一种用于制造技术

本发明专利技术涉及

【技术实现步骤摘要】
一种用于AGV的全局定位方法和系统


[0001]本专利技术涉及
AGV
控制领域，更具体的说，它涉及一种用于
AGV
的全局定位方法和系统
。

技术介绍

[0002]AGV
，即自动引导运输车（
Automated Guided Vehicle
），在仓储等物流车间环境下展现出更加灵活和智能的货物运输效能
。
通过 AGV 的应用，企业能够有效地降低人力成本，提升仓储和物流运营效率，从而提高其生产成本竞争力
。AGV
已经广泛地应用于各个领域，包括制造业
、
特种行业和服务业等
。
在制造业中，特别值得一提的是它在物流运输
、
汽车制造和微电子等领域中的关键作用，为货物搬运提供了可靠的解决方案
。
[0003]目前，
AGV
通常采用
UWB
技术进行定位
。
然而，
UWB
技术可能会遇到非视距的挑战，导致
AGV
的位置定位不够准确
。

技术实现思路

[0004]本专利技术提供一种用于
AGV
的全局定位方法和系统，通过定位信息预测模型输出下一时刻的预测第一定位信息，并基于预测第一定位信息来判断是否出现非视距情况，当未出现非视距情况时，以第一定位信息作为全局定位信息，当出现了非视距情况时，以修正后的第二定位信息作为全局定位信息，且修正参数也是根据实际情况进行预测模拟所得，使得
AGV
的定位能够融合
UWB
技术或者
IMU
技术，提升
AGV
的定位准确率
。
[0005]一种用于
AGV
的全局定位方法，包括：
S1
：通过
UWB
技术获取
AGV
的第一定位信息，通过
IMU
技术获取
AGV
的第二定位信息；
S2
：获取上一时刻预测的当前时刻的预测第一定位信息
H
t
（
H_x
t
，
H_y
t
，
H_z
t
），计算定位偏差值
δ
=[
（
H_x
t
‑
P_x
t
）2+
（
H_x
t
‑
P_y
t
）2+
（
H_x
t
‑
P_z
t
）2]0.5
，其中（
P_x
t
，
P_y
t
，
P_z
t
）为当前获取的第一定位信息
P
t
，判断“δ
＜
A”是否成立，若是“δ
＜
A”成立，进入
S3
；若是“δ
＜
A”不成立，进入
S5
；
S3
：将当前获取的第一定位信息
P
t
作为
AGV
的全局定位信息进行输出；
S4
：获取当前的第二定位信息
R
t
（
R_x
t
，
R_y
t
，
R_z
t
），基于当前获取的全局定位信息和前
T
‑1个全局定位信息与当前的第二定位信息和前
T
‑1个第二定位信息计算当前时刻的修正参数信息，将当前时刻的修正参数信息送入训练好的修正参数预测模型，输出下一时刻的预测修正参数，预测修正参数与修正参数信息的形式一致，进入
S7
；
S5
：获取上一时刻输出的当前时刻的预测修正参数，并通过当前时刻的预测修正参数对当前获取的第二定位信息进行修正，输出修正后的第二定位信息，并将修正后的第二定位信息作为全局定位信息进行输出；
S6
：将当前时刻的预测修正参数送入训练好的修正参数预测模型，输出下一时刻的预测修正参数，进入
S7
；
S7
：将当前获取的全局定位信息与前
T
‑1次获取的全局定位信息组成定位信息预
测集，再将定位信息预测集送入训练好的定位信息预测模型，输出下一时刻的预测第一定位信息，预测第一定位信息与全局定位信息的形式一致，回到
S1。
[0006]作为优选的一个方面，基于当前获取的全局定位信息和前
T
‑1个全局定位信息与当前的第二定位信息和前
T
‑1个第二定位信息计算当前时刻的修正参数信息，具体包括如下内容：将每个第二定位信息与对应时刻的全局定位信息组成第一训练样本对，再将所有第一训练样本对组成第一训练样本集；将第一训练样本集送入初始化的全连接网络进行训练，期间以第一训练样本对中的全局定位信息作为目标输出，计算第一损失值，若是第一损失值在第一预设范围内，输出训练好的全连接网络中的权重值和偏置值，并以权重值和偏置值作为修正参数信息；否则，继续迭代训练；全连接网络包括输入层和输出层，输入层包括三个神经节点，输出层包括三个神经节点，输入层和输出层之间的映射关系为
α
i
=∑3i=1[
σ
（
w
i
β
i
）
+b
i
]，其中
i=1
，2，3；
α
i
为输出层三个神经节点对应的输出，对应全局定位信息中的三个值，
β
i
为输入层三个神经节点对应的输入，对应第二定位信息中的三个值，
w
i
和
b
i
分别为输入层对应的权重值和偏置值
。
[0007]作为优选的一个方面，修正参数预测模型基于
BiGRU
模型进行建立，输入数据是预测修正参数或者修正参数信息，输出数据为预测修正参数
。
[0008]作为优选的一个方面，对修正参数预测模型的训练包括如下内容：获取历史记录的第二定位信息与对应时刻的全局定位信息；根据所有历史记录的第二定位信息与对应时刻的全局定位信息输出所有对应时刻的修正参数信息；将任一时刻的修正参数信息和此修正参数信息下一时刻的修正参数信息组成第二训练样本对，再将所有第二训练样本对组成第二训练样本集；将第二训练样本集送入初始化参数的修正参数预测模型进行训练，期间以第二训练样本对中后一个修正参数信息作为目标输出，计算第二损失值，若是第二损失值位于第二预设范围内，输出训练好的修正参数预测模型；否则，继续迭代训练
。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于
AGV
的全局定位方法，其特征在于，包括：
S1
：通过
UWB
技术获取
AGV
的第一定位信息，通过
IMU
技术获取
AGV
的第二定位信息；
S2
：获取上一时刻预测的当前时刻的预测第一定位信息
H
t
（
H_x
t
，
H_y
t
，
H_z
t
），计算定位偏差值
δ
=[
（
H_x
t
‑
P_x
t
）2+
（
H_x
t
‑
P_y
t
）2+
（
H_x
t
‑
P_z
t
）2]
0.5
，其中（
P_x
t
，
P_y
t
，
P_z
t
）为当前获取的第一定位信息
P
t
，判断“δ
＜
A”是否成立，若是“δ
＜
A”成立，进入
S3
；若是“δ
＜
A”不成立，进入
S5
；
S3
：将当前获取的第一定位信息
P
t
作为
AGV
的全局定位信息进行输出；
S4
：获取当前的第二定位信息
R
t
（
R_x
t
，
R_y
t
，
R_z
t
），基于当前获取的全局定位信息和前
T
‑1个全局定位信息与当前的第二定位信息和前
T
‑1个第二定位信息计算当前时刻的修正参数信息，将当前时刻的修正参数信息送入训练好的修正参数预测模型，输出下一时刻的预测修正参数，预测修正参数与修正参数信息的形式一致，进入
S7
；
S5
：获取上一时刻输出的当前时刻的预测修正参数，并通过当前时刻的预测修正参数对当前获取的第二定位信息进行修正，输出修正后的第二定位信息，并将修正后的第二定位信息作为全局定位信息进行输出；
S6
：将当前时刻的预测修正参数送入训练好的修正参数预测模型，输出下一时刻的预测修正参数，进入
S7
；
S7
：将当前获取的全局定位信息与前
T
‑1次获取的全局定位信息组成定位信息预测集，再将定位信息预测集送入训练好的定位信息预测模型，输出下一时刻的预测第一定位信息，预测第一定位信息与全局定位信息的形式一致，回到
S1。2.
根据权利要求1所述的一种用于
AGV
的全局定位方法，其特征在于，基于当前获取的全局定位信息和前
T
‑1个全局定位信息与当前的第二定位信息和前
T
‑1个第二定位信息计算当前时刻的修正参数信息，具体包括如下内容：将每个第二定位信息与对应时刻的全局定位信息组成第一训练样本对，再将所有第一训练样本对组成第一训练样本集；将第一训练样本集送入初始化的全连接网络进行训练，期间以第一训练样本对中的全局定位信息作为目标输出，计算第一损失值，若是第一损失值在第一预设范围内，输出训练好的全连接网络中的权重值和偏置值，并以权重值和偏置值作为修正参数信息；否则，继续迭代训练；全连接网络包括输入层和输出层，输入层包括三个神经节点，输出层包括三个神经节点，输入层和输出层之间的映射关系为
α
i
=∑3i=1[
σ
（
w
i
β
i<...

【专利技术属性】
技术研发人员：刘权超，罗品超，
申请(专利权)人：深圳易行机器人有限公司，
类型：发明
国别省市：