机器人定位（共7篇）
机器人定位 篇1
1 引言
随着机器人技术的飞速发展,机器人竞技运动在世界各地蓬勃兴起。擂台对抗机器人是在第三代机器人研发的背景下发展出来的。它是用于进行擂台对抗而开发出来的,它给机器人的智能控制提供了一个发展的平台。现在的擂台对抗机器人已经可以基本实现全自主的进行擂台对抗。擂台机器人将具有更加强大的攻击力和防御力,具有更加灵活的机动性,这将使得擂台机器人比赛更加具有可观性。本擂台对抗机器人是基于红外无线的检测原理进行设计的,红外检测采用点对点的数据传输协议,是目前国际上普遍采用的无线传输技术。它采用红外波段内的近红外线,波长在0.75um至25um之间,检测距离一般在0cm至80cm之间,红外检测技术提供了一种低成本、短距离、高速率的检测方式,基于红外无线检测技术的擂台对抗机器人具有快速、可靠、抗干扰性强的特性。
2 系统简介
擂台机器人以控制器为核心;用红外传感器检测擂台机器人距离擂台边缘的位置,以便及时擂台机器人的位置,以防止擂台机器人冲出擂台;用红外传感器检测对方的擂台机器人的位置,以便擂台机器人寻找对方的擂台机器人的位置并攻击;用直流电机驱动擂台机器人;用舵机驱动擂台机器人的后方攻击部分,如图1所示:构架简图。
图1擂台机器人设计框图 (参见右栏)
红外检测技术就是利用950nm的红外线为载体进行信息的传递,其实质就是对二进制数字信号进行调制与解调。发送端利用脉时调制方式,将二进制数字信号调制成固定频率的脉冲序列,并利用该脉冲序列驱动红外传感器向外发射红外线,其接收端将接收到的脉冲信号转换成电信号,再将此电信号经过放大、滤波等处理后送给解调电路进行解调, 还原成二进制数字电信号后输出。
本次擂台对抗机器人的设计采用24V电源供电,中心控制器采用STC12C5A60S2单片机,通过7805芯片为其供电,采用24V/50W的直流减速电机,通过双BTS/BTN7970大电流H桥电路驱动,选用的红外传感器有效距离3-80cm可调,响应时间小于1ms,5V供电。
3 对抗策略实现硬件设计
根据擂台竞赛规则,设计对抗策略,包括在进攻中高效对抗的机器人的各种博弈,在机器人擂台赛中,机器人之间进行一对一对战,通过各种战术有效的将对方机器人推出场外。如果一方机器人整体离开擂台区域。则另一方获胜。如果双方均未离开擂台,则在比赛时间结束后。距离擂台中央的擂主区域近的一方获胜。
图2擂台对抗机器人的总体设计 (参见下页)
擂台对抗机器人的总体设计平面图如图2所示,为车型机器人。车体设有8个红外传感器检测模块,其中4个红外传感器平行于车体放置,用于检测障碍物并进行对抗,机器人的前方设计有防护装置和攻击装置,当左边检测到障碍物时,车体迅速向左旋转90°,当右边检测到障碍物时,车体迅速向右旋转90°,当后方检测到障碍物时,车体先向右旋转90°,再向右旋转90°,面对障碍物后小车加速冲向障碍物进行对抗。另外4个红外传感器与车体呈大约30°角放置,并放在车体的四角,用于检测边缘,当检测到障碍物时,表示小车在擂台上,当其中只要有一个红外传感器未检测到障碍物,则表示小车处于擂台边缘,小车便转向擂台中央。
设计出相应机器人的底座;搭建擂台机器人对抗平台,合理布置红外模块或超声波模块用于边缘检测;合理选择红外模块用于对抗;合理选择加速度模块并编写灵活的算法避免与其他机器人相持;合理选择大功率大扭矩电机使机器人拥有速度与力量;合理设计外观,使机器人美与坚固并存,使机器人更具有攻击性。
4 软件设计
由分到总的设计理念:先熟悉机器人各部分的设计,最后融合处理,使机器人具有灵活性,最终设计出合格的产品。擂台对抗机器人的软件设计流程图如图3所示,基于单片机编程处理;进一步研究机器人在博弈过程中如何搭配各种模块,需要研究并合理选择边缘检测模块,对抗检测模块,电机控制模块。需要编写智能控制程序,采用51单片机或Arduino控制。编写简洁易用的程序驱动机器人,让机器人攻防效果更佳,实现武术擂台对抗机器人稳准快的控制性能。
程序运行中,命令行执行过程是:首先机器人上电,做出出发的手势后,机器人冲上擂台,同时开启红外检测;机器人处于边缘,博弈标志位Flag置1,单片机发出相应的信号给电机驱动模块,驱动电机向擂台中央旋转;机器人检测到障碍物,博弈标志位Flag置0,单片机发出加速的信号给电机驱动模块,驱动电机加速;若两个机器人力量相当,单片机便发出后退的信号给电机驱动模块,驱动电机后退,寻找合适的时机再进行对抗。
5 实验结果与结论
本次设计的擂台对抗机器人在实验室进行了反复的试验,试验表明该装置灵敏、可靠。机器人启动后,在80cm范围内能够有效检测到障碍物并进行撞击,若障碍物体积巨大,机器人在对抗6s后自动退回并寻找合适的对抗点,在距离边缘大约10cm处,机器人可以快速反应并向中央旋转。所以,该装置具有良好的对抗性能,可以进行擂台对抗机器人的比赛,具有一定的使用价值。我们发现小车在检测到前方有障碍物时自动后退并调整了方向,准备避开障碍物。最后小车顺利避开障碍物,成功通过,达到了预期的目的。下表是对多障碍物避障的避障结果。经过可行性分析实验,各个模块的精度均适合边缘检测与对抗,实用性很强,51单片机或Arduino足以控制这些模块,再加上灵活的编程控制,易于实现。
表1多障碍物避障结果 (参见下页)
下一步研究重点是擂台机器人将设计成车型机器人,这样使得机器人的重心变低,在对抗中更加具有优势,更能有效的达到目的。机器人的外观将会扩展,将会使用具有一定坡度的坚硬材料使机器人具有更强的攻击性,美与力量共存。采用Arduino单片机,处理速度更快,使机器人攻防兼备;机器人攻击策略智能模块化。
摘要：文章介绍擂台机器人的基本构成和工作原理,采用8个红外传感器检测模块检测对方机器人距离以及擂台上的位置,在控制器内编写对抗策略,实现全自主的进行擂台对抗,具有更强大的攻击力和防御力和灵活的机动性,这将使得擂台机器人比赛更加具有可观性。
关键词：机器人,擂台对抗,智能
声音定位机器人设计与实现 篇2
1 系统架构
系统由声音定位子系统和机器人子系统组成。远程终端通过网络与机器人建立连接,传递控制命令和数据信息。
声音定位子系统硬件主要采用数字信号处理器芯片TMS320F2812、2片模数转换芯片AD7656与麦克风阵列等实现。机器人采用美丽NI公司的单板机器人平台SBRIO-9632实现,该机器人平台配有飞思卡尔MPC5200嵌入式处理器,主频达400 MHz,运行实时操作系统VxWorks可实现网络远程控制。另外根据需要外扩移动电源模块、无线网络模块、图像采集模块及超声避障传感器等硬件外设。系统架构如图1所示。
2 声音定位单元
2.1 声音定位算法
采用声达时延(time delay of arrival)定位算法进行声音定位,该算法具有比其他常用定位算法运算规模较小的优点,在机器人硬件平台上的实现也相对容易。采集到的数据包括声音和噪声如式(1):
其中n1(t)、n2(t)为环境噪声,as1(t+Td)为包含衰减和时延的声音信号,Td为测量两路信号的时延,将其代入麦克风阵列方程从而得到声源位置。可见该算法包含以下步骤:(1)测量声达时延;(2)求解麦克风阵列方程。
2.2 时延估计算法
声达时延的测量一般用时延估计算法给出,参考文献[4]对常用的时延估计算法进行了归纳对比,得知采样频率是影响估计精度的重要因素,其决定了时延估计的时间分辨率,该文献指出GCC(Generalized Cross Correlation)算法即广义互相关时延估计运算量相对较小,估计精度较高,在低混响和非相关噪声的场合应用广泛。
参考文献[5]详细阐述了GCC算法的原理,对两路包含时延以及噪声的信号进行时间长度为T的互相关计算,延时的存在会将互相关运算结果的峰值推离原点一个延时的长度,检测互相关的峰值即可得到对时延的估计。由于信号噪声成分会降低互相关运算的准确度,所以相关计算之前对信号采取合适的滤波处理可以在一定程度上降低噪声的影响。以采样率150 kHz,两路同步采集现场声音信号,得到如图2所示两路声音信号,用Matlab仿真GCC算法,峰值在x=380处,所以时延为:
2.3 麦克风阵列模型
设声源s空间位置坐标为(x,y,z),7只麦克风坐标分别为(0,0,0)、(±1,0,0)、(0,±1,0)、(0,0,±1)。此阵列的优点是计算量较小,但所受局限是:声源越接近坐标轴,距离误差越大。此时可转动麦克风阵列一定角度,重新测量即可。
设v为声速,ti为声音到达麦克风i的时间,可以建立:
解式(2)可得式(3)～式(5),此时有两种处理方式:一是将声速v作为已知量,如参考文献[6];二是现场标定,标定方法可根据式(3)固定x值测得时延,并计算出声速v;距离俯仰及方位角(r,φ,θ)按照球坐标进行转换。
2.4 TDOA算法的硬件实现
TDOA算法硬件采用DSP芯片作为计算平台,数据处理程序利用CCS(Code Composer Studio)V3.3开发。
首先,多路同步采集要求模数转换芯片具有多个采样保持器,此处选用AD7656芯片,具有6个采样保持器,且支持级联,可实现6×N通道同步采集,最高采样率250 kS/s。采用2片AD7656级联,通过CPLD编址译码对AD7656进行控制,并寄存多通道同步输出数据。采用DSP芯片中断机制的定时器单元实现2个A/D共用的起始转换信号ADCON,时钟抖动会降低信噪比,可通过合理的设置定时中断T1PINT的值达到系统精度的要求。设置片选信号ADCS0和ADCS1均有效。AD7656芯片输出数据为16位无符号整型格式,麦克风输出的直流偏置电压会掩盖声音小信号,所以数据处理必须去掉直流偏置电压。另外噪声会污染信号的频谱,影响定位精度,采用适当的滤波器可以在很大程度上提高信噪比。设置150 kHz采样率,时间分辨率可达6.67μs,对应距离分辨率0.23 cm。通过串口与机器人上位机通信,用于辅助控制机器人进行定位跟踪。
除去系统误差,麦克风拾音能力、噪声、多声源、混响以及加权窗口函数的选取都可对定位精度产生不同程度的影响。
2.5 实验室测试
在实验室搭建简单环境进行测试,结果如表1所示。
3 机器人单元
利用SBRIO-9632平台开发了远程控制、超声测距避障及图像采集等功能。SBRIO开发平台配有Xilinx Spartan3 FPGA实现逻辑功能(如电机控制等)。嵌入式处理器采用飞思卡尔MPC5200,内嵌实时操作系统VxWorks实现网络通信;另有LabVIEW Robotics配套开发软件。该软件包含机器人多种功能模块的范例,在此基础上可以方便快速地开发所需要的应用程序。
3.1 机器人硬件部分
机器人硬件设备扩展有超声传感器,测量前方±90°、范围2～300 cm的障碍物距离;以无线路由实现远程网络控制,IP摄像头采集现场图像,硬件组成如图3所示。
3.2 机器人软件部分
机器人软件部分以LabVIEW Robotics为开发环境,程序用户界面如图4所示,包括超声传感器数据显示及控制、运动方向、速度显示及控制、声源定位显示等。
超声传感器数据实时显示,实测误差小于3 cm,可以辅助对机器人进行运动控制。运动速度范围为0.5～5 m/s。图4中右下控件显示声源定位距离俯仰角方位角(r,φ,θ)。由PC终端运行上位机LabVIEW程序与机器人建立网络连接,输出FPGA host以供各个FPGA模块建立与机器人的数据连接。使用FPGA电机读写模块控制电机转速,以及伺服电机转角,超声读写模块获取超声传感器的数据进行避障测距算法。通过网页客户端集成实现了对摄像头方向控制和实时显示等功能,从而达到远程控制机器人进行跟踪并且可以直观地看到声源的位置。
仿真和实际测试表明,该声音定位系统定位能力良好,实现了通过远程控制机器人对声源进行实时定位跟踪。目前多声源环境下对声源的定位问题是研究的热点,也是难点,时延算法的适用性将受到限制,多声源环境下的定位算法和实现方法将是下一步研究的重点。
摘要：设计了基于麦克风阵列和时延估计算法的声音定位系统,硬件采用多通道同步模数转换器和数字信号处理器(DSP)实现;结合LabVIEW平台机器人,实现了通过远程控制机器人对声源进行实时定位跟踪。算法仿真和实际测试表明,该声音定位机器人定位跟踪能力良好。
关键词：声音定位,LabVIEW机器人,声达时延,数字信号处理器
参考文献
[1]HUANG J,TERAKURA T S I,OHNISHI N,et al.Mobilerobot and sound localization[C].IROS′97 Proceedings ofthe 1997 IEEE/RSJ International Conference,1997.
[2]Xu Qinqi,Wang Jinwei,Sun Hao.Sound source localizationsystem based on mobile robot[C].2012 24th Chinese Con-trol and Decision Conference,2012.
[3]VALIN J M,ROUAT F M J,LETOURNEAU D.Robustsound source localization using a microphone array on amobile robot[C].International Conference on IntelligentRobots and Systems,2003.
[4]崔玮玮,曹志刚,魏建强.声源定位中的时延估计技术[J].数据采集与处理,2007,22(1):90-99.
[5]CHARLES H,KNAPP G C C.The generalized correlationmethod for estimation of time delay[J].IEEE Transactionson Acoustics,Speech and Signal Processing,1976,24(4):320-327.
基于视觉定位的机器人搬运系统 篇3
近年来,视觉引导与定位技术已经成为工业机器人获得环境信息的主要手段,它可以实现工业机器人在实际应用中的自主判断能力,使机器人应用的灵活性和工作质量大大提高。随着机器人技术在冲压自动化生产当中的普及应用,机器视觉系统这一新兴技术也进入到日常的生产应用当中。在汽车制造厂万家顿冲压自动线上,用于拆垛站上的VMT摄像系统机器人就是采用了此技术对零件位置做最终位置。随着不断地使用及了解我们对这套机器视觉系统有了更为深刻的认识与了解,本文将针对机器视觉系统在汽车制造厂万家顿自动线上的应用做一些简单的讲解。
1 系统组成介绍
如图1所示,基于视觉定位的机器人搬运系统由机器人、摄像头1、摄像头2、VMT图像系统、搬运系统、搬运工位1、搬运共位2以及被搬运工件组成。
其中,视觉系统由摄像头1、摄像头2和德国VMT公司图像处理系统组成,其与机器人结合形成机器人视觉系统,用来确定工件在工位1的摆放位置,保证在搬运过程中,机器人能够准确抓取工件的规定部位。
2 系统工作流程
系统工作如图2所示,万家顿自动线上拆垛站部分的主要工作是将料垛拆分为后续压力机提供适合生产的单张冲压板。在自动生产形式下,料垛小车装载完成后自动驶入生产区域停靠、升起到机器人1抓取冲压板的位置。机器人1抓取冲压板并进行双料片检测,如果没有问题将冲压板放到皮带机1上。之后冲压板经过清洗机、涂油机后达到皮带机2的位置。VMT摄像系统拍摄冲压板位置,将拍摄下来的实际位置与之前编辑储存的标准冲压板位置对比后将偏差值换算成机器人系统中的x、y、Rx、Ry的差值,之后机器人通过换算差值后改变抓取动作、抓取冲压板、最后将冲压板放到对中台上用于后续自动化生产。由于设备设计所致机器人在冲压板抓取后必须水平旋转90°后才能将冲压板以正确的物流方向放到对中平台上。
3 被搬运工件定位过程介绍
1)VMT摄像系统配置
VMT摄像系统的系统配置表1所示,系统由硬件和软件两个部分组成。其中硬件部分包括:摄像头、照明灯光、计算机(已安装图像采集卡和Profibus通讯卡)、控制柜和线缆等材料组成;软件部分包括:图像采集及预处理、图像处理/模式识别、方位计算和通讯模块等软件模块。
2)VMT摄像系统的工作原理
VMT摄像系统组成如图3所示,系统图像处理计算机、摄像头和透镜和被检测工件等部分组成。VMT系统的工作过程,照明光源发出光线,投射到被检测工件上,摄像头获取被检测工件的模拟图像信息,将获得的模拟图像信息送入图像处理计算机,进行处理,将模拟图像转化为数字图像,之后进行模板匹配。
如图4所示,模板匹配原理是摄像系统的基本原理,它就是把要搜索的对象的图像在当前图像上平移,在每个位置上计算它们的相似度,不同的位置会有不同的相似度,但是匹配过程进行到最远的地方就是匹配点。
首先,我们要建立搜索模板,在采集到的图片上选出反差较大的标记点然后将其周围一定区域定义为搜索区域。然后,在定义好的搜索区域内将标记点定义为参考点。最后,程序在运行过程中会将设定的标记点与实际拍摄下来的图片进行匹配,当标记点重合数最大时完成图像匹配。
3)在万家顿自动线上的VMT摄像系统的编程
将要检测的冲压板放置在皮带机2上然后锁定屏幕图像进入到任务管理画面进行。由于在万家顿自动线上的VMT摄像系统是有2个摄像头组成。分别对每个摄像头中的图片进行进行编辑。一般情况下,我们都会针对每个摄像头中的图片设定2至4个标记点用于冲压板时别。也就是整个摄像系统对于单件来说一般我们设定4个标记点,对于双件或者冲压板表面亮度不高的单件来说我们设定6 8个标记点。标记点越多用于检测的时间越长,所以在能保证检测准确的前提下我们尽可能降低标记点的个数。之后我们选取冲压板上边角、圆孔等比较有特点的形状作为标记点进行编辑。编辑的内容包括检索范围、对比度、对比标记点个数等然后进行检测计算出每次检测出标记点的概率。一般来说这个概率必须达到或者非常接近100%才能保证在日常生产过程中不会因为VMT摄像系统出现故障而引起停机。这之后我们将这些编辑好的标记点集合在检测任务当中。在每次进行不同零件生产的时候计算机自动调用不同零件所针对的检测任务。然后,我们做带标记点参考标定的单次测量然后输入摄像头与冲压板之间的检测距离。然后,我们对摄像头解锁进行持续检测检验编辑效果如果有错误或者检测成功率低的问题就重新进行修改、优化,最终投入生产运行。
在进行生产当中一次完整的检测过程将完成以下步骤:
1)通过PLC把信息传送给视觉系统,选择相应的监测计划
2)一旦冲压板在皮带机上停止后,PLC立即唤醒视觉系统进行测量
3)所有摄像头进行图像采集
4)标记点识别
5)利用在图像中找到的标记点位置和摄像头的标定结果,计算当前冲压板的准确位置
6)计算当前冲压板的方位和初始方位的偏差,这就是校正矢量
7)把校正矢量传送给机器人
8)校正后抓取冲压板
4 结论
摄像系统的应用可以说是为机器人添加了眼睛。在具有高重复性的生产过程中,降低了人工、工装的成本。使得自动化生产更具柔性。而在使用VMT摄像系统更是以其高效率、低错误率、维护成本低的特点赢得了操作人员以及技术人员的认可。
摘要：本文基于德国VMT公司图像处理系统开发了具有对冲压上料原件定位及位置调整的机器人搬运系统。详细介绍了系统的组成、工作流程及被冲压工件机器人定位过程。为冲压上料过程提供了一套自动化、柔性化应用方案,可以有效克服冲压原件的装卡误差,大大提高冲压质量。
关键词：机器人,视频扫描,工件定位,搬运
参考文献
[1]刘文波,陈白宁.段智敏工业机器人[M].东北大学出版社,2007.
[2]Wesley E.Snyder,Hairong Qi,著,林学訚,崔锦实,赵清杰,译.机器视觉教程[M].机械工业出版社,2005.
矿井救灾机器人自主定位方法研究 篇4
矿井救灾机器人要实现自主导航并执行各种任务,必须要非常准确地知道自己的位置[1,2,3,4]。因此,自身环境的定位是矿井救灾机器人实现导航的关键技术之一,它主要通过定位传感器检测位姿来完成。传统的单传感器系统检测信息的误差较大,且存在不确定性,已经很难适应煤矿井下的恶劣环境,因而配备多传感器系统的救灾机器人成为了一种可靠的解决方案。如何实时有效地处理多传感器的测量数据,以获得更准确的位姿信息,是实现多传感器信息融合需要解决的问题[5,6,7]。
本文介绍了矿井求灾机器人自主定位系统的构成,采用具备衰减指数因子的有限记忆卡尔曼方法对机器人的多传感器信息进行融合,提出了基于多传感器信息融合的航行轨迹推算方法;通过Matlab仿真对本文提出的方法进行验证,并进一步通过实体机器人实验验证了本文提出的矿井救灾机器人自主定位方法的有效性。
1 矿井救灾机器人自主定位系统构成
定位传感器是矿井救灾机器人实现自主式定位的基础,本文在综合对比国内外典型传感器组合后,选择三轴加速度传感器、三维磁阻式电子罗盘、里程传感器和数字三轴陀螺仪作为自主定位系统的硬件基础;在综合对比国内外典型滤波方法的基础上,使用具备衰减指数因子的有限记忆卡尔曼滤波方法作为系统的控制策略。矿井救灾机器人使用传感器采集本体的角度信息、加速度信息及里程信息,使用平面几何方法和具备衰减指数因子的有限记忆卡尔曼滤波方法对采集到的定位信息进行处理,得到矿井救灾机器人具体的位置和姿态信息,系统构成如图1所示。
图1 矿井救灾机器人自主定位系统构成
2 基于多传感器信息融合的航行轨迹推算方法
2.1 矿井救灾机器人驱动机构运动分析
矿井救灾机器人驱动机构运动分析示意如图2所示。基础的航行轨迹推算方法是周期性采样机器人的位移变化量和角度变化量,然后累加得到矿井救灾机器人的航行轨迹。
图2 矿井救灾机器人驱动机构运动分析示意
假定矿井救灾机器人运行过程中其履带不发生打滑,也不发生弹性变形,设(xA,yA),(xB,yB)分别表示机器人在A点和B点的坐标,θ表示机器人的绝对速度方向与x轴的夹角,LAB表示机器人的运动轨迹AB间的长度,β表示机器人运行速度方向的变化,可得
对式(1)进行求导处理,得
式中:vx,vy分别表示矿井救灾机器人在x轴和y轴上的速度分量。
设矿井救灾机器人右履带轮的角速度为ωR,左履带轮的角速度为ωL,履带轮的半径为r,两履带轮之间的距离为tr,经简单推理可得
对式(3)进行积分可得
2.2 基于里程传感器的航行轨迹推算原理
基于里程传感器的航行轨迹推算原理如图3所示。
图3 基于里程传感器的航行轨迹推算原理
在机器人实际运行过程中很难实时得到履带轮的转速函数ωL(t)和ωR(t),式(5)、式(6)给出了获得矿井救灾机器人航行轨迹的离散方式。设机器人在二维平面运动,时刻t在直角坐标系上的坐标为(x,y,θ);Δt表示里程传感器计数和航向角的采样周期,vL和vR分别表示左右2个驱动轮的行驶线速度。因为单片机的采样频率通常很高,所以单个周期内左右2个驱动轮行驶的弧线轨迹可以近似视为一段直线,该直线长度等于弧半径乘以对应圆心角度,通过航行轨迹推导获得机器人线速度和角速度的增量分别为
机器人坐标推算公式为
式中:xk和yk为机器人中心的坐标位置;θk为机器人的航向角,即机器人运动方向与坐标系x轴正方向之间的夹角,可通过电子罗盘测得的与正北方向的夹角换算得到。
理论上基于里程传感器的航行轨迹推算法能对机器人任意长度行走路径进行推算,但由于在推算中用直线代替弧线,即每一次推算均带有误差,而且码盘和里程传感器本身亦存在系统误差,故随着机器人行程的增加,航行轨迹递归推算的误差会呈无限累积趋势,因此有必要对推算方法作出改进。
2.3 基于正弦余弦定理的航行轨迹推算原理
基于正弦余弦定理的航行轨迹推算原理如图4所示。假设机器人在二维平面运动,机器人的初始坐标为o点,沿直线运动距离L1至o′点转向一次,之后沿直线运动距离L2至o″点后再次转向。图4中∠1为机器人在oo′段的航向角与方位角;∠2为机器人在o′o″段的航向角。根据几何关系可得∠3的大小,由余弦定理可得L3的长度,再由正弦定理可得∠4的大小,结合∠1可以计算出o″处机器人的方位角∠5,而三维磁阻式电子罗盘可以实时检测到机器人行走的航向角。综上,可以得到机器人的位姿信息(Yaw,Distance,Azimuth),其中Yaw表示机器人当前的航向角,Distance表示机器人距离原点的位移,Azimuth表示机器人当前所在点与原点连线和y轴的夹角,即方位角。o″点可以作为进行下一次递推的起始点。
图4 基于正弦余弦定理的航行轨迹推算原理
以y轴正方向表示地理上的正北方向,计为0弧度,角度按顺时针方向递增,图4中所示参数可按正弦定理、余弦定理计算,其中L3,∠4计算式为
改进后的推算方法以固定的采样周期读取航向角,航向角不发生变化时只累加里程传感器的计数值,而并不在每个采样周期后都进行坐标计算,只有当航向角发生变化以及需要传输坐标信息时才读取里程传感器计数值并计算当前位置坐标,相对而言减小了计算频度和字长,降低了机器人位姿信息的发散。
2.4 多传感器信息融合
单纯依靠单个传感器分散地推算机器人位姿的方法精度较差,需要使用滤波算法提高自主定位精度。在实际应用中,经典卡尔曼滤波常常会出现量测次数k不断增大、状态估计的均方误差趋于稳定,但是状态估计值相对于真实值的偏差却趋于增大的现象,即滤波器的发散现象。主要有2个原因造成卡尔曼滤波器的发散,一个是系统数学模型和噪声模型过于粗糙或失真,另一个是卡尔曼滤波的递推特性造成滤波计算中的舍入误差逐渐累积。为了解决滤波器的发散问题,本文采用具备衰减指数因子的有限记忆卡尔曼方法对多传感器的融合误差进行控制。
首先利用卡尔曼滤波改进算法融合里程传感器和陀螺仪数据,状态变量取为X=[vLvRωg]T,其中ωg为陀螺仪的角速度,则系统的状态方程为
式中:Φk,k-1为tk-1时刻到tk时刻的一步状态转移矩阵;Γk-1为系统噪声矩阵的驱动矩阵,在本系统中为单位矩阵I;W是协方差为Q的系统噪声矩阵。
Φk,k-1的值为
系统的量测方程为
式中:Hk为系统量测矩阵,本系统中为单位矩阵I;Vk是协方差为R的量测噪声矩阵。
用具备衰减指数因子的有限记忆卡尔曼滤波方程式(11)—式(14)[8,9,10,11]计算系统变量的估计值,并将估计值代入式(5)、式(6),得到陀螺仪和里程传感器融合后的里程传感器推算值,下文提到的里程传感器推算值均指融合后的航行轨迹推算值。
式中:是记忆长度为N*的第k次状态变量;是记忆长度为N*的第k次后验误差协方差矩阵;Hd为系数变化矩阵;Rk为测量噪声协方差矩阵;Kk*为状态变量增益矩阵;
数字三轴陀螺传感器的累积误差会随着时间逐渐增大,使里程传感器的推算精度下降,本文采用三维磁阻式电子罗盘对里程传感器航行轨迹推算值进行补偿,所选用的电子罗盘具有较高的测量精度。融合前要对电子罗盘的数据进行坐标系对准等预处理,并使用三轴加速度传感器进行倾角补偿,下文提到的航向角均指融合后的航向角。取系统状态变量为
式中:aω为机器人航向角变化的角加速度。
因为机器人运动速度较慢,所以电动机旋转运动可以视为匀角速度运动,则系统的状态变量可简化为
系统的状态方程为
式中:,其中T为系统采样的时间间隔。
将式(10)、式(15)和式(16)代入式(11)—式(14)中计算出航向的估计值,然后利用航向的估计值对里程传感器的累积误差进行补偿。另外,提高采样频率能在一定程度上提高算法的精确度。
3 Matlab仿真验证
使用α-β-γ滤波方式,设矿井救灾机器人沿某一直线运动,探测机器人初始位置坐标s0=5m,初始速度v0=1m/s,初始加速度a0=0.1m/s2,初始状态,以1s的采样周期对位移作一次测量,将测量结果作为卡尔曼滤波器的观测值。设卡尔曼滤波器误以为矿井救灾机器人无初始速度(v0=0),以a0=0.1 m/s2的初始加速度运动,则被估计信息的方程为
式中:加速度jk-1对于观测者来讲是随机量,用白噪声描述。
取,则状态方程Xk=ΦXk-1+Γjk-1,一步转移矩阵,系统噪声驱动阵故量测矩阵H=[1 0 0]。仿真时间为600s、记忆长度N=50时的滤波曲线和误差曲线如图5和图6所示。系统方程不准确或采用经典卡尔曼滤波器时,状态噪声和量测噪声都会导致滤波器的发散。
为了方便对比有限记忆卡尔曼滤波和具备衰减指数因子的有限记忆卡尔曼滤波的滤波效果,对滤波曲线图的下面2幅小图做了放大处理。由图5可以看出,由于系统方程存在不准确性,经典卡尔曼滤波算法一直呈发散状态,逐渐失去了滤波功能;而有限记忆卡尔曼滤波和具备衰减指数因子的有限记忆卡尔曼滤波均抑制了滤波发散。有限记忆卡尔曼滤波在量测时刻到达记忆长度之前必须采用经典卡尔曼滤波,此时误差比较大,而具备衰减指数因子的有限记忆卡尔曼滤波加入了基于后验信息的指数衰减因子,具有衰减记忆特性,在全区间中以误差0为中心的[-0.5m,0.5 m]区间内波动,降低了系统模型不准确带来的误差。记忆长度结点N=50之前的误差也得以削减,但记忆长度较小时,白噪声带来的随机误差没有得到有效抑制。图6表明了具备衰减指数因子的有限记忆卡尔曼滤波器的长期稳定性好,仿真时间为600s时经典卡尔曼滤波器的正误差发散至150m左右,而具备衰减指数因子的有限记忆卡尔曼滤波器误差仍在[-0.5m,0.5m]区间内,保证了估计值的无偏性。由图6可看出,增大记忆长度可以减小白噪声的影响,但相应地会较多地受到系统方程不准的影响;减小记忆长度可以减弱由系统方程不准确性带来的影响,但会使得系统较容易受到白噪声的干扰而影响精度。
图5 仿真时间为600s、记忆长度N=50时的滤波曲线
图6 仿真时间为600s、记忆长度N=50时的误差曲线
4 实验验证
以走廊为实验场地,通过实验对融合之前基于里程传感器推算的运行轨迹和经多传感器信息融合后的运行轨迹进行对比验证。假定矿井救灾机器人初始位置为坐标原点,以y轴正方向为正北方向,由于无线串口模块BC417的发射功率、通信距离有限,故实验采用遥控机器人沿图7和图8中A-B-C-D-E-F-G-H轨迹运动的方式进行,各点坐标依次为A(0,0),B(5.4,0),C(7.2,0),D(9,0),E(9,-1.2),F(3.6,-1.2),G(1.8,-1.2),H(0,-1.2),单位为m。图7和图8中A-B-C-D-E-F-G-H为机器人的实际行进路线;图7中A-B1-C1-D1-E1-F1-G1-H1为机器人使用电子罗盘和里程传感器推测得出的行进轨迹。由图7可以看出,A-B1段、B1-C1段、G1-H1段较接近直线,说明基于里程传感器的定位方法在行进路线为直线的时候有较高的航行轨迹推算精度;由D1-E1段和E1-F1段轨迹可以发现,机器人航向发生突变对加速度传感器检测的姿态角产生了影响,推算的机器人坐标和实际坐标之间误差较大。为了接近真实的煤矿井下未知导航环境,在实验环境中添加了电磁干扰,导致电子罗盘所测航向受到影响,如F1-G1段。码盘和里程传感器的误差会不断累积,当行驶距离较大之后,基于里程传感器的定位方法将会累积出巨大的误差,导致方法失效。
图7 基于里程传感器推算的运行轨迹
图8 基于多传感器信息融合推算的运行轨迹
对应于图7中列出的各个坐标点,实际位置坐标和基于里程传感器的航行轨迹推测值的比较结果见表1。
表1 实际位置坐标和基于里程传感器的定位位置比较结果
m
图8中,A-B2-C2-D2-E2-F2-G2-H2为按照多传感器信息融合方法行进的机器人轨迹。由图8可以看出,使用本文提出的具备衰减指数因子的有限记忆卡尔曼滤波方法推测的航行轨迹更加具有全局可靠性,D2-E2段、E2-F2段和F2-G2段的误差相对于D1-E1段、E1-F1段和F1-G1段更小,滤波器滤除了电子罗盘较大的随机误差,并削减了陀螺仪和里程传感器的累积误差。
对应于图8中列出的各个坐标点,实际位置坐标和基于多传感器信息融合方法的定位位置的比较结果见表2。
表2 实际位置坐标和基于多传感器信息融合方法的定位位置比较结果
m
5 结语
采用具备衰减指数因子的有限记忆卡尔曼滤波方法对机器人的多传感器信息进行融合,提出了基于多传感器信息融合的航行轨迹推算方法。Matlab仿真结果表明,该方法可稳定实现0.5m的跟踪精度;实验结果表明,该方法实现了对里程计误差的最小化控制,提高了矿井救灾机器人的自主定位精度。
参考文献
[1]王争.井下探测机器人控制系统研制及其运动性能分析[D].哈尔滨:哈尔滨工业大学,2007.
[2]钱善华,葛世荣,王永胜,等.救灾机器人的研究现状与煤矿救灾的应用[J].机器人,2006,28(3):350-354.
[3]赵杰,刘刚峰,朱磊,等.基于WSN的矿井事故搜索探测多机器人系统[J].煤炭学报,2009,34(7):997-1002.
[4]ZHOU Fubao,WANG Deming,ZHANG Yongjiu,et al.Practice of fighting fire and suppressing explosion for a super-large and highly gassy mine[J].Journal of China University of Mining and Technology,2007,17(4):459-463.
[5]LU Zhijun,XIANG Qian,XU Lan.An application case study on multi-sensor data fusion system for intelligent process monitoring[J].Procedia CIRP,2014,17:721-725.
[6]付志超.基于信息融合技术的煤矿井下探测机器人检测系统研究[D].太原:太原理工大学,2010.
[7]张西雅.基于信息融合的汽车防追尾避撞目标识别研究[D].郑州:郑州大学,2010.
[8]KATALIN G,ANDRS K,LóSZL D.Unscented Kalman filters and particle filter methods for nonlinear state estimation[J].Procedia Technology,2014,12:65-74.
[9]LYNCH C,OMAHONY M J,SCULLY T.Simplified method to derive the Kalman filter covariance matrices to predict wind speeds from a NWP model[J].Energy Procedia,2014,62:676-685.
[10]KOWNACKI C.Optimization approach to adapt Kalman filters for the real-time application of accelerometer and gyroscope signals'filtering[J].Digital Signal Processing,2011,21(1):131-140.
机器人定位电机的控制及改进算法 篇5
在生产过程中,机电设备执行部件的运动常常要求能快速准确的定位,在此过程中定位电机要启动、加速,然后作匀速运动,接近目标时又要减速、制动。在电机的额定功率、最大电流及最大扭矩一定的条件下,满足定位精度是对系统的基本要求,并且要求电机不超载、动作时间最短。
1 键盘装配机器人的应用及控制
1.1 键盘装配机器人应用
键盘装配机器人是由回转电机、伸缩电机、丝杠副、气动机械手组成。回转电机和伸缩电机均采用交流伺服电机,共同完成机器人的位置定位;气动机械手负责完成零件的抓取和安装。快速、定位准确是该机器人的首要要求;但机械系统的惯性及摩擦力直接影响定位系统的定位速度;故在系统中增加了制动装置。即使这样,如果在机械手到达终点时移动速度太高,同样会影响其定位精度。
本文针对键盘装配机器人定位电机的控制方案及算法加以讨论、分析。以求以最高的速度和最短的定位时间完成定位控制,并能达到较高的定位精度。
1.2 键盘装配机器人的控制方案
整个系统由主计算机和负责各个电机控制的单片机组成,主计算机完成计算并负责向单片机发布位置等指令及实现对生产线其他设备的控制,单片机则负责各个电机的运动控制。键盘装配机器人的控制方案如下:
1)电机的启动及升速阶段,要求电机以最大加速度am加速,直到达到最大线速度Vm,此时电机电流应控制在最大允许电流Im范围内;
2)电机恒速阶段,电机以最大速度Vm作恒速运转;
3)减速及制动阶段,电机以最大减速度-am减速,使其在到达目标时的速度刚好为0,并在到达指定位置时以最大制动力矩制动,使停机位置准确,其中,减速时间等于加速时间;
4)移动距离小时,直接从加速段转换到减速段;
5)为保证其定位精度,防止运动部件过冲或不足,消除低速运动时摩擦力的影响,在接近终点时,由计算机输出步进脉冲,对电机进行强迫驱动。
1.3 控制系统结构
控制系统如图2所示。单片机根据定时器的时钟中断周期,通过采样输入当时的位置信号,与位置设定值进行比较,求出偏差信号,再按一定的控制算法进行计算,经D/A转换后送电机驱动器,此信号将一直保持到下一次输出。位置信号通过光电编码器经辨向计数获得。为克服静摩擦力的影响,在接近目标位置时,由单片机输出步进脉冲,对电机进行强迫驱动。到达指定位置时,单片机输出强迫制动信号。
2 定位电机控制的改进算法
2.1 定位电机控制的一般算法[2]
2.1.1 启动及加速阶段的算法
对象以最大加速度am加速到Vm时,所经过的时间为t1,所移动的距离为s1=Vm2/2am,起始位置时偏差最大为e=s0(移动总距离),加速到Vm时偏差为e=s0-s1,所以,当e>s0-Vm2/2am时(t
2.1.2 匀速阶段
当Vm2/2am≤e≤s0-Vm2/2am时(t1
2.1.3 减速与制动阶段
从e=Vm2/2am开始(减速距离等于升速距离),以最大减速度-am减速,直到v=0,e=0,则速度为v=Vm-am(t-t2),其中t2为减速开始的时间。
2.1.4 s0较小时,可取s0/2升速,s0/2减速。
图3为位置偏差e及速度v对时间t的关系。从图中可以看到,在升速和降速阶段e与t为抛物线关系,在匀速阶段为线性关系。
由于在降速阶段有dv/dt=am,de/dt=-v;消去dt有amd e=v d v,积分得并有。当e→0时,v对e变化率非常大,这样容易造成运动部件移动过冲。
2.2 定位电机控制改进算法
经过修正后的减速算法避免了上述问题,方法如下:
在减速阶段,取v=Ke;其中K为常数,K越小对制动越有利,但会延长定位时间,K应由试验决定。由v=Ke得出新算法的减速度:
这时,当偏差e→0时有a→0、v→0,速度不会过高,便于和制动相配合,定位精度较高。
当v=Vm时,a=KVm为最大减速度。下面分别讨论Kv≤am和Kv>am两种情况下的减速方案。
当K Vm≤am时,可以从Vm开始减速,此时位置偏差e2=Vm/K。
当K Vm>am时,减加速度过大,不能直接从v=Vm按v=Ke减速,见图4所示,应先按am以等减速规律减速(从e3开始),当速度下降到KV=am后(到达e2’),再按v=Ke规律减速。
可以求得
2.3 改进算法的程序框图[1]
根据减速过程改进后的算法编制的程序框图如图5所示。
图中,ε1是根据现场情况和定位精度确定的叠加脉冲开始的位置;ε2是在进入定位精度范围内后制动信号开始输出的位置范围。
3 结束语
实践表明,采用该改进算法用于键盘装配机器人定位电机的控制是完全可行的,满足了键盘装配机器人的定位精度要求。
参考文献
[1]蔡自兴,等.智能控制[M].电子工业出版社,1999.
机器人定位 篇6
关键词：机器人,三维定位,关键技术,研究
机器人定位系统是目前计算机和机器人研究当中一个比较热门的领域。它是通过对机器人传输回来的数据进行处理, 这样获取机器人现在所处的位置。这是进行三维景象恢复和机器人自身导航的一个基础。机器人定位最关键的一个技术是扫描的匹配。到目前为止国内外对这项技术的研究已经取得了不小的成果。在上世纪九十年代的时候, Besl等就已经提出了使用ICP算法, 这种算法是在不断的循环过程当中降低误差。在这个之后还出现了改进的算法, Lu等人缩小了扫描的范围, 这种方法降低了循环的次数, 但是影响到了匹配的精度。Fairfield为机器人设定了一个参照物, 这大大降低了匹配需要的工作量, 但是这种方法对机器人的定位是没有好处的。
机器人进行三维定位其实是在传统的定位基础上面的扩展, 扩展的部分就是增加了机器人不同高度的信息。到目前为止, 机器人的定位系统研究还没有成熟, 现阶段, 在机器人三维定位系统方面的研究还不成熟。三维城市的建立是通过DSM来获得全部的地貌的。这样就形成了一个完整的空间。DSM的准确度还是比较差的所以对复杂地形的地位还是比较困难有误差的。后来人们使用了很多的设备来获取信息的角度, 但是它们的实时性是比较差的。正是因为这样, 下面将展示一种新的计算方法, 并解释一下如何实行机器人的定位技术。
1 三维目标识别与图象识别的差别
1.1 深度图像与灰度图像的差别
数字化的灰度图像是用数学来描述矩阵的, 矩阵当中的行和列分别代表图像当中的横坐标和纵坐标, 矩阵当中的每一个元素值代表的是像素值, 这也称之为亮度值。深度图像就是一个矩阵, 它们当中不相同的是矩阵当中的每一个数值代表的不再是图像的亮度, 它代表的是传感器与目标之间的距离。从计算上面来说, 图像是可以分为三种的, 分别是灰度图像、深度图像和三维图像。灰度图像就是平面图像, 深度图像就是一个2.5维的图像, 三维图像就是一个对物体进行的三维描述。
1.2 灰度图象识别的存在的问题
从识别上面来分, 图像的设别可以分为平面图像到平面图像模型的识别, 然后是平面图像到三维模型的识别。在军事上面经常使用两类平面图像, 一种是可见光图像, 还有一种是红外图像。可见光图像比较容易受光照、反射的影响, 夜晚的时候也是无法拍摄图像的。红外图像会受到太阳的干扰, 而且改变姿态的时候会发生目标丢失。如果使用平面图像来识别三维景观的时候, 就需要有不同角度的数据和大量的计算, 所以这种识别方法是存在缺陷的。
2 扫描算法的改进
2.1 传统的扫描算法
扫描匹配是机器人进行定位的关键, 它是一种通过对扫描的数据进行计算来获得机器人位置的方法, 可以分为点和点之间、点到线之间, 以及线到线之间的扫描。后面两种是比较适合一些有几何特性的环境的, 所以说对环境没有规则的场景需要采取适应性强而且精度高的算法。
目前使用最为多的就是一种点到点的算法, 这是一种比较经典有效的算法。这种算法是通过循环过程当中两个模型的均方达到一定值, 这样就可以计算位置的变化。ICP算法的精度很高, 但是计算量太大, 而且循环过程是没有办法得到最优的结果。因此需要从不同的方面对ICP算法进行改进。
2.2 ICP算法的改进
2.2.1 点集的处理
对ICP算法的改进是多个方面的, 首先需要对点集进行预处理, 处理的目的就是为了去除一些边缘点, 也就是那些在扫描的时候没有办法扫描到的点, 这样就可以提高图像的精度。具体的操作如下:先按照测量的精度把采样的数据控制在一定的角度范围之内, 过滤掉那些比较远的点, 这样可以避免因为边缘的造成的误差而导致整体的效果下降。如果扫描频率已经明确了, 机器人的行走速度比较慢, 这就可能导致扫描的空间小, 这样扫描的次数就会变多, 所以在实际扫描的时候需要根据扫描频率和移动速度来对物体进行采样。
因为扫描的物体不一样, 所以扫描的时候会出现一些没有用的点。根据ICP算法, 这些杂点是会参与到附近点的搜索当中的, 也是会参与到最终位置的计算当中。这是会影响整体效果和计算精度的, 所以在计算之前需要排除这些杂点, 可以使用中值滤波进行点集的优化。
点集筛选的时候可以挑选特征点的方法来实现, 这些特征点就是景物当中比较明显的点。这些点的匹配误差就比较小了, 能够体现出整体的特征, 从某种意义上面来说就可以代替整体的数据。
2.2.2 位置的估算
ICP在计算模型的空间位置改变的时候, 采用的是循环的方法, 这种方法需要事先给出一个比较好的估计, 如果选择的估计不好的话, 很有可能得到的是一个局部的最优解, 这并不能够代表全局。所以在实际的运算当中需要通过低精度的算法获得一个初始值, 这会影响自动化和增加计算所需的时间。
计算的时候可以先使用非迭代的方法进行位置的估算, 设定相邻的位置是互匹配点。在计算之前需要定义一个衡量的标准, 计算扫描点经过一系列的变化之后得到的坐标和相应的坐标值的差值的和, 差值越小代表结果越精确。
3 结语
本文重点分析了机器人定位中的扫描和空间定位问题, 提出了一种基于ICP算法改进了的匹配算法。这种算法有下面的特点:通过对点集进行过滤和选择特征点的方法来减少匹配点的数量, 这样就可以减少计算的时间。采样非循环计算可以解决没有办法得到最优解的办法。通过实践证明了这种算法是可以提高运算速度的, 在一些简单的地形计算上面, 效率提高相当明显。
参考文献
[1]郭禾, 李寒, 王宇新, 贾棋, 刘天阳, 唐骏.机器人三维定位系统中关键技术的研究[J].北京:系统仿真学报, 2006 (18) :99-107.
[2]周振环, 李言俊.三维目标识别原理及关键技术[J].河南:河南师范大学学报, 2001 (2) :22-25.
机器人定位 篇7
移动机器人是一种具有高度自规划、自组织、自适应能力的机器人。目前移动机器人已在各行业中显示了越来越广泛的应用前景。移动机器人的研究涉及多种学科的融合和应用,已经成为国际学术界研究的热点。在移动机器人相关技术的研究中,导航与定位技术是其研究的核心和关键,也是实现移动机器人智能化的关键。
移动机器人导航技术研究的主要内容包括:导航方式、定位方法以及多传感器信息融合技术的研究。本文将从这几个方面对移动机器人导航技术进行探讨,并介绍导航技术的应用进展情况。
1 移动机器人导航技术研究
1.1 导航方式
移动机器人有多种导航方式[1],根据环境信息的完整程度、导航指示信号类型的不同,可以分为电磁导航、惯性导航、GPS (Global Positioning System)导航、超声波导航、激光导航、射频识别R F[D (Radio Frequency Identification)导航和基于视觉的导航等。
电磁导航也称为地下埋线导航[2],其原理是在路径上连续埋设多条引导电缆,分别流过不同频率的电流,通过感应线圈对电流的检测来感知路径信息。惯性导航是利用机器人上装的光电编码器和陀螺仪,测量机器人相对于初始位置的距离和方向,从而推知机器人当前的位置和下一步的目的地13]。GPS导航是机器人利用GPS全球定位系统,通过其自身安装的卫星信号接收装置接收四颗GPS卫星发出的信号,进行伪距离测量,从而计算出机器人的准确位置。超声波导航的工作原理是由超声波传感器的发射探头发射出超声波,超声波在介质中遇到障碍物而返回到接收装置。通过接收自身发射的超声反射信号,根据超声波发出及回波接收时间差及传播速度,算出传播距离。激光导航是利用激光传感器来进行距离测量,激光经过旋转镜面机构向外发射,当扫描到由反射器构成的路标时,反射光经光电接收器件处理作为检测信号,然后通过通讯传递到上位机进行数据处理。上位机根据已知路标的位置和检测到的信息,即可计算出机器人当前在路标坐标系下的位置和方向。射频识别导航是利用RFID读写器接收不同距离处的标签信号,根据信号强度的不同,采用一定的算法得出标签与RFID读写器之间的距离。基于视觉的导航[4]是在移动机器人上安装摄像头,利用摄像头采集环境信息,通过机器人上装载的计算机进行图像处理和决策。
1.2 定位方法
定位是指移动机器人可以自主确定自身在环境中的位置,即利用先验环境地图信息、机器人当前位姿的估计以及传感器的测量值等输入信息,经过一定的处理和变换,产生对机器人当前位姿更加准确的估计。
根据需要完成的任务特点,定位方法分为相对定位和绝对定位两大类[5]。在相对定位中,由于随着时间的增长,误差积累也逐渐增加,因此不适合精确定位,目前主要采用卡尔曼滤波方法以及改进的卡尔曼滤波方法进行改进。在绝对定位中,机器人通过传感系统对路标进行识别,对测量的参数进行分析来进行定位。
1.3 多传感器信息融合技术
多传感器信息融合是指将多个传感器或多源的信息通过一定的算法进行综合处理,从而得到更准确、可靠的结论。常用的信息融合方法有:D-S证据方法、航迹融合的分层法、贝叶斯方法、卡尔曼滤波法、模糊推理论法以及神经网络法等[6]。
贝叶斯方法是将多传感器提供的各种不确定性信息表示为概率,利用贝叶斯条件概率公式对其进行处理,先描述模型,并赋予每个命题一个先验概率,再使用概率进行推断,根据信息数据估计置信度得到结果。卡尔曼滤波法是一种递推形式的状态和参数估计的方法,以测量误差为依据,进行估计和校正,从而不断逼近被估计状态或参数的真实值。D-S证据方法是使用一个不稳定区间,通过不稳定未知前提的先验概率来保证估计的一致性。航迹融合的分层法是一种集中式融合方法,即中心级航迹融合和传感器级航迹融合交替进行。模糊推理法是用隶属函数表示各传感器信息的不确定性,再利用模糊变换进行综合处理。神经网络法通过一定的学习算法可将传感器的信息进行融合。
2 导航技术的应用
根据应用领域的不同,对移动机器人导航技术的研究提出了不同的要求,这就需要根据实际情况提出相适应的导航方式、定位方法,使移动机器人不仅能够满足工作要求,而且具有更高的智能,从而更好的为人类服务。
2.1 制造业领域的应用
在发达国家自动导引运输车AGV (Automation Guided Vehicle)已广泛的应用于物流配送领域,其导航方式从最初的固定路径的电磁导航发展到半固定路径的磁导航和光带导航,发展到无路径的激光导航、陀螺导航和视觉导航。美国Transbotics公司的AGV采用激光导航的方式。日本Muratec公司生产的Premex MX12 AGV采用磁材料和激光导航的方式。沈阳新松机器人自动化股份有限公司自主研发的AGV采用激光导航和磁导航的方式。
2.2 非制造业领域的应用
日本国立蔬菜和茶叶研究所与岐阜大学联合研制的茄子采摘机器人采用视觉导航技术,能够在温室里自主行走到需要被采的茄子处。荷兰农业环境工程研究所研制出一种采用红外视觉导航技术的多功能黄瓜收获机器人,能够辨别成熟的黄瓜,并自主移动到其附近进行采摘。日本开发出了一种采用电磁导航方式的农药喷洒机器人,能够根据预埋在地下的电缆产生的电磁场进行自主行走。日本研发的插秧机器人采用GPS导航技术,能够在无人干预的情况下实现lOcm的移动精度。
美国的Roomba系列自主清洁机器人,运用红外导航技术,能够自主的清扫房间的地面,并且可以自主寻找充电座进行充电。德国Vorwerk公司开发的清洁机器人采用RFID导航方式,通过机器人上的RFID读写器读取安置在地板、地毯或瓷砖上的RFID标签进行导航。松下电工2002年开始与日本滋贺医科大学附属医院共同开发医院护士型自主移动机器人“HOSPI”,采用超声波、视觉和激光传感器相结合的导航方式,能够自主的将X光片、样本和药品等传递到目的地,并能避开人和障碍物。沈阳新松机器人股份有限公司研发的第二代服务机器人采用视觉、超声波和罗盘相结合的导航方式,能够在室内自主行走,躲避人和障碍物。
2.3 特殊环境中的应用
英国南安普顿海洋研究中心研制的AUTOSUB自主式水下机器人主要采用惯性测量和GPS相结合的导航方式。中科院沈阳自动所研制的CR系列AUV (Autonomous Underwater Vehicles)采用超声波、惯性测量和GPS相结合的导航方式,当机器人浮在水面上时采取GPS导航方式,在水下时采用超声波和惯性导航方式。
日本大阪大学研制的蛇形救援机器人,采用视觉和罗盘相结合的导航方式,能够在崎岖的废墟中自主爬行。美国i Robot公司研制的PackBot系列机器人,采用视觉、超声波、GPS、罗盘相结合的导航方式,有很强的避障越障能力。.美国研制的“机遇号”和“勇气号”火星探测车,采用激光和视觉相结合的导航方式,能够在复杂的火星表面上自主行走。
3 导航技术的研究和发展趋势
随着传感技术、电子技术、计算机网络技术、控制技术、信息处理技术、机械加工技术和新材料的日新月异,移动机器人导航与定位技术也将不断发展和逐渐完善。移动机器人的运动环境日趋复杂,功能不断增多,导航技术的研究将有以下几个趋势:
(1)对传统的导航算法进行改进。由于传统的算法有其不足之处,因此需要对其加以改进,从而提高机器人导航的实时性、安全性和到达目的地的准确性。
(2)导航系统的结构将朝着模块化、网络化、多机器人协作的方向发展。
(3)随着传感器技术的不断进步,采用多传感器相结合的导航方式将会进一步发展,同时多传感器信息融合算法的研究也将得到很大发展。
(4)针对目前移动机器人导航算法的局限性,采用多种算法相互融合,取长补短,将是一个重要的发展方向。
4 结束语
综上所述,虽然移动机器人导航与定位技术已经取得了一定的研究成果,但是仍没有一种适用于任何环境的方法。在实际工程应用中,需要对移动机器人的导航方式、定位方法及多传感器信息融合技术进行更深入的研究,通过改进和提出新的导航与定位方法,满足机器人实际应用领域的工况要求,且使机器人具有更高的智能。
参考文献
[1]高峰，黄玉美，林义忠等．自主移动机器人的模糊智能导航[J]．西安理工人学学报，2005，21(4)：337-341．
[2]李磊，叶涛，谭民，陈细军．移动机器人技术研究现状与未来[J]．机器人，2002，24(5)：475-480．
[3]刘金会，郝静如．自主移动机器人导航定位技术研究初探[J]．传感器世界，2005，(1)：23-26．
[4]Yagi.Y,Kawato.S.Real-time Omin- drectional image sensors for vision-guided naviga- tion [J].IEEE Trans on Robotics and Automation,1994, 10(1):11-21.
[5]Borentein.J,Everett.H.R,Feng.L,et al. Mobile robot positioning sensors and techniques[J]. Journal oF Robotic Systems,1997,14(4):231-249.