发明的第四方面提供一种电子终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述基于RFID的机器人自主定位方法。
如上所述,本发明提出的基于RFID的机器人自主定位方法、系统、存储介质及终端,具有以下有益效果:为智能环境下的机器人提供了一种不依赖于视觉系统的高精度自主定位方法,只需利用机器人携带的RFID读写器设备盘存环境中已知位置的RFID标签,就能实现精确定位与导航,这些硬件设备可直接采用商用设备而无需修改其硬件,降低了成本并且易于部署;将定位追踪问题转换成稀疏信号重建的最优化问题并设计了一种普通稀疏信号恢复方法;通过对相位信息在载波频率和到达角度两方面的校准提升了定位精度;通过粒子滤波方法极大地降低计算量实现实时追踪;还在定位模型中引入孔径位置误差,通过迭代算法交替估计目标位置和孔径位置误差,准确估算目标位置实现精确定位;在智能工厂等智能环境中,可以对传送带上的工件等物品精确定位排序,进而进行相关的处理,也可以对智能输送单元等机器人实现精确定位与导航,满足智能工厂的实际需求。
附图说明
图1显示为本发明一实施例中一种基于RFID的机器人自主定位方法流程示意图。
图2显示为本发明一实施例中一种带旋转模块的机器人定位示意图。
图3显示为本发明一实施例中一种基于粒子滤波的机器人自主定位方法流程示意图。
图4显示为本发明一实施例中一种基于RFID的机器人自主定位系统的结构示意图。
图5显示为本发明一实施例中一种移动机器人的结构示意图。
图6显示为本发明一实施例中一种电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本发明的若干实施例。应当理解,还可使用其它实施例,并且可以在不背离本发明的精神和范围的情况下进行操作上的改变。下面的详细描述不应该被认为是限制性的,并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本发明。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其它特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A; B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
本发明主要解决的技术问题是提供一种基于RFID环境标签的机器人自主定位方法、系统、存储介质及终端,能够解决应用场景中RFID标签有效读取记录过低以及各种移动平台带来的孔径位置误差无法避免时的精确定位问题。
为了使本发明的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本发明实施例中的技术方案进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例一
如图1所示,本发明实施例提出一种基于RFID的机器人自主定位方法的流程示意图,其包括步骤如下:
步骤S11.构建RFID合成孔径定位模型。具体的,针对每一次RFID读写器对标签的成功盘存(获取相位等低层信息),将包含所有可能标签位置的区域D(预设区域)视为一个反射信号的整体,并利用这个区域中各个点的反射系数代表标签的位置。利用RFID信号传播的理论模型,可以将不同孔径点接收的信号s写成矩阵A*r(即s=A*r),其中测量矩阵A表示反射系数r和测量信号s间的映射关系。这样定位问题就转化为有界噪声的压缩感知信号恢复问题。
在实际应用中,机器人携带有RFID读写器,在运动的同时盘存环境中的标签,利用惯性系统等获得的不准确的机器人轨迹信息以及RFID读写器获得的低层信号信息估算标签的位置,最后通过坐标系变换确定机器人(RFID读写器)位置。假设一个机器人以速度v运动,并盘存了某个标签(位置为p)M次,盘存的时间为ti(i=1…M),t1时刻机器人的位置为a1。那么定位目标就是根据机器人轨迹Tr(v,t,a1)及RFID读写器获得的低层信号信息估算标签的位置p,机器人轨迹Tr(v,t,a1)也是机器人上RFID读写器用于定位的孔径的轨迹。进一步地,利用定位后的参考标签通过坐标系变换定位读写器,以获取机器人位置信息。
如图2所示,本实施例提出一种带旋转模块的机器人定位示意图,机器人携带有旋转模块,并且所述RFID读写器设于所述旋转模块上,其旋转半径rs,旋臂旋转角速度vsc。其中,机器人以速度vsl运动并盘存环境中的RFID标签,t1时刻机器人的位置为a1,其与标签的距离为dt,n。机器人定位过程中,采集机器人轨迹Tr(v,t,a1),基于其旋转半径rs和旋臂旋转角速度vsc获取RFID读写器天线的轨迹Ta(v,t,a1,rs,vsc),其中,a1可以根据轴心位置pc和rs计算,根据机器人上RFID读写器天线轨迹Ta(v,t,a1,rs,vsc)形成的孔径及RFID读写器获得的低层信号信息可估算标签的位置pt,进而通过坐标系变换定位读写器,再估算机器人位置信息。
在本实施例较佳的实施方式中,利用不同孔径点读写器报告相位的相干性来解决RFID 读写器的相位缠绕问题,即相位的2π模糊问题。当读写器天线位于am时,标签位置为p,读写器报告的信号可以用如下公式从理论上估计:
如果把标签反向散射对接收信号的影响(相位偏移)记为标签的反射系数r,则理论收到的反射信号表示为当读写器在某个时刻成功盘存了一个标签时,在这个时刻只有这个标签成功响应读写器的盘存,且读写器收到的电磁波一定来自这个标签的位置,而其它位置并没有标签反向散射电磁波,即读写器接收到的信号视为从区域D中所有点“反射”的信号的叠加,而且每个点都有各自的反射系数r。理论上这些点的反射系数有两类,标签所在位置其反射系数非零而其它点的反射系数为零。
在本实施例较佳的实施方式中,将区域D离散化成P*Q个网格,每个网格都代表了一个可能的标签位置,并用各个网格的反射系数代表了整个区域D。区域D离散化的粒度需要在定位精度和计算开销之间权衡,这二者通常都会随着网格密度增大而提高。优选的,网格间距设置为0.02m以实现定位精度和计算开销之间的平衡。因此,区域D可用PQ*1的列向量 r表示,其中r(p,q)代表了离散化的区域D中p行q列处网格的反射系数,列向量r表示为:r=[r(1,1),…,r(P,1),…,r(p,q),…,r(1,Q),…,r(P,Q)]T;这样,读写器在第m个孔径点接收的理论信号(理论反射信号)表示如下:
其中,其中r(i)表示D中第i个网格的反射系数,dm(i)代表了这个网格和第m个孔径点间的距离,代表读写器在第m个孔径点使用的载波频率nm时读写器的相位偏移。读写器在所有M个孔径点接收的理论信号可以写成M*1向量的形式:
sideal=[sideal(1),…,sideal(M)]T;
而在这些孔径点读写器实际接收的反射信号为:
s=[s(1),…,s(m),…,s(M)]T;
在本实施例较佳的实施方式中,所述RFID合成孔径定位模型包括噪声向量修正项;基于包含所述噪声向量修正项的定位模型计算获取所述反射系数中的最大非零项,其对应的位置信息为标签位置信息;基于所述标签位置信息进行坐标变换以获取所述机器人位置信息。
具体的,考虑到实际场景中噪声干扰、多径失真等因素的影响,利用M*1的噪声向量修正项n可得到精确的RFID定位模型:
s=Ar+n;
其中M*PQ矩阵A表示反射系数r和测量信号s间的映射关系,因而A也被称为测量矩阵,其元素为:
理论上,这个模型的解有且仅有一个非零元素,这个非零元素也对应了标签的位置。而考虑到噪声、多径等因素的影响,解中可能会出现多个非零元素,但只要在大部分孔径点上读写器接收信号中LOS路径信号分量占主导地位,就可认为其中的最大非零元素代表了标签的位置而其它较小的值是噪声等带来的干扰,而且这些较小的值一般也接近零。本发明将解中的最大非零元素作为标签位置的映射。
步骤S12.基于所述定位模型和所述读写器从预设区域内接收的标签的反射信号进行稀疏信号重建以计算反射系数。考虑到噪声、多径等因素,r的稀疏度可能是个非1的比较小的正数,因此,定位模型可以看作是一个有界噪声的压缩感知(Compressed Sensing,CS)信号恢复问题,表示如下:
minr||r||0,s.t.||s-Ar||2≤∈;
其中r是一个k稀疏的向量(k通常为接近1的整数),有界噪声n的l2范数不超过∈。当待恢复的信号r具有稀疏性时,由于这个高维信号包含的信息维度通常远低于信号本身的维度,因而可以通过把对信号的采样转化为对信息的采样,这样通过测量矩阵A的转换,能利用较低采样频率的数据(s)对原始信号进行精确恢复,恢复的过程也被称为稀疏重建。通常测量矩阵A满足有限等距性质约束,因而能直接作为测量矩阵在压缩感知中使用,不需要预定义的采样计划也不需要修改商用读写器来获得特殊的测量矩阵。
在一些示例中,基于所述定位模型和所接收的反射信号进行普通稀疏重建。具体的,针对这一l0范数约束下压缩感知信号恢复,使用匹配追踪算法求解:通过迭代寻找待重建信号的支撑集(测量矩阵A的部分列),而测量矩阵A的每一列都代表了D中的一个网格;在迭代过程中,每次迭代的结果r[j]和对应的残差n[j]分别是对定位模型中r和n的近似,每次迭代中,从测量矩阵A中选择一些列作为构建坐标系的轴,其中第j次迭代中被选中的列的索引的集合记为Tj,测量矩阵A中的第i列是否被选择主要基于一个同时与残差n[j]和A的列向量有关的函数F(n[j],A(:,i));然后,将残差向量n[j]放入这个被新构建的坐标系中并通过投影或其它方法降低残差向量的长度或范数。这种算法主要包含两个步骤和一个终止条件:
(a)首先构建一个用于投影的子集并将r[j]约束在这个子集中;
(b)然后在这个子集上求解最小化n[j]的长度或范数的子问题;
(c)当残差||s-Ar||2小于预设阈值或者迭代次数达到某个固定值(预设值)时迭代终止。
进一步地,基于对A的列选取以及子问题的求解,优选正交匹配追踪算法OMP。具体的,在每次迭代中,选择A中之前从未被选择的列:
这些被选择的列构成了一个新的矩阵ATj。接下来本发明求解所述子问题,而且其中新矩阵ATj列的数目远少于矩阵A列的数目,所述子问题可以直接利用摩尔伪逆求解。优选的,采用这种方法时本发明迭代重复k次,其中k是稀疏度。
在本实施例较佳的实施方式中,基于对A的列选取以及子问题的求解,采用分段弱梯度追踪StWGP。每次迭代中,StWGP也选择之前从未被选择的列,但它通过每次选择多个列减少迭代次数。首先构建一不等式表示如下:
其中,优选一个逐渐增大的弱参数η确保快速收敛。StWGP会选择所有满足不等式的t 列,进而利用所有被选择的列构建新矩阵ATj,A的Tj列形成ATj中对应的列,而ATj中的其它列为0;然后用r[j-1]+αd更新r[j],其中α是更新步长,而d是更新方向AH Tjn[j],即r在曲面||s-ATjr[j]||2的梯度最速下降方向;迭代结束获得解后,最大的对应的位置p(第i个网格)就是定位的结果:
在另一些示例中,基于所述定位模型和所接收的反射信号进行增强稀疏重建。UHF(Ultra High Frequency,超高频)RFID读写器通常以FHSS的方式跳频工作,而读写器天线导致的相位偏移与载波频率有关。优选的,通过“相对相位”消除载波频率变化带来的差异。以载波频率fn(即信道编号为n)为例,读写器可能在数个孔径点使用这个频率,假设在孔径点处读写器第一次使用这个载波频率这个点将作为其它也使用这个载波频率的孔径点am 的参考点,并计算相对相位表示如下:
相应的,测量矩阵A的元素表示如下:
另外,对于相同的读写器天线,相邻两个载波频率间读写器报告的相位信息间的差值Δf 近似为常数。而利用常数Δf,可以将不同载波频率下的相位偏移归一化到同一个载波频率上。如果读写器天线在第i个载波频率的相位偏移是那么它在第j个载波频率的相位偏移就是这样如果在极端情况下某个载波频率上只有一个孔径点时,可以归一化后再使用相对相位。
在本实施例较佳的实施方式中,通过对所述定位模型中的理论相位偏移添加相位修正项来消除相位的到达角度带来的相位畸变。具体的,由于实际读写器天线的方向图并不是圆形,且并不对称,随着标签到天线角度的变化(标签到读写器天线的连线与天线平面的夹角),天线的相位中心在等相位波阵面的渐屈线上移动,即读写器报告的相位值会随着标签到天线的角度变化(相位的到达角度响应)。不同的孔径点有不同的到达角度,引入了不同的相位畸变,进而导致了不精确的定位结果。同时,在合成孔径RFID定位系统中,相对运动通常不包括旋转,因而标签方向(tag orientation)一般相对稳定。而对一个静止的读写器天线和随传动带移动的单个标签来说,标签和读写器天线方向的夹角(极化失配角)一般也是稳定的。定位过程中,不同的孔径会对应不同的到达角度变化范围,而在π/2附近的到达角度变化导致的相位偏移波动相对比较小,可以近似为稳定区域而忽略到达角度对相位的影响。在通过预处理获得到达角度响应拟合曲线p(θ)后,对稳定区域外的每一对孔径点和假设标签位置,以 p(π/2)作为参考,通过对矩阵A中所有的理论相位偏移添加(p(θ)-p(π/2))的修正项,其中到达角度θ(m,i)根据读写器天线位置am和假设的标签位置p计算得到,其测量矩阵A被修正后其中的元素可表示如下:
在本实施例较佳的实施方式中,定位模型还采用粒子滤波算法,利用区域D中大部分网格的反射系数都是0的先验知识,通过不断减少标签可能的位置(网格),缩小搜索范围来降低定位的计算开销,提高定位的实时性。所述粒子滤波算法包括重采样和更新两个步骤的迭代过程,具体表述如下:
在每次迭代前,基于标签所有的可能位置生成一个粒子集合{pl,k},其中每个粒子pl,k都代表了标签在第l次迭代中的一个潜在位置,而k是这个位置的索引。随着迭代的进行,粒子的数目通过更新之后重采样产生的更小的候选位置集合逐渐减少。同时,为了与真实场景下读写器每数百毫秒收到一个数据包匹配,将列向量s按照接收的顺序划分为数个小段,而每段的长度取决于每个数据包包含了几条相位数据。每收到s的第l段,就开始第l次迭代的重采样和更新。
在初始化阶段,把标签可能区域D中所有的网格都作为粒子。接下来每次迭代需要三个输入参数:重采样前所有粒子的数目Kl,每个粒子对应的权重wl k和重采样后粒子的数目Kl+1。重采样时首先对Kl个粒子依据它们的权重wl k排序,选出其中权重最大的Kl+1个粒子作为下次迭代的输入。这些粒子的新权重利用稀疏信号重建中OMP(正交匹配追踪)算法对列的选择策略计算,或者直接令其等于r[l]。另外与传统的重采样不同,新粒子的位置与他们的父亲相同。通过减少Kl+1就能减少迭代的计算时间,虽然这样会损失一定的精度,本发明优选Kl+1=0.5Kl来保证精度。
如图3所示,本发明实施例提出一种基于粒子滤波算法的机器人定位方法流程示意图:该流程图外层的迭代中嵌套了一个内层迭代,其中,外层迭代是一个粒子滤波过程,利用重采样和更新两个阶段来同时减少粒子数目和计算负载,外层迭代的关键在于更新权重和反射系数,而更新过程就是内层迭代,利用前述的稀疏信号重建的方法。模型接收到反射信号s[l]后开始迭代,起始的迭代次数l=0,基于粒子滤波算法对区域D[l]进行重采样,并更新反射系数r[l]。其中,更新的过程为基于前述的稀疏信号重建过程求解s[l]=A′[l]r[l]:对测量矩阵A 进行相位校准获取A′[l],选择校准后的测量矩阵中的列并扩展成子空间,在子空间中求解子问题(最小化残差向量的长度或范数),在满足终止条件(残差向量的长度或范数小于阈值,或者迭代次数达到某个固定值时)时停止内层迭代,并在不再接收到反射信号后终止外层迭代,获取位置信息估计值。
在本实施例较佳的实施方式中,针对测量矩阵A中每个元素的计算都依赖于孔径点位置的问题,定位模型融入孔径位置误差e,利用联合优化同时定位标签并补偿孔径位置误差。该联合优化可用迭代方法来求解:首先固定孔径位置误差e去估算反射系数向量r,然后利用刚刚得到的反射系数向量r更新孔径位置误差e,并在下一次迭代中用之前得到的新的孔径位置误差e更新测量矩阵A,通过反复迭代计算e和r直到r收敛。获得每个孔径点的准确位置相对困难,而测量矩阵A中每个元素的计算都依赖于孔径点的位置,因此孔径位置误差会导致定位追踪结果的不准确性,因此,本实施方式可有效提高定位的准确性。
具体的,首先构建带有孔径位置误差补偿的定位模型:若第m个孔径点am的位置已知为(xm,ym),但其准确位置是(xm+Δxm,ym+Δym),其中Δxm和Δym分别代表了x轴和y轴两个方向上的孔径位置误差。因而对于区域D中的第i个网格(xi,yi),这个网格到孔径点am的距离的真实值为:
因此,原本只由相对距离决定的测量矩阵A也是一个关于孔径位置误差e的函数,此时定位模型被修正为:
s=A(e)r+n;
e=[Δx1,Δy1,…,Δxm,Δym]T。
由于噪声、多径等的影响,该模型的解可能存在多个非零值,但如果读写器接收到的信号中被盘存标签的LOS路径信号分量占主导地位,解中往往只有一个较大的非零值,且这个元素代表了标签位置,而其它接近零的非零值是受噪声等的影响产生的。
其次,利用拉格朗日乘子法将带有孔径位置误差补偿的定位模型变形:
其中μ和λ都是正则化系数。
在本实施例较佳的实施方式中,基于所述带有孔径位置误差补偿的合成孔径RFID定位模型,通过迭代方法来获取机器人位置信息。具体的,首先固定孔径位置误差e去估算反射系数向量r,然后利用刚刚得到的反射系数向量r更新孔径位置误差e,并在下一次迭代中用之前得到的新的孔径位置误差e更新测量矩阵A。通过反复迭代计算e和r直到r收敛。表1 为带有孔径位置误差补偿的合成孔径RFID定位方法的工作流程表。
表1.带有孔径位置误差补偿的合成孔径RFID定位方法的工作流程表
在迭代的第一步中,即假设孔径位置e已知而估算反射系数r时,λ||e||2是个常量,待解决的问题就是一个标准的基于稀疏信号重建的合成孔径RFID定位问题,本发明使用前述的StWGP方法重建稀疏信号,这种方法计算量更小,收敛更快,而且这种场景下一般孔径点也比较充足,能得到较高的定位精度。在进行基于频率响应的相位校准时,同样由于有足够的孔径点,本发明直接用相对相位构建信号。
在迭代的第二步中,孔径位置误差是优化目标而μ||r[ir+1]||0实际上是个常量,因而其损失函数L[ir+1](e)可以写为如下形式(这里针对较复杂的优化目标第一项进行推导而忽略简单的正则项λ||e||2):
其中r[ir+1](i)表示第ir+1轮迭代时向量r[ir+1]中的第i个元素。
其中m∈[1,M]。因此迭代第二步中的最优化问题就等价于一组相互独立的最优化问题,其中,孔径位置误差的优化表达式为:
这是一个无约束最优化问题,优选利用高斯牛顿法等基于梯度的最优化方法求解。
本发明提出的基于孔径位置误差补偿的定位方法是一个迭代过程,每次迭代中两个步骤的收敛性分别由稀疏信号恢复方法和基于梯度的方法保证,因而这种迭代结构的算法也具有收敛性。本发明在稀疏信号重建时采用StWGP方法,如果参数η设置为1,那么该算法可能在第一次迭代就收敛。优选的,为了避免算法在早期迭代就达到局部最优值并增加取得全局最优值的机会,早期迭代中其迭代的第一步通过设置η<1在r中获得足够多的非零元素。而随着迭代的进行,逐渐增大的η能确保StWGP取得拥有较少非零值的r,从而避免算法获得较差的解。
步骤S13.基于所述反射系数计算获取机器人位置信息。具体的,预设区域中各个点的反射系数代表标签的位置,本发明把读写器接收到的信号视为从区域D所有点“反射”的信号的叠加,而且每个点都有各自的反射系数r。理论上这些点的反射系数有两类,标签所在位置其反射系数非零而其它点的反射系数为零。而考虑到噪声、多径等因素的影响,解中可能会出现多个非零元素,但只要在大部分孔径点上读写器接收信号中LOS路径信号分量占主导地位,就可认为其中的最大非零元素代表了标签的位置而其它较小的值是噪声等带来的干扰,而且这些较小的值一般也接近零。本发明将解中的最大非零元素作为标签位置的映射。因此,通过计算获得的反射系数即可获得标签位置信息,进一步通过坐标变换获取机器人位置信息 (读写器位置信息),从而实现机器人的自主定位。
值得一提的是,大量实验证明了本发明提出的方法在智能工厂等环境下分别面临单个标签稀疏读取记录和孔径位置误差时依然能准确可靠地获取目标的位置信息并到达厘米级的定位精度。当平均读取记录降低为6.85时(2m长度的孔径),本发明在横向的定位精度认可达到6cm。此时单个标签被连续盘存两次需要的平均时间约为97.3ms。不采用粒子滤波时本发明的平均运行时间239ms,而采用粒子滤波和增强型稀疏信号重建时,本发明第一次迭代的平均时间仅为23.7ms,这也是执行时间最长的一次迭代,大大少于97.3ms的平均盘存时间。本发明在标签读取记录稀疏的情况下,也能在下次盘存数据到来前即可完成一次定位计算。而针对孔径位置误差的实验中,当孔径长度为1m时,本发明在横向上取得了5cm的平均精度。其第一轮迭代的开销约0.5s而其它轮次迭代的开销不到0.23s。两轮迭代之后,本发明的系统的横向平均误差已小于5cm,且系统在横向和径向的平均定位结果都在4到5轮内完全收敛。因而本发明把最大迭代次数设置为5,此时整个系统的延迟小于1.5s,这对于大部分低实时性的应用来说是完全可接受的。
在一些实施方式中,所述方法可应用于控制器,所述电控单元例如为ARM(Advanced RISC Machines)控制器、FPGA(Field Programmable Gate Array)控制器、SoC(System on Chip)控制器、DSP(Digital Signal Processing)控制器、或者MCU(Microcontroller Unit)控制器等等。在一些实施方式中,所述方法也可应用于包括存储器、存储控制器、一个或多个处理单元 (CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其它输出或控制设备,以及外部端口等组件的计算机;所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant,简称PDA)等个人电脑。在另一些实施方式中,所述方法还可应用于服务器,所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上,也可以由分布的或集中的服务器集群构成。
实施例二
如图4所示,本发明实施例提出一种基于RFID的机器人自主定位系统,包括:模型构建模块41,用于构建RFID合成孔径定位模型;稀疏信号重建模块42,用于基于所述定位模型和所述读写器从预设区域内接收的标签的反射信号进行稀疏信号重建以计算反射系数;机器人定位模块43,用于基于所述反射系数计算获取机器人位置信息。如图5所示,本发明实施例提出一种移动机器人50的结构示意图,其包括:RFID读写器51,通过RFID读写器天线52读取预设区域的RFID标签的信号;360度旋转模块53,其上设有旋臂531用于承载并带动RFID读写器天线52旋转运动,并且所述旋转模块53还包括轴心电滑环532,RFID读写器51通过馈线连接到轴心电滑环532,再通过轴心连接RFID读写器天线52。
图5所示的实施方式将RFID读写器天线部署在机器人的转台(旋转模块53)上,并通过电滑环532与RFID读写器51相连,使得RFID读写器天线52可以任意旋转而不会发生馈线缠绕。在此基础上,RFID天线的运动轨迹是机器人运动轨迹和天线旋臂运动轨迹的矢量叠加。定位时机器人可以运动较短的距离而利用天线旋转提供更多的孔径点测量从而提高横向和径向定位精度,有效解决定位时机器人运动距离有限带来的定位误差增大问题。
进一步的,所述移动机器人50还包括:控制电脑54,用于控制旋转模块53的运动,并接收RFID读写器读取的底层信号信息,采集机器人轨迹信息、旋转平台运动信息等,并根据所获取的信息估算标签位置,进而对机器人进行定位和导航。
在一些示例中,所述移动机器人50还包括:动力模块55、通信模块56和/或避障模块 57,与所述控制电脑54连接,供所述控制电脑54控制其运动状态、与外界通信连接和/或避开障碍物。
需要说明的是,本实施例提供的模块与上文中提供的方法、实施方式类似,故不再赘述。另外需要说明的是,应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,稀疏信号重建模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上稀疏信号重建模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital signal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统 (system-on-a-chip,简称SOC)的形式实现。
实施例三
本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前文所述基于RFID的机器人自主定位方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四
如图6所示,本发明实施例提供一种电子终端的结构示意图。本实施例提供的电子终端,包括:处理器61、存储器62、通信器63;存储器62通过系统总线与处理器61和通信器63连接并完成相互间的通信,存储器62用于存储计算机程序,通信器63用于和其它设备进行通信,处理器61用于运行计算机程序,使电子终端执行如上基于RFID的机器人自主定位方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称 PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其它设备 (例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述,本发明提供一种基于RFID的机器人自主定位方法、系统、存储介质及终端:首先构建RFID合成孔径定位数学模型,该模型能容忍RFID标签有效读取记录过低的问题,并能进行孔径位置误差补偿提高定位精度,并且该模型将定位问题抽象为稀疏信号恢复问题,并利用压缩感知稀疏信号重建估算场景中各个点的反射系数进行定位;通过相对相位和相位校准提高定位精度;利用粒子滤波提高其实时性,以及具有孔径位置误差补偿的合成孔径 RFID定位方法交替求解孔径位置误差和目标位置。本发明为智能环境下的机器人提供了一种不依赖于视觉系统的高精度自主定位方法,只需利用机器人携带的RFID读写器设备盘存环境中已知位置的RFID标签,就能实现精确定位与导航,这些硬件设备可直接采用商用设备而无需修改其硬件,降低了成本并且易于部署;将定位追踪问题转换成稀疏信号重建的最优化问题并设计了一种普通稀疏信号恢复方法;通过对相位信息在载波频率和到达角度两方面的校准提升了定位精度;通过粒子滤波方法极大地降低计算量实现实时追踪;还在定位模型中引入孔径位置误差,通过迭代算法交替估计目标位置和孔径位置误差,准确估算目标位置实现精确定位;在智能工厂等智能环境中,可以对传送带上的工件等物品精确定位排序,进而进行相关的处理,也可以对智能输送单元等机器人实现精确定位与导航,满足智能工厂的实际需求。因此,本发明有效克服了现有技术中的种种缺点而具有高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于RFID的机器人自主定位方法,其特征在于,所述机器人携带有RFID读写器,所述方法包括:
构建RFID合成孔径定位模型;
基于所述定位模型和所述读写器从预设区域内接收的标签的反射信号进行稀疏信号重建以计算反射系数;
基于所述反射系数计算获取机器人位置信息。
2.根据权利要求1所述的机器人自主定位方法,其特征在于,所述定位模型包括测量矩阵,所述测量矩阵表示所述预设区域的反射系数和反射信号之间的映射关系;所述稀疏信号重建的方式包括:
从所述测量矩阵中选取若干列以构建坐标系;
将所述反射信号放入所构建的坐标系以最小化其残差向量的长度或范数;
多次迭代直至所述残差向量的长度或范数小于预设阈值或迭代次数达到预设值。
3.根据权利要求2所述的机器人自主定位方法,其特征在于,所述测量矩阵为第一矩阵,所述从所述测量矩阵中选取若干列的选取方式包括正交匹配追踪算法,其包括:
每次迭代选择所述测量矩阵中之前从未被选择的若干列以构建第二矩阵;
基于所述第二矩阵利用摩尔伪逆求解以最小化所述残差向量的长度或范数;
多次迭代直至迭代次数达到预设值。
4.根据权利要求2所述的机器人自主定位方法,其特征在于,所述测量矩阵为第一矩阵,所述从所述测量矩阵中选取若干列的选取方式包括分段弱梯度追踪算法,其包括:
选择一个随迭代次数逐渐增大的弱参数构建一不等式,选取所述测量矩阵中满足所述不等式的所有列并将不满足所述不等式的所有列置零以构建第三矩阵;
基于所述第三矩阵利用预设更新步长和更新方向迭代直至所述残差向量的范数小于预设阈值,其中,所述更新方向为反射系数的梯度最快下降方向。
5.根据权利要求1所述的机器人自主定位方法,其特征在于,包括:基于载波频率和到达角度对所述读写器获取的反射信号进行相位修正;其中,通过做差的方式利用相对相位消除不同载波频率带来的相位偏移,通过对所述定位模型中的理论相位偏移添加相位修正项来消除相位的到达角度带来的相位畸变。
6.根据权利要求1所述的机器人自主定位方法,其特征在于,包括:基于粒子滤波算法缩小所述标签的待定位区域。
7.根据权利要求1所述的机器人自主定位方法,其特征在于,所述定位模型包括孔径位置误差,所述方法包括:通过联合优化所述孔径位置误差和所述反射系数以获取最终收敛的反射系数,并基于所述反射系数计算获取所述机器人位置信息。
8.一种基于RFID的机器人自主定位系统,其特征在于,包括:
模型构建模块,用于构建RFID合成孔径定位模型;
稀疏信号重建模块,用于基于所述定位模型和所述读写器从预设区域内接收的标签的反射信号进行稀疏信号重建以计算反射系数;
机器人定位模块,用于基于所述反射系数计算获取机器人位置信息。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于RFID的机器人自主定位方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述基于RFID的机器人自主定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757054.2A CN113420576A (zh) | 2021-07-05 | 2021-07-05 | 基于rfid的机器人自主定位方法、系统、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757054.2A CN113420576A (zh) | 2021-07-05 | 2021-07-05 | 基于rfid的机器人自主定位方法、系统、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420576A true CN113420576A (zh) | 2021-09-21 |
Family
ID=77720231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757054.2A Pending CN113420576A (zh) | 2021-07-05 | 2021-07-05 | 基于rfid的机器人自主定位方法、系统、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420576A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595711A (zh) * | 2022-03-16 | 2022-06-07 | 天津大学 | 一种基于方向敏感特性的射频标签认证方法 |
-
2021
- 2021-07-05 CN CN202110757054.2A patent/CN113420576A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595711A (zh) * | 2022-03-16 | 2022-06-07 | 天津大学 | 一种基于方向敏感特性的射频标签认证方法 |
CN114595711B (zh) * | 2022-03-16 | 2023-08-11 | 天津大学 | 一种基于方向敏感特性的射频标签认证方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Machine learning based indoor localization using Wi-Fi RSSI fingerprints: An overview | |
Wang et al. | Dude, where's my card? RFID positioning that works with multipath and non-line of sight | |
Wang et al. | RF-compass: Robot object manipulation using RFIDs | |
CN110930495A (zh) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 | |
CN109884586A (zh) | 基于超带宽的无人机定位方法、装置、系统及存储介质 | |
Lin et al. | Beyond one-dollar mouse: A battery-free device for 3D human-computer interaction via RFID tags | |
CN107592671B (zh) | 一种网络化多智能体主动变拓扑的自主协同定位方法 | |
Xu et al. | The principle, methods and recent progress in RFID positioning techniques: A review | |
Zhang et al. | 3-dimensional localization via RFID tag array | |
CN113420576A (zh) | 基于rfid的机器人自主定位方法、系统、存储介质及终端 | |
Tzitzis et al. | Phase ReLock-localization of RFID tags by a moving robot | |
CN109382840A (zh) | 作业机器人定位方法及系统 | |
Uchitomi et al. | Accurate indoor position estimation by Swift-Communication Range Recognition (S-CRR) method in passive RFID systems | |
Jing et al. | A localization algorithm for mobile robots in RFID system | |
Wang et al. | Mobility improves accuracy: Precise robot manipulation with COTS RFID systems | |
Cakan et al. | Multi-layer perceptron decomposition architecture for mobile IoT indoor positioning | |
Jin et al. | A Passive Eye-in-Hand" Camera" for Miniature Robots | |
CN114372543B (zh) | 一种基于载波相位的rfid室内多目标3d定位系统及方法 | |
Llarena et al. | Odometry-based viterbi localization with artificial neural networks and laser range finders for mobile robots | |
CN115307641A (zh) | 机器人定位方法、装置、机器人和存储介质 | |
CN114219022A (zh) | 结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法 | |
Yen et al. | Orientation constraints for Wi-Fi SLAM using signal strength gradients | |
Zhang et al. | Toward Robust RFID Localization via Mobile Robot | |
Ma et al. | Deep learning approach for UHF RFID-based indoor localization | |
Zehua et al. | Indoor Integrated Navigation on PDR/Wi-Fi/barometer via Factor Graph with Local Attention |
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 |