基于激光SLAM的无人叉车制造技术

本发明专利技术提供了基于激光SLAM的无人叉车，具体的控制方法包括：接通电源；启动激光传感器获取无人叉车当前时刻附近目的物的云点位置信息以及云点角度信息，利用扩展卡尔曼滤波算法对当前时刻云点位置信息校正得到当前时刻云点位置信息的最优值以及位置信息校正方程，利用扩展卡尔曼滤波算法对当前时刻云点角度信息进行校正得到当前时刻云点位置信息的最优值以及角度信息校正方程；根据得到的云点位置信息最优值以及云点角度最优值利用激光SLAM算法得到构建当前时刻环境；进行下一时刻当前时刻环境构建，最终形成地图；确定无人叉车的导航路径，利用地标信息对当前位置信息，地图构建准确，导航误差小。

Unmanned Forklift Based on Laser SLAM

The invention provides an unmanned forklift truck based on laser SLAM, and the specific control methods include: turning on the power supply; starting the laser sensor to obtain the cloud position information and the cloud angle information of the object near the current time of the unmanned forklift truck; using extended Kalman filter algorithm to correct the cloud position information at the current time to obtain the optimal value and position information of the cloud position information at the current time. Correction equation, using the extended Kalman filter algorithm to correct the angle information of cloud point at the current time to get the optimum value of the position information of cloud point at the current time and the correction equation of the angle information; according to the optimum value of the position information of cloud point and the optimum value of the angle of cloud point, using the laser SLAM algorithm to construct the current time environment; constructing the current time environment at the next time, finally. Form a map; determine the navigation path of unmanned forklift, use landmark information to the current location information, map construction is accurate, navigation error is small.

【技术实现步骤摘要】
基于激光SLAM的无人叉车
本专利技术涉及无人叉车
，具体涉及基于激光SLAM的无人叉车的导航方法。
技术介绍
SLAM(即simultaneouslocalizationandmapping，同步定位与地图构建)，是指运动物体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程，解决机器人等在未知环境下运动时的定位与地图构建问题。目前，SLAM的主要应用于机器人、无人机、无人驾驶等领域。其用途包括传感器自身的定位，以及后续的路径规划、运动性能、场景理解。由于传感器种类和安装方式的不同，SLAM的实现方式和难度会有一定的差异。按传感器来分，SLAM主要分为激光SLAM和VSLAM(基于视觉SLAM)两大类。激光SLAM利用激光雷达采集物体信息呈现出的一系列分散的、具有准确角度和距离信息的点(通常被称为点云)，通过对不同时刻两片点云的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，完成室内定位，由于激光SLAM采集云点，无需像VSLAM采集三维深度信息，从而其对计算性能需要大大低于VSLAM，算法简单，从而现在已被广泛应用与无人机控制领域，但是由于激光SLAM进行定位需要首先从起始点采用激光传感器获取目标物的位置以及角度等信息，然后激光SLAM算法构建地图进行定位，然而由于激光传感器容易受到灰尘、雨滴等反射影响，从而使得激光传感器获得一些不准确的云点信息将导致后续通过激光SLAM算法得出的地图存在累计误差，最终导致不准确；另外由于在导航过程中如果由于机器运动偏差使得机器人与导航路径存在偏差这样的话也会导致偏差一致会累计从而导致导航不准确的问题；现有技术如中国专利申请号CN201810534991.X，申请公布日：2018.12.11，其公开了一种基于激光导航AGV惯导航向角原点变换及误差补偿算法，步骤如下：在有激光slam检测数据时航向角为A，惯导器件航向角为B，那么零度角偏差C为A-B；通过对激光slam航向角变量a与惯导航向角变量b的积分，记录航向角累计旋转角度；得出惯导航向角的误差模型，在机器人惯性导航期间对惯导航向角进行误差补偿；设定目标航向角dir与当前航向角的偏差值angle，基于零度角统一，惯导航向角误差补偿计算，得出更准确的偏差值，本专利技术将惯导器件航向角的零度角与其统一，并实时计算出惯导航向角累计误差模型，从而对惯导航向角进行误差补偿；降低当前惯导器件的累计误差，可以将惯导器件的输出数据统一化，但是该文献是采用SLAM检测到的航向角对惯性系统的惯导向器件的航向角进行误差矫正，其并没有考虑激光SLAM自身位置以及角度的偏差从而导致激光SLAM定位地图形成累计误差，从而导致定位不准确的位置。
技术实现思路
为解决现有技术中存在的问题，本专利技术提供一种基于激光SLAM的无人叉车，该无人叉车地图构建准确，导航误差小。为达到上述目的，本专利技术的技术方案是：基于激光SLAM的无人叉车，具体的控制方法，包括以下步骤：S1：接通电源；S2：无人叉车通过激光SLAM算法构建地图步骤，基于激光SLAM算法构建地图的步骤具体包括：4)启动激光传感器获取无人叉车当前时刻附近目的物的云点位置信息以及云点角度信息，利用扩展卡尔曼滤波算法对当前时刻云点位置信息校正得到当前时刻云点位置信息的最优值以及位置信息校正方程，利用扩展卡尔曼滤波算法对当前时刻云点角度信息进行校正得到当前时刻云点位置信息的最优值以及角度信息校正方程；利用扩展卡尔曼滤波算法进行校正具体步骤包括：第1步：k时刻的预测值＝k-1时刻的值+变化值*单位时间,即X(k丨k-1)＝A*X(k-1丨k-1)+B*U(k)(1)其中，X(k丨k-1)是利用上一状态预测的结果，X(k-1丨k-1)是上一状态最优的结果，U(k)为现在状态的控制量；第2步：根据上一时刻的状态转移矩阵P，P初始时为单位矩阵，加上预测噪音协方差矩阵Q，Q为预计误差，推算出当前k时刻的误差矩阵，即P(k丨k-1)＝A*P(k-1丨k-1)*A'T+Q(2)其中P(k丨k-1)是X(k丨k-1)对应的协方差，P(k-1丨k-1)是X(k-1丨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；第3步：根据得到的k时刻误差矩阵和测量噪声协方差矩阵R，R为测量误差，推算出k时刻卡尔曼增益，即Kg(k)＝P(k丨k-1)*H'/(H*P(k丨k-1))*H'+R)(3)第4步：k时刻的预测值+k时刻卡尔曼增益*(k时刻测量值-观测矩阵*k时刻的预测值)＝k时刻的值，即X(k丨k)＝X(k丨k-1)+Kg(k)*(Z(k)-H*X(k丨k-1)(4)其中X(k丨k)是由k时刻的预算值和k时刻测量值合成的估算值；第5步：更新状态转移矩阵P，用于下一次迭代，即P(k丨k)＝(1-Kg(k)H)*P(k丨k-1)(5)5)根据步骤1)得到的云点位置信息最优值以及云点角度最优值利用激光SLAM算法得到构建当前时刻环境；6)按照步骤1)和2)进行下一时刻当前时刻环境构建，最终形成地图；S3：确定无人叉车的导航路径，从起始点开始，每间隔一预设时间通过无人叉车上视觉传感器获取当前位置的地标信息，然后利用当前位置的地标信息对当前位置的位置信息进行矫正。本专利技术采用扩展卡尔曼滤波算法通过前一时刻的云点信息对激光传感器获得目标物当前时刻的云点位置信息以及云点角度信息进行校正得到最优的云点信息用于构建地图，从而使得构建地图时所使用的云点比较准确，进而构建地图较准确，防止由于灰尘、雨滴等物存在导致获得云点信息不准确进而导致构建地图不准确的问题，另外在无人叉车导航过程中，由于在导航行走过程中，通过即使获取对应的地标信息作为无人叉车的绝对位置信息对无人叉车实际位置信息进行校正并通过控制无人叉车的两侧轮的速度差将无人叉车引导到正确的导航路径上，防止无人叉车行走系统误差从而导致实际行走的路线与导航路径不相同从而导致导航不准确的问题，导航误差小。进一步的，步骤1)中包括：利用视觉传感器获取无人叉车当前时刻的地标信息，步骤2)为：根据步骤1)得到的云点位置信息最优值以及云点角度最优值、当前时刻地标信息利用激光SLAM算法得到构建当前时刻环境。以上设置，由于在步骤1)中引入检测地标信息，从而使得地标信息也能放入到构建的地图中，从而便于后续地标信息在图中显示，同时也能方便地图构建的验证。进一步的，所述的地标信息为二维码信息，步骤S3中利用当前位置的地标信息对当前位置的位置信息进行矫正的具体步骤包括：通过二维码信息获得当前位置并确定当前位置的位置误差d和当前位置的角度误差θ，并将两个误差通过比例权重的融合，合成合成误差e，公式如下:e＝d+L*θ其中，L为权重系数,在行进过程中，通过调整无人叉车两侧车轮的速度差进行位置和角度调整，直至行进至导航路径上下一个二维码信息上。以上控制方法，利用地标信息获得的位置信息以及角度信息合成误差值进行综合校正，防止仅仅校正位置不校正角度信息导致后续继续出现偏差的问题存在，该误差的合成方式简单且可靠，同时利用在角度信息前设置权重系数，从而可以通过调整权重系数控制合成误差中位置误差和角度误差的影响比重，当需要更加注重角度精准度时，只需将对应的权重系数调节大一点即可，当需要更加注重位本文档来自技高网...

【技术保护点】
1.基于激光SLAM的无人叉车，其特征在于：具体的控制方法，包括以下步骤：S1：接通电源；S2：无人叉车通过激光SLAM算法构建地图步骤，基于激光SLAM算法构建地图的步骤具体包括：1)启动激光传感器获取无人叉车当前时刻附近目的物的云点位置信息以及云点角度信息，利用扩展卡尔曼滤波算法对当前时刻云点位置信息校正得到当前时刻云点位置信息的最优值以及位置信息校正方程，利用扩展卡尔曼滤波算法对当前时刻云点角度信息进行校正得到当前时刻云点位置信息的最优值以及角度信息校正方程；利用扩展卡尔曼滤波算法进行校正具体步骤包括：第1步：k时刻的预测值＝k‑1时刻的值+变化值*单位时间,即X(k丨k‑1)＝A*X(k‑1丨k‑1)+B*U(k)   (1)其中，X(k丨k‑1)是利用上一状态预测的结果，X(k‑1丨k‑1)是上一状态最优的结果，U(k)为现在状态的控制量；第2步：根据上一时刻的状态转移矩阵P，P初始时为单位矩阵，加上预测噪音协方差矩阵Q，Q为预计误差，推算出当前k时刻的误差矩阵，即P(k丨k‑1)＝A*P(k‑1丨k‑1)*A'T+Q   (2)其中P(k丨k‑1)是X(k丨k‑1)对应的协方差，P(k‑1丨k‑1)是X(k‑1丨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；第3步：根据得到的k时刻误差矩阵和测量噪声协方差矩阵R，R为测量误差，推算出k时刻卡尔曼增益，即Kg(k)＝P(k丨k‑1)*H'/(H*P(k丨k‑1))*H'+R)   (3)第4步：k时刻的预测值+k时刻卡尔曼增益*(k时刻测量值‑观测矩阵*k时刻的预测值)＝k时刻的值，即X(k丨k)＝X(k丨k‑1)+Kg(k)*(Z(k)‑H*X(k丨k‑1))   (4)其中X(k丨k)是由k时刻的预算值和k时刻测量值合成的估算值；第5步：根据更新状态转移矩阵P，用于下一次迭代，即P(k丨k)＝(1‑Kg(k)H)*P(k丨k‑1)   (5)；2)根据步骤1)得到的云点位置信息最优值以及云点角度最优值利用激光SLAM算法得到构建当前时刻环境；3)按照步骤1)和2)进行下一时刻当前时刻环境构建，最终形成地图；S3：确定无人叉车的导航路径，从起始点开始，每间隔一预设时间通过无人叉车上视觉传感器获取当前位置的地标信息，然后利用当前位置的地标信息对当前位置信息进行矫正。...

【技术特征摘要】
1.基于激光SLAM的无人叉车，其特征在于：具体的控制方法，包括以下步骤：S1：接通电源；S2：无人叉车通过激光SLAM算法构建地图步骤，基于激光SLAM算法构建地图的步骤具体包括：1)启动激光传感器获取无人叉车当前时刻附近目的物的云点位置信息以及云点角度信息，利用扩展卡尔曼滤波算法对当前时刻云点位置信息校正得到当前时刻云点位置信息的最优值以及位置信息校正方程，利用扩展卡尔曼滤波算法对当前时刻云点角度信息进行校正得到当前时刻云点位置信息的最优值以及角度信息校正方程；利用扩展卡尔曼滤波算法进行校正具体步骤包括：第1步：k时刻的预测值＝k-1时刻的值+变化值*单位时间,即X(k丨k-1)＝A*X(k-1丨k-1)+B*U(k)(1)其中，X(k丨k-1)是利用上一状态预测的结果，X(k-1丨k-1)是上一状态最优的结果，U(k)为现在状态的控制量；第2步：根据上一时刻的状态转移矩阵P，P初始时为单位矩阵，加上预测噪音协方差矩阵Q，Q为预计误差，推算出当前k时刻的误差矩阵，即P(k丨k-1)＝A*P(k-1丨k-1)*A'T+Q(2)其中P(k丨k-1)是X(k丨k-1)对应的协方差，P(k-1丨k-1)是X(k-1丨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；第3步：根据得到的k时刻误差矩阵和测量噪声协方差矩阵R，R为测量误差，推算出k时刻卡尔曼增益，即Kg(k)＝P(k丨k-1)*H'/(H*P(k丨k-1))*H'+R)(3)第4步：k时刻的预测值+k时刻卡尔曼增益*(k时刻测量值-观测矩阵*k时刻的预测值)＝k时刻的值，即X(k丨k)＝X(k丨k-1)+Kg(k)*(Z(k)-H*X(k丨k-1))(4)其中X(k丨k)是由k时刻的预算值和k时刻测量值合成的估算值；第5步：根据更新状态转移矩阵P，用于下一次迭代，即P(k丨k)＝(1-Kg(k)H)*P(k丨k-1)(5)；2)根据步骤1)得到的云点位置信息最优值以及云点角度最优值利用激光SLAM算法得到构建当前时刻环境；3)按照步骤1)和2)进行下一时刻当前时刻环境构建，最终形成地图；S3：确定无人叉车的导航路径，从起始点开始，每间隔一预设时间通过无人叉车上视觉传感器获取当前位置的地标信息，然后利用当前位置的地标信息对当前位置信息进行矫正。2.根据...

【专利技术属性】
技术研发人员：徐文斌，温伟杰，张伟波，陈文辉，区顺荣，
申请(专利权)人：广州蓝海机器人系统有限公司，
类型：发明
国别省市：广东,44