基于多传感器信息融合的移动机器人快速精确自定位

通过分析全向视觉、电子罗盘和里程计等传感器的感知模型,设计并实现了一种给定环境模型下移动机器人全局自定位算法.该算法利用蒙特卡罗粒子滤波,融合多个传感器在不同观测点获取的观测数据完成机器人自定位.与传统的、采用单一传感器自定位的方法相比,它把多个同质或异质传感器所提供的不完整测量及相关联数据库中的信息加以综合,降低单个...     

基于多传感器融合的机器人编队ADRC控制

针对移动机器人编队问题,设计了一种基于多传感器信息融合和自抗扰控制器的编队控制系统。首先,为提高机器人的定位精度,采用卡尔曼滤波算法对激光数据和里程计数据进行融合,以更加精确的获得移动机器人的坐标信息,并建立主从机器人轨迹跟踪误差模型。进而设计了自抗扰控制器,完成扩张状态观测器以及控制规律的设计,实现移动机器人的跟踪编队控制。最后,设计了编队控制实验平台,并在该平台上验证了所提出方法的有效性和优越性。     

多传感器信息融合在移动机器人定位中的应用

机器人自定位是实现自主导航的关键问题之一。为了满足机器人在导航时精确定位的要求,提出一种基于多传感器信息融合的自定位算法。根据对机器人运动机构的分析和运动机构间的刚体约束,建立起机器人的运动学模型;由传感器的工作原理建立里程计和超声波传感器的观测模型;利用扩展卡尔曼滤波(EKF)算法将里程计和超声波传感器采集的数据进行融合;最后,由匹配的环境特征对机器人的位置进行修正,得到精确的位置估计。实验结果表明:该算法明显地消除了里程计的累计误差,有效地提高了定位精度。     

一种基于分布式EKF的多机器人协同定位方法

研究多机器人编队的导航问题,针对多机器人传感器带来的噪声信号影响定位精度,为了提高系统定位精度,提出了一种基于分布式扩展卡尔曼滤波(DEKF)的多机器人协同定位方法.根据航位推算建立单机器人跟踪目标的定位模型后建立编队多机器人的协同定位模型,利用量测信息,通过扩展卡尔曼滤波(EKF)估计各编队机器人局部定位信息,将所得的局部估计值利用优化的融合规则进行处理,得到编队中各机器人的定位数据.通过对单机器人和编队多机器人协同定位进行仿真,结果表明,编队机器人能够利用协同定位方法进行实时定位,且具有更高的定位精度.     

移动机器人激光超声定位系统

本文提出了一种基于激光超声技术来实现移动机器人定位的方法。基于惯性导航系统的陀螺仪来提供机器人实时的方向和位置信息,新型的激光超声绝对定位系统消除机器人在惯性导航系统中方向和位置的累计误差。基于传感器、环境观测和机器人的运动建立了相应的模型,并以扩展卡尔曼滤波技术将多种传感器的信息进行融合,从而最终实现了移动机器人的精确定位。     

基于模糊自适应卡尔曼滤波的移动机器人定位方法*

针对移动机器人定位过程中噪声统计特性不确定的问题,提出一种模糊自适应扩展卡尔曼滤波定位方法。利用模糊理论和协方差匹配技术对扩展卡尔曼滤波算法中的观测噪声协方差R进行自适应调整,实现定位算法性能的在线改进;同时采用传感器故障诊断与修复算法来监测传感器的工作状态,提高定位算法的鲁棒性。将该方法用于观测噪声统计特性未知情况下的移动机器人定位。实验结果表明,该方法可以有效地降低观测噪声先验信息不确定的影响,提高机器人定位的精度。     

多传感器融合改进的机器人定位决策

在复杂的不确定环境里,采用单一传感器对机器人进行定位时精度较低,并且易受干扰,可靠性较差。针对这一问题在粒子滤波器移动机器人SLAM算法的基础上,利用多传感器融合对算法进行改进,将观测信息进行特征级融合,充分利用各种传感器采集的冗余信息,并将融合后的观测信息分别用来估计机器人路径和环境特征的后验概率分布。仿真试验表明,改进后的算法在SLAM定位精度及可靠性上都有较大的提高,证明了该种方法的可行性。     

基于多传感器融合的移动机器人定位算法研究

针对移动机器人在室外环境下全局位姿定位精度低、定位耗时长的问题,提出一种基于多传感器融合的机器人定位算法。首先构建移动机器人的运动模型,并选用里程计、惯性测量单元IMU和激光雷达作为移动机器人的基础传感器;然后采用自适应蒙特卡罗定位算法对传感器融合位姿进行位姿误差计算,获取移动机器人初始位姿;最后进行激光点云匹配,获取全局地图,并利用基于全局正态分布地图的NDT算法进行初始位姿修正,最终实现全局位姿校正和高精度定位。结果表明,基于多传感器融合的移动机器人定位误差控制在0.04 m范围内,定位时长均值为0.045 s,定位误差较小,定位损耗时间较少。由此说明,本定位算法可提升移动机器人的定位精度和定位效率,可实现移动机器人全局位姿快速、精确定位,提出的定位算法具备一定的有效性。     

无线传感器环境下粒子群优化的多机器人协同定位研究

协同定位是多机器人自主行为的一项重要技术,重点描述了无线传感器网络环境下结合粒子群优化提出多机器人协同定位算法。该算法引入重采样,解决了粒子耗尽问题,扩大了解空间的范围,保证了种群的多样性,并且引入了惯性权重解决了粒子退化的问题。仿真结果表明,利用无线传感器网络进行辅助导航,采用粒子群优化算法,综合无线传感器网络进行辅助导航,融合各个机器人观测信息,可以降低求解问题的空间维数,在高斯噪声下能有效提高移动机器人定位精度。     

移动机器人扩展卡尔曼滤波定位与传感器误差建模

针对里程计在定位过程中存在累积误差的问题,建立了一种通用的移动机器人里程计误差模型,对里程计误差进行实时反馈补偿.在利用激光雷达进行环境特征提取过程中,根据激光雷达原始数据存在的误差,建立了激光雷达的观测误差模型,并根据环境特征和机器人的相对位置关系,建立了移动机器人观测模型.最后,结合里程计和激光雷达误差模型,利用扩展卡尔曼滤波(EKF)实现了基于环境特征跟踪的移动机器人定位.实验结果验证了里程计和激光雷达误差模型的引入,在增加较短定位时间的情况下,可以有效地提高移动机器人的定位精度.     

基于多传感器融合的机器人障碍物检测和识别

该文研究了在移动机器人中基于神经网络的多种传感器信息融合技术。通过由CCD摄像机获得的彩色图像与超声波传感器组获得的距离作为辅助视觉系统实现整个视觉系统功能。移动机器人的障碍物检测和识别的可靠性与精度比在任何单一传感器所获得的信息都有很大的提高。     

基于信息融合的移动机器人侧向定位的研究

超声波传感器的入射角对输出有很大的影响,通过实验分析了入射角对输出的影响。采用引入误差补偿因子的方法,标定了传感器的测量模型,使得测量精度大大提高。在此基础上,基于多源信息融合设计了3种移动机器人侧向定位模型。经实验比较证实,引入误差补偿因子的融合模型定位精度高,可以使得距离误差控制在±2.4mm,姿态角误差控制在±0.32°以内。最后,将该融合模型应用于移动机器人的实际控制中,距离误差为±3.7mm、姿态角误差为±0.58°,满足移动机器人定位精度的要求。     

Self-localization and obstacle avoidance for a mobile robot

This article presents a fast self-localization method based on ZigBee wireless sensor network and laser sensor, an obstacle avoidance algorithm based on ultrasonic sensors for a mobile robot. The positioning system and positioning theory of ZigBee which can obtain a rough global localization of the mobile robot are introduced. To realize accurate local positioning, a laser sensor is used to extract the features from environment, then the environmental features and global reference map can be matched. From the matched environmental features, the position and orientation of the mobile robot can be obtained. To enable the mobile robot to avoid obstacle in real-time, a heuristic fuzzy neural network is developed by using heuristic fuzzy rules and the Kohonen clustering network. The experiment results show the effectiveness of the proposed method.     

AGV对周边环境的感知技术及其在卷烟企业应用

对周边环境信息如何准确地感知并获取是AGV机器人的关键技术之一,针对该主题进行了机器人对周边环境信息感知和获取技术的系统研究.采用基于高速CCD摄像机的视觉技术实现了AGV搬运机器人的自动导引.同时,对目前AGV搬运机器人不同的导引技术做了对比研究,分析了卷烟企业生产工艺的流程特点,研究了AGV搬运机器人在卷烟生产企业的具体应用模式及其流程.     

基于视觉和里程计信息融合的移动机器人自定位

受鸽子定向启发,将装备有全维视觉和里程计等传感器的自主移动机器人的自定位分为两种模式：全维视觉定位模式和里程计定位模式．机器人依据一定准则选择具体的主导定位模式：先试视觉定位,若视觉定位不可得或获得的视觉定位不可靠,则采用里程计定位．针对标记物信息失真问题,应用初步视觉定位结果反推标记物理论值,然后通过比较从原始图像中分离出的可能的标记物信息和反推出来的标记物信息理论值,滤除不可靠的视觉定位．针对运动过程中的机器人自定位,分析了影响定位准确性的信息时间延迟因素．     

基于多传感器数据融合的环境理解及障碍物检测算法

本文研究了移动机器人中基于Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理理论的多传感器数据融合技术．通过融合由ＣＣＤ彩色摄像机获取的２Ｄ彩色图像及由激光测距成像雷达获取的３Ｄ距离图像，移动机器人的环境理解及障碍物检测的可靠性与精度比在任何单一传感器所获得的信息的基础上有了很大的提高．文中探讨了移动机器人中视觉信息融合的许多具有较大难度的实际问题，取得了有意义的结果．     

一种适用于移动机器人的障碍物快速检测算法及其实现

针对传统的用于机器人检测障碍物的算法存在的不足,提出了一种基于视觉传感器与超声波传感器信息融合的快速障碍物检测算法.该算法通过位十机器人头部的超声波传感器获取机器人到障碍物(本算法采用矩形障碍物)的距离信息,通过改进型快速直线检测方法和约束条件确定障碍物在视觉传感器所采集的图像中的直线边缘,根据成像过程中-三角形相似的...     

神经网络的多传感器数据融合基于新算法在障碍物识别中的应用

本文提出了一种用于自主式移动机器人的障碍物类型识别的数据融合新方法，有两种不同的神经网络——小脑模型联接控制器（ＣＭＡＣ）和多层前向网分别对来自ＣＣＤ摄象机的二维图象和来自超声测距系统的距离信息进行数据融合，而这两种神经网络事先都用围绕障碍物采集的数据集进行过离线训练．为了验证该系统的有效性，我们构造了一系列的仿真实验．实验结果表明，一台个人计算机就能实时地识别出障碍物的类型．