基于神经网络的室内巡检机器人校正定位方法技术

本发明专利技术涉及一种基于神经网络的室内巡检机器人校正定位方法。包括如下步骤：预设N个可发射射频信号的标签信号源位置；根据不同时刻接收到的信号标签数量计算机器人实际路径；计算机器人在t时刻的运动位置信息，并根据该位置信息计算t时刻的预测路径；利用神经网络建立里程误差模型并进行训练；将t时刻的预测路径输入到训练好的里程误差模型得到优化后的预测路径。本发明专利技术所使用的里程计校正方法，通过最大限度地减小里程计误差，进而最大限度地提高对室内机器人定位的精准度。

【技术实现步骤摘要】
基于神经网络的室内巡检机器人校正定位方法
本专利技术涉及巡检机器人领域，特别涉及基于神经网络的室内巡检机器人校正定位方法。
技术介绍
当前安全生产是企业稳定发展的前提和重要保证，安全事故不仅会造成人员伤亡，还会带来财产损失，严重制约着企业快速健康的发展，尤其是在核电站、钢铁厂、化工厂、油库、变电站等危险作业环境下，保障各个设备仪器安全平稳的运行，是企业安全生产的有效手段，定时、不间断的巡检工作是十分有必要的。目前，在变电站、油库等危险作业环境下，主要的巡检方式是人工巡检，依靠工人运动感官、抄表、记录以及使用一些相配套的检测仪器对工厂的仪器设备进行检查，但是这种人工巡检方式，由于各种外界因素的影响，导致其巡检质量难以得到保证，并且巡检效率很低。为了提高巡检工作效率，保证各个仪器设备安全可靠运行，使用自动巡检机器人部分替代人工巡检工作已经成为一种趋势。然而在工厂中由于各种原因导致巡检机器人的定位成为难点，在如今普遍应用视觉的基础上，里程计作为机器人本体感受传感器，不可避免地存在随时间、距离增加而增加地累计航机误差，现有技术针对室内巡检机器人本文档来自技高网...

【技术保护点】
1.基于神经网络的室内巡检机器人校正定位方法，其特征在于：包括如下步骤：/nS100：在室内预设N个标签信号源位置，该标签信号源可发射射频信号；/nS200：将用于接受标签信号源信号的读写器设置在室内机器人上，机器人在室内行进过程中，根据读写器在不同时刻接收到的信号标签数量，计算机器人实际路径，具体步骤如下：/nS210：根据接收到的标签信号强度，建立对数-常态分布传播损耗模型，具体表达式如下：/nP(d)＝P(d

【技术特征摘要】
1.基于神经网络的室内巡检机器人校正定位方法，其特征在于：包括如下步骤：
S100：在室内预设N个标签信号源位置，该标签信号源可发射射频信号；
S200：将用于接受标签信号源信号的读写器设置在室内机器人上，机器人在室内行进过程中，根据读写器在不同时刻接收到的信号标签数量，计算机器人实际路径，具体步骤如下：
S210：根据接收到的标签信号强度，建立对数-常态分布传播损耗模型，具体表达式如下：
P(d)＝P(d0)-10αlog(d/d0)-Xσ(2-1)
其中，P(d)表示阅读器接收到标签发送的信号强度，P(d0)表示阅读器在参考点d0接受到标签发送的信号强度，α表示路径长度和路径损耗之间的比例因子，Xσ表示平均值为0的高斯分布随机变数，d0表示参考点和标签之间的距离，d表示需要计算的标签和阅读器之间的距离；
S220：利用公式(2-1)通过等式变换求得标签信号源到读写器的距离d，具体表达式如下：



其中，P(d0)表示在1m处所得到的信号强度，α表示信号传播常量；
S230：在一定时间区间T内，随机选取I个时刻，设第t个时刻读写器接收到的标签信号数量为n，则计算第t时刻机器人的实际坐标点为：



其中，



S240：利用I个时刻的机器人坐标进行建模，计算得到机器人的实际路径，具体表达式如下：
RSSI＝{RSSIx，RSSIy}＝{x1′，x2′，...，xn′，y1′，y2′，...,yn′}(2-4)
其中，RSSI＝{RSSIx，RSSIy}表示机器人的实际路径，RSSIx和RSSIy表示通过射频识别定位计算得到的x坐标位置和y坐标位置；
S250：采用S210-S240的方法得到I个时刻的机器人运行的实际路径；
S300：计算所述的第t个时刻计算机器人运动的位置信息，机器人位置信息计算表达式如下：



其中，ut＝(ΔDt，Δθt)T表示位姿增量，St＝(xt，yt，θt)表示机器人t时刻的姿态，(x,y)表示t时刻机器人的坐标，θ表示t时刻的方向角，ΔDt是机器人在Δt时间内运动所经过的弧长，Δθt是机器人Δt时间内的位姿方向角的变化；
S400：应用广义线性模型处理步骤S300得到的机器人t时刻的位置信息，计算得到机器人t时刻的预测路径，具体表达式如下：
GLM＝{x1，x2，...，xn，y1，y2，...，yn}(4-1)
其中，x1...n是广义线性模型估计的预测路径的x坐标位置，y1...n是广义线性模型估计的预测路径的y坐标位置，得到每个时刻所对应的预测路径；
S500：利用神经网络建立里程误差模型，具体表达式如下：
E＝∑n|O-RSSI|2(5-1)
其中，O表示优化后的预测路径；
S600：预设最大迭代次数，将所述I个时刻的实际路径和对应的预测路径作为神经网络模型输入，对误差模型E进行训练，训练过程中通过反向传播更新该模型参数，当E≤e-5时候停止训练，得到训练好的里程误差模型；
S700：重复步骤S300-S400，得到待预测机器人R’的预测行进路径，将该预测行进路径输入到步骤S600训练好的里程误差模型得到优化后的预测行进路径，该优化后的预测行进路径...

【专利技术属性】
技术研发人员：宋永端，张杰，赖俊峰，刘欢，蒋自强，黄力，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50