基于自组织可增长映射的移动机器人仿生定位算法研究

为提高移动机器人在同步定位和地图构建(SLAM)中的定位精度,该文提出一种基于自组织可增长映射(GSOM)的仿生定位算法.该方法将位置细胞的激活特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建空间的拓扑地图,利用感知距离信息实现位置细胞的激活响应从而估计机器人位置,以此还原机器人的运行路径.实验结果表明...     

基于生物位置细胞放电机理的空间位置表征方法

为实现运行体智能自主定位,该文提出基于生物位置细胞放电机理的空间位置表征方法。首先建立运行体空间位置与运行体和不同路标之间距离的对应关系,以两种不同的空间覆盖方式构建位置细胞图,然后利用感知的距离信息激发位置细胞放电估计运行体位置,并分析了模型中各参数对空间位置表征和定位性能的影响。仿真结果表明,两种方法均能通过构建的位置细胞图实现空间位置表征和自主定位,但等间隔离散空间构建位置细胞图方法受距离间隔影响较大,而任意探索构建位置细胞图方法从生物自主感知空间位置的角度出发,通过选择合适的距离阈值和运动训练时间构建位置细胞图,能够更好地完成运行体空间位置表征并且定位精度也较高。     

基于兴趣倾向机制的仿生SLAM算法

该文针对同时定位与地图创建(SLAM)闭环检测算法易受复杂环境因素干扰,导致定位误差较大、闭环检测精度低等问题,受哺乳动物空间认知机理启发,提出一种基于兴趣倾向机制的仿生SLAM算法。采用反Hebbian网络(Lateral Anti-Hebbian Networkm, LAHN)对网格细胞进行建模,通过不规则复杂环境边界信息对网格细胞进行校正来提高算法定位精度。利用兴趣倾向机制对提取的显著性区域进行兴趣赋值,减小冗余显著性区域带来的影响,提高系统闭环准确率。将位置感知模型获取的位置信息与视觉感知模板相关联构建认知地图。在公开数据集及真实环境中进行测试,测试结果表明该文算法在构建认知地图的准确率、实时性以及对环境的适应能力具有优势。     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位。因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法。其中,滤波器的状态定义为机器人当前与历史时刻的位置序列。滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位)。利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束。最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果。实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证。实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度。与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70%～80%,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升。     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位.因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法.其中,滤波器的状态定义为机器人当前与历史时刻的位置序列.滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位).利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束.最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果.实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证.实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度.与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70％～80％,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升.     

基于Wi-Fi即时定位与映射像素模板匹配的室内运动地图构建与定位

传统指纹定位方法由于建库人力时间开销大、系统通用性不强约束着指纹定位系统的推广,为了解决该问题同时结合即时定位与映射(SLAM)技术的优势,该文提出一种新的Wi-Fi/微机电系统(MEMS)融合室内运动地图构建与定位方法。首先利用行人航迹推算(PDR)、最小描述长度(MDL)原则和基于密度的空间聚类算法(DBSCAN)对众包运动轨迹进行预处理,提出基于轨迹主路径的运动地图构建方法。之后提出基于像素模板的地图匹配方法获取地图的绝对位置,并采用抗差扩展卡尔曼滤波(EKF)对目标位置进行最优估计。实验结果表明,所提聚类方法可以准确构建各区域运动地图,在少量的人力时间开销下实现较高的定位精度。     

基于视觉物体识别的抗差岭估计定位算法

基于视觉物体识别的室内定位算法是一种新型的室内定位解决方案,算法通过物体检测、位置匹配、定位方程解算等步骤确定用户位置。然而,受到单目相机视域较小和物体检测算法精度较低的影响,根据检测物体测距信息而构成的定位方程存在严重的病态性,极大降低了算法的定位成功率和定位精度。因此,该文提出一种抗差岭估计定位解算算法,通过引入岭参数将无偏估计变为有偏估计,实现均方误差最小约束条件下的最优位置估计,并利用迭代选权降低了质量较差的观测量对定位精度的影响。实验结果表明,与OLS (Ordinary Least Square), LM (Levenberg-Marquardt)和RR (Ridge Regression)算法相比,该文提出的抗差岭估计定位解算算法能够有效提高基于视觉物体识别的室内定位方法的成功率和精度。     

基于相关性测序的TD-LTE分布式系统室内定位算法

在分时长期演进(TD-LTE)室内分布式网络中,不同位置上的信号差异性不明显,仅利用标定参考点不能实现准确位置估计。该文针对TD-LTE室内分布式网络下不同位置处的信号相似性问题,提出基于相关性测序的定位算法。首先,利用相邻位置的信号信息构建运动序列数据库。其次,通过相关性测序算法,得到在线接收信号参考强度(RSRP)序列与运动序列间的匹配度,确定备选定位序列集。然后,计算备选定位序列与在线RSRP序列间的相关系数及平均欧氏距离。最后,根据匹配度、相关系数及平均欧氏距离,选取最优备选定位序列,实现对目标的位置估计。实验结果表明,该文所提定位算法有效提高了室内分布式天线系统下的定位精度。     

基于自适应渐消记忆的蓝牙序列匹配定位算法

针对传统指纹定位算法建库耗时长和定位精度低的问题,该文提出一种基于自适应渐消记忆的蓝牙序列匹配定位算法。首先,利用行人航迹推算(PDR)和最近邻算法(NNA)对运动序列进行位置标定和接收信号强度(RSS)映射;然后,根据邻近位置的相关性,采用序列递归搜索算法构建指纹序列数据库;最后,通过自适应渐消记忆算法,并结合初始序列匹配度实现位置估计。实验结果表明,该算法在室内环境下能够获得较低的建库时间开销以及较高的定位精度。     

基于规划路径约束的机器人定位方法

路径规划是为机器人生成可行驶路径以实现循迹的过程。因此,机器人的位置应该位于或靠近规划的行驶路径。从而,路径规划可为机器人定位产生重要的约束。该文提出一种规划路径约束的位置概率图(PILPM)模型,该模型通过概率来表征机器人在整个地图范围内所处的位置的可能性。其中,模型中概率密度函数是通过核密度估计(KDE)方法从表征规划路径的所有数据点生成。在所提出的PI-LPM模型基础上,提出一种规划路径约束的机器人定位新算法(RL-PPC)来提高机器人定位精度。在该方法中,应用粒子滤波算法来融合所提出的PI-LPM模型和已有的传感器定位方法。融合过程中,从PI-LPM模型中计算得到的概率是分配粒子权重的一个重要因素。实验中分别利用仿真数据和真实数据对所提出的模型与算法进行验证。实验结果表明,所提RLPPC算法可有效融合PI-LPM模型与主流的定位系统(如GPS和LiDAR定位系统),并显著提高机器人定位的整体性能。     

基于时空混合图卷积网络的机器人定位误差预测及补偿方法

工业机器人作为智能制造的重要载体,在大范围复杂任务中具有巨大潜力。但是,定位精度低且难以控制的问题阻碍了机器人在高精度任务的进一步推广。为了提升机器人作业精度,该文提出一种基于时空混合图卷积网络的机器人定位误差预测及补偿方法。首先通过设计图关系编码模块、时空混合特征解码模块,构建基于图卷积网络的机器人位姿误差预测模型;然后,针对传统迭代补偿方法中机器人逆解次数多导致效率低的问题,该文将定位误差补偿问题转化为优化问题,并利用遗传算法同时对位置和姿态进行误差补偿;最后,通过拉丁超立方抽样方法获得训练集,实现机器人定位误差预测模型的训练,并通过实验验证了定位误差预测的准确性以及补偿的效果。     

基于双BP神经网络的室内可见光定位算法

为提高室内可见光定位的精度,提出了一种基于双反向传播(BP)神经网络的单发光二极管(LED)灯室内定位算法.首先在定位区域内使用BP神经网络确定待测目标粗略的位置范围,然后以该位置范围为限制条件,再次使用BP神经网络实现更精确的定位.室内定位系统采用单个LED灯作为发射器,3个水平光电探测器作为接收器接收光功率,避免了...     

基于NARX神经网络的组合导航系统设计

针对捷联组合导航系统在定位信号无法获取的情况下定位误差大和BP神经网络定位的波动问题提出了基于NARX神经网络的导航算法。该方法在输入端加入输出输入量的时间序列,在定位信号可以获取时间段内对神经网络进行训练,不可获取时使用NARX预测的数据对系统进行补偿,提高定位精度。实验结果表明在30s的失锁时间内NARX神经网络定位精度在3m以内,迭代次数小于15次且数据波动较小,可以准确的预测导航位置。     

一种新型VLC高精度混合定位算法的实现

为了实现移动机器人的高精度定位,研究了一种新型的可将光混合定位算法,并对该算法进行了理论分析和实验验证。首先,针对传统信号接收强度（RSS）定位算法与到达角度（AOA）定位算法的优缺点,改进了RSS算法,使其不再利用接收到的信号强度和距离的关系而改用接收到的信号强度和探测器旋转角度的关系,并综合以上两种算法分析得到一种混合定位算法模型。同时对混合型算法进行理论分析,主要从角度的测量方面,确定要达到的目标参数,进而可以达到理想的定位精度。然后通过实验验证该算法模型的实现可行性,主要从测量出的角度数据进行计算,并分析通过该实验数据计算出的定位精度是否达到定位精度目标。实验结果表明:定位精度为6.11 cm,高于10 cm定位目标。同时分别相对于其他两种定位算法,该算法定位精度高、成本低、可行性高。     

融合神经网络和指纹的可见光定位算法研究

针对人们对室内定位需求的不断提高,以及现有室内定位算法定位精度不高等问题,提出了一种融合神经网络和可见光指纹的室内高精度定位算法。该算法利用反向传播神经网络(BPNN)确定待测目标的粗略位置,并以其预测坐标和最大误差作为约束条件,进行指纹匹配以确定待测目标精确位置。仿真结果表明,该算法平均定位误差为1.5cm,具有一定的应用价值。     

一种超宽带与惯导融合的LSTM室内定位算法

针对复杂环境下的室内高精度定位需求,提出了一种超宽带和惯导融合定位方案.结合位置估计过程可被划分为时间序列预测问题的特点,提出了一种基于长短时记忆(Long Short Term Memory,LSTM)网络的联合定位算法,并对其总体架构设计、数据预处理方法、网络结构设计、模型训练方法进行了研究.在此基础上,通过仿真和...     

移动送料机器人地图构建与运动控制研究

移动机器人的地图构建与运动控制是智能移动机器人进行自主导航的基础。针对工业装配生产线的不同工位需要送料的需求,本文以一台轮式差速移动送料机器人为研究对象,利用激光雷达作为传感器,搭建一个装配生产线,设计、实现了基于ROS的移动送料机器人的地图构建与运动控制策略。利用slamgmapping算法包,实现了机器人在特定装配生产线环境下的同时定位与地图构建;在主程序代码中利用状态机的机制,实现了机器人到达指定工位的运动控制。实验结果表明,该算法和运动控制策略可以满足在所搭建的装配生产线中进行定位和运行。     

基于人体运动识别约束的室内定位方法

针对传统的行人航迹推算（Pedestrian Dead Reckoning,PDR）方法无法满足多运动状态下的定位问题,提出了一种基于神经网络运动识别辅助室内定位的方法。构建出卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元（Gated Recurrent Unit,GRU）组合的神经网络模型,用于识别人体的运动状态并完成分类。根据运动分类的结果应用到行人航迹推算中,分析和筛选运动参数特征作为算法的阈值约束条件来提高定位精度。在算法中运动步数由合加速度计数据波形检测得到,步长由运动状态的特征自适应调整步长模型。通过实验验证,CNN-GRU模型在自建数据集上的准确率达到99.6%。将识别结果应用到PDR中,在112 m 4种动作的矩形路线中定位误差为1.8 m,误差远低于传统PDR定位的19.9 m。实验结果验证了该方法的可行性。     

基于卷积神经网络的场景图像文本定位研究

针对由于自然场景的复杂性,从自然场景图像中提取出文本信息较困难的问题,文中提出了一种基于深度学习卷积神经网络的文本定位算法。通过对场景图像进行预处理得到候选文本区域,在此基础上结合深度学习中的卷积神经网络来自动提取文本特征进行进一步的定位。通过实验验证,定位的准确率可达86%,综合性能较好。