The present invention relates to an initial alignment method for robots based on inertial navigation and two-dimensional code navigation. By means of rough alignment, precise alignment and translation alignment, it solves the problem of long alignment time and complex control algorithm in initial alignment of robot inertial navigation system on indoor plane, and makes Kalman fusion by combining the angle of inertial sensor and vehicle body and binary code. The alignment time can be reduced and the computational complexity is low.
【技术实现步骤摘要】
一种基于惯性和二维码导航的机器人初始对准方法
本专利技术涉及导航对准领域,具体涉及一种基于惯性和二维码导航的机器人初始对准方法。
技术介绍
在制造生产线中,机器人能高效、准确、灵活地完成物料的搬运任务,大大提高了生产的柔性和企业的竞争力。惯性导航搬运机器人具有准确性高、灵活性强、便于组合和兼容、不依赖外部信息、工作不受气象条件和人为干扰影响适用领域广,但是随着长时间的运行,惯性传感器存在严重的漂移。因此,本专利采用惯性-二维码导航的组合导航方式。在惯性-二维码组合导航系统中,初始对准是指提供捷联惯导的导航解算所需要的初值,包括初始位置、初始速度与初始姿态。由于惯导系统的初值误差在以后的导航解算中有积累作用,因此必须保证初始对准误差在一定范围内,特别是初始姿态误差,必须严格限制。现有的惯导系统的初始对准方法有:罗经回路法、卡尔曼滤波法以及粒子滤波法等。当基座存在明显晃动或者在运动环境下,陀螺输出的信噪比低,难以从陀螺输出中提取地球自转角速度信息,解析对准误差很大,甚至不可用。为抑制基座晃动干扰及惯性器件误差,较早出现的是基于经典控制理论的罗经对准,随着对初始对准研究的深入,对准方案也由原来的基于经典控制理论的频域法,转移到基于现代控制理论的最优估计方法,卡尔曼滤波算法是最优估计方法在初始对准中应用的核心算法,由于目前卡尔曼滤波等算法在运行前一般要求给定粗略的初始姿态角,对准过程因此被分为粗对准和精对准两个阶段。粗对准阶段获得粗略的初始姿态角,精对准阶段运用卡尔曼滤波等算法获得更高精度的姿态。当初始姿态误差角为小角度时,构成卡尔曼算法状态方程的SINS误差方程 ...
【技术保护点】
1.一种基于惯性和二维码导航的机器人初始对准方法,其特征在于,所述初始对准方法包括如下步骤:S1:角度粗对准:对捷联惯导系统和二维码扫码枪进行初始化,根据扫码枪读取搬运机器人与二维码的角θ,对搬运机器人进行快速的粗对准,使达到目标角度θ0的粗略误差范围;S2:角度精对准:通过读取搬运机器人与二维码的角度θ和陀螺仪的角速度Gyro,其中陀螺仪的最初角速度为粗对准结束时刻小车的角速度,运用Kalman滤波进行精对准,使达到目标精度范围;步骤S2还包括了以下内容:使用Kalman滤波算法进行解算和迭代,记机器人的系统模型为:
【技术特征摘要】
1.一种基于惯性和二维码导航的机器人初始对准方法,其特征在于,所述初始对准方法包括如下步骤:S1:角度粗对准:对捷联惯导系统和二维码扫码枪进行初始化,根据扫码枪读取搬运机器人与二维码的角θ,对搬运机器人进行快速的粗对准,使达到目标角度θ0的粗略误差范围;S2:角度精对准:通过读取搬运机器人与二维码的角度θ和陀螺仪的角速度Gyro,其中陀螺仪的最初角速度为粗对准结束时刻小车的角速度,运用Kalman滤波进行精对准,使达到目标精度范围;步骤S2还包括了以下内容:使用Kalman滤波算法进行解算和迭代,记机器人的系统模型为:其中,X(k)是k时刻系统的状态向量,Z(k)是k时刻的测量向量,U(k)是k时刻输入向量,A、B、H分别是系统状态转移矩阵、输入控制矩阵和测量矩阵,W(k)和V(k)分别是过程噪声和测量噪声,W(k)和V(k)是两个互不相关的高斯白噪声序列;且满足:其中,q(k)和r(k)为高斯白噪声均值参数,Q(k)和R(k)为方差阵参数,E[W(k)]为W(k)的期望函数,其均为k时刻的函数;在单个信息融合周期内的解算步骤如下:(1)状态预测X(k|k-1)=AX(k-1)+BU(k-1)(4)(2)新息序列更新Zk=Zk-HX(k|k-1)(5)这里的新息Zk即测量值和预测值的差值,即由最近时刻的测量值Zk作为携带关于状态的新信息来修正状态预测值X(k|k-1);(3)状态预测均方差矩阵更新P(k|k-1)=AP(k-1)AT+Q(k)(6)(4)滤波增益更新Kalman滤波增益Kk是在状态估计均方差最小的准则下求解的,其值由最初均方误差P(0)、状态预测均方差P(k|k-1)及测量噪声R(k)确定;(5)线性加权平均状态估计X(k|k)=X(k|k-1)+KkZk(8)(6)状态估计均方差误差更新P(k|k)=(I-KkH)P(k|k-1)(9)均方差P(k|k)是滤波器的重要组成部分,代表了估计的精度和可靠性;考虑到机器人基本在水平面运动,因此,只需要对航向角进行调控,于是,将扫码枪测量得到的机器人和二维码的角度θ作为测量值进行Kalman滤波精对准,其系统状态方程和测量方程如下:其中dt为实际运行周期,Gyro为陀螺仪测的角速度的值,Angle为角度,Qbias为陀螺仪漂移,wangle为角度噪声,wgyro为陀螺仪噪声;其中z(k)为扫码枪测量角度值,vangle为角度测量噪声;根据多次工程实践,设置初始值为:Qbias(0)=0,wang...
【专利技术属性】
技术研发人员:王强,陈宇,龙小军,黄科科,崔冠冠,周正,
申请(专利权)人:楚天智能机器人长沙有限公司,
类型:发明
国别省市:湖南,43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。