当前位置: 首页 > 专利查询>佳木斯大学专利>正文

一种基于UKF的移动机器人多传感器信息融合方法技术

技术编号:8933581 阅读:230 留言:0更新日期:2013-07-18 01:47
本发明专利技术提供了一种基于UKF的移动机器人多传感器信息融合方法。它包括以下几个处理步骤:将移动机器人里程计定位信息和电子罗盘方位信息进行滤波得到机器人局部初略方位信息L;将无线局域网WLAN定位信息采用三边定位法处理得到机器人初步全局定位坐标W;将W与L进行坐标变换得到全局方位信息WL;将RFID定位信息采用三边定位法处理得到定位信息,并进行数据层滤波得到全局定位信息R,将超声波定位信息滤波得到障碍物局部方位信息Z,W、L、R、Z进行总信息融合得到机器人及障碍物全局精确方位信息。本发明专利技术可以显著提高移动机器人自主定位精度,增强移动机器人抗干扰自主定位与导航能力。

【技术实现步骤摘要】

本专利技术属于移动机器人自主定位与导航领域,特别涉及一种移动机器人多传感器自主定位导航中的基于UKF算法的多传感器信息融合的方法。
技术介绍
对移动机器人来说,定位模块是整个导航系统的重要组成部分。为了使主控制模块获知机器人当前的位置和姿态,必须采取措施提供足够精确的位置和方向信息。因此,对于任何实用型移动机器人来说,精确、可靠的定位技术是必要的先决条件。多传感器信息融合技术是提高移动机器人自主定位精度与导航性能的核心和基础技术之一,是目前移动机器人自主定位与导航领域研究的前沿和热点。该技术在移动机器人环境智能感知、自主定位等具体实践中正得到越来越广泛的应用。其中,UKF滤波算法以其优良的滤波精度和较高的计算速度也逐渐被人们所采用。UKF (Unscented Kalman Filter),中文释义是无损卡尔曼滤波、是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要求导计算Jacobian矩阵。UKF没有线性化忽略高阶项,因此非线性分布统计量的计算精度较高。基于上述优点,UKF被广泛应用于导航、目标跟踪、信号处理和神经网络学习等多个领域。因此本专利技术将利用UKF对移动机器人的各类传感器的非线性数据进行数据融合,达到提高移动机器人定位精度的目的。
技术实现思路
本专利技术的目的在于提供一种可以显著提高移动机器人自主定位精度,增强移动机器人抗干扰自主定位与导航能力的基于UKF的移动机器人多传感器信息融合方法。本专利技术的目的是这样实现的:它包括以下几个处理步骤:将移动机器人里程计定位信息和电子罗盘方位信息通过UKF(A)滤波算法进行滤波得到机器人局部初略方位信息L ;将无线局域网WLAN的定位信息采用三边定位法处理得到机器人初步全局定位坐标W ;将W与L进行坐标变换得到机器人更进一步的全局方位信息WL ;将RFID定位信息采用三边定位法处理得到定位信息,并用UKF(B)滤波算法进行数据层滤波得到相对更加精确的全局定位信息R,将超声波定位信息通过UKF (A)滤波算法滤波得到障碍物局部方位信息Z,W、L、R、Z通过UKF(B)滤波算法进行总信息融合得到机器人及障碍物全局精确方位信息,实现移动机器人自主精确定位与地图感知。本专利技术还有这样一些技术特征: 1、所述的UKF(A)滤波算法利用计算机的迭代计算实现逐步最优估计,具体步骤为:首先滤波算法进行初始化,包括定义及初始化矩阵等操作;第二,根据系统状态方程和观测方程确定系统维数,并计算Sigma点及其权系数;第三,将得到的Sigma点及权系数进行转换,并计算时间更新方程;第四,根据获得的传感器数据计算观测向量更新方程;第五,计算滤波增益;第六,计算协方差矩阵;第七,将当前最优状态估计输出并返回计算Sigma点阶段重新开始迭代计算,知道系统定位结束;UKF(B)滤波算法与UKF(A)滤波算法区别在于,UKF(A)滤波算法初始化过程中,状态变量为(X, Y,s),其中,X, y为机器人当前时刻坐标,S为机器人转角;而UKF⑶(7)的初始化状态变量为(x,y,X,Y),其中x,y为机器人当前时刻坐标,X,Y为机器人的走行速度。2、所述的将W与L进行坐标变换的步骤为将W与L进行左乘平移矩阵,实现坐标平移得到机器人更进一步的全局方位信息WL。本专利技术的优点在于:本专利技术提供的基于UKF的移动机器人多传感器信息融合方法,可以显著提高移动机器人自主定位精度,增强移动机器人抗干扰自主定位与导航的能力。附图说明 图1为本专利技术的流程示意图。图2为三边定位法原理图。图3为UKF滤波算法计算流程图。具体实施例方式 下面结合附图和具体实施方式对本专利技术作进一步的说明,本实施例包括下列步骤:结合图1,本实施例中里程计定位信息和电子罗盘方位信息在UKF(A)滤波算法中进行滤波得到机器人局部初略方位信息L,WLAN定位信息采用三边定位法得到机器人初步全局定位坐标W ;将W与L进行左乘平移矩阵,实现坐标平移得到机器人更进一步的全局方位信息WL,将RFID定位信息采用三边定位法得到定位信息,并用UKF (B)滤波算法进行数据层滤波得到相对更加精确的全局定位信息R,将超声波定位信息进行UKF(A)滤波算法滤波得到障碍物局部方位信息Z,W、L、R、Z在UKF(B)滤波算法中进行进一步滤波实现总信息融合得到机器人及障碍物全局精确方位信息,实现移动机器人自主精确定位与地图感知。图2为三边定位法的原理。本专利技术对WLAN定位方法以及RFID定位方法均有效。以WLAN定位方法为例:在直角坐标系中,移动机器人T在某一时刻读取到三个无线路由器M1、M2、M3,路由器到机器人的距离分别为dl、d2、d3,设机器人当前坐标为(x,y),联立方程组即可求得机器人坐标(X,I)。图3为UKF滤波算法工作流程图。UKF(A)滤波算法和UKF(B)滤波算法没有本质不同,唯一区别在于,UKF(A)滤波算法初始化过程中,状态变量为(x,y,S),其中,x,y为机器人当前时刻坐标,s为机器人转角;而UKF(B)滤波算法的初始化状态变量为(x,y,X,Y),其中x,y为机器人当前时刻坐标,X,Y为机器人的走行速度。UKF滤波算法共分为7步,利用计算机的迭代计算实现逐步最优估计。具体步骤为:首先滤波算法进行初始化,包括定义及初始化矩阵等操作;第二,根据系统状态方程和观测方程确定系统维数,并计算Sigma点及其权系数;第三,将得到的Sigma点及权系数进行转换,并计算时间更新方程;第四,根据获得的传感器数据计算观测向量更新方程;第五,计算滤波增益;第六,计算协方差矩阵;第七,将当前最优状态估计输出并返回计算Sigma点阶段重新开始迭代计算,知道系统定位结束。这时系统最优估计越来越接近真值,达到精确定位目的,并提高了系统可靠性。权利要求1.一种基于UKF的移动机器人多传感器信息融合方法,其特征在于它包括以下几个处理步骤:将移动机器人里程计定位信息和电子罗盘方位信息通过UKF(A)滤波算法进行滤波得到机器人局部初略方位信息L ;将无线局域网WLAN的定位信息采用三边定位法处理得到机器人初步全局定位坐标W ;将W与L进行坐标变换得到机器人更进一步的全局方位信息WL ;将RFID定位信息采用三边定位法处理得到定位信息,并用UKF(B)滤波算法进行数据层滤波得到相对更加精确的全局定位信息R,将超声波定位信息通过UKF(A)滤波算法滤波得到障碍物局部方位信息Z,W、L、R、Z通过UKF(B)滤波算法进行总信息融合得到机器人及障碍物全局精确方位信息,实现移动机器人自主精确定位与地图感知。2.根据权利要求1所述的一种基于UKF的移动机器人多传感器信息融合方法,其特征在于所述的UKF(A)滤波算法利用计算机的迭代计算实现逐步最优估计,具体步骤为:首先滤波算法进行初始化,包括定义及初始化矩阵等操作;第二,根据系统状态方程和观测方程确定系统维数,并计算Sigma点及其权系数;第三,将得到的Sigma点及权系数进行转换,并计算时间更新方程;第四,根据获得的传感器数据计算观测向量更新方程;第五,计算滤波增益;第六,计算协方差矩阵;第七,将当前最优状态估计输出并返回计算Sigma点阶段重新开始迭代计本文档来自技高网...

【技术保护点】
一种基于UKF的移动机器人多传感器信息融合方法,其特征在于它包括以下几个处理步骤:将移动机器人里程计定位信息和电子罗盘方位信息通过UKF(A)滤波算法进行滤波得到机器人局部初略方位信息L;将无线局域网WLAN的定位信息采用三边定位法处理得到机器人初步全局定位坐标W;将W与L进行坐标变换得到机器人更进一步的全局方位信息WL;将RFID定位信息采用三边定位法处理得到定位信息,并用UKF(B)滤波算法进行数据层滤波得到相对更加精确的全局定位信息R,将超声波定位信息通过UKF(A)?滤波算法滤波得到障碍物局部方位信息Z,W、L、R、Z通过UKF(B)?滤波算法进行总信息融合得到机器人及障碍物全局精确方位信息,实现移动机器人自主精确定位与地图感知。

【技术特征摘要】

【专利技术属性】
技术研发人员:姜永成任福君张秀华张连军黄德臣王殿君王斌史庆武王俊发魏天路徐建东谢风伟朱世伟孟庆祥
申请(专利权)人:佳木斯大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1