基于改进MSCKF算法的室内机器人定位方法

针对传统多状态约束卡尔曼滤波算法(MSCKF)在实现机器人室内定位时,速度和位置状态方程需要对IMU中加速度计的测量数据进行积分,存在漂移和累计误差,且加速度计受重力干扰问题,本文提出改进MSCKF算法.改进MSCKF算法避免使用加速度计传感器,利用轮式里程计传感器对平移测量较为精确的优点,将IMU中陀螺仪和轮式里程计的数据进行融合,改进MSCKF算法的扩展卡尔曼(EKF)状态方程.首先利用陀螺仪传感器的角速度数据得到改进EKF姿态方程,然后利用轮式里程计传感器的平移数据,结合姿态方程中的旋转信息得到改进EKF速度和位置方程.最后在机器人操作系统(ROS)上实现MSCKF及其改进算法,并结合Turtlebot2机器人在室内进行实验验证.实验结果表明,改进MSCKF算法的运动轨迹更接近于真实轨迹,定位精度较改进前所有提高,改进前平均闭环误差是0.429 m,改进后平均闭环误差是0.348 m.     

基于VIO和Wi-Fi指纹技术的室内定位系统设计

针对视觉惯性里程计(Visual-Inertial Odometry,VIO)在特征高度重复的场合易产生较大误差以及Wi-Fi指纹精确度不高等问题,提出了一种基于VIO和Wi-Fi指纹技术的室内定位方法。该系统运用VIO和Wi-Fi指纹在系统层面的结合,利用Wi-Fi指纹的无漂移、成本低的特点和VIO在一定范围内的高精确度，先进行Wi-Fi指纹粗定位，后进行VIO精定位，将大面积切割成小面积从而有效提高系统室内定位精确度，降低误差。该系统能在精定位的同时进行对指纹数据库的更新。实验结果表明,该系统的定位误差小于单独使用VIO或Wi-Fi指纹的系统,平均误差达0.15 m，能够有效提高定位精度。