[发明专利]一种实现机器人车载导航装置实测坐标校正与预测的方法

说明书

技术领域

本发明属于机器人导航领域，特别涉及一种实现机器人车载导航装置实测坐标校正与预测的方法。

背景技术

在移动机器人的室内应用领域，当移动机器人在室内复杂环境的运动时，不可避免会遇到各类由于机器人车载导航装置收到室内干扰而造成给移动机器人提供错误的机器人室内坐标，从而导致移动机器人发生走偏或走丢等问题。这个问题严重影响了移动机器人在复杂室内环境的安全运行。为解决这个问题，国内外专家致力于不断地提高机器人车载导航产品的可靠性和抗干扰能力，但是，现有技术中的抗干扰效果不佳，仍存在一定缺陷。

发明内容

本发明针对现有技术中存在的机器人导航过程中存在大量的干扰信号的问题，提出了一种新的导航方法，通过构建坐标预测模型，提前预测机器人坐标，从而避免机器人导航出现偏差或走丢的问题。

一种实现机器人车载导航装置实测坐标校正与预测的方法，包括以下步骤：

步骤1：利用导航装置所提供的机器人实时室内坐标值和历史机器人室内坐标，分别形成三维坐标轴上的三组坐标时间序列；

步骤2：利用坐标时间序列构建预测模型，然后使用预测模型获取下一时刻的机器人室内坐标，以机器人室内坐标预测值和实测值进行比较：

若两者误差超过误差设定值，则将机器人室内坐标预测值作为机器人下一时刻室内坐标，否则，将机器人室内坐标实测值作为机器人下一时刻室内坐标；

步骤3：将机器人下一时刻室内坐标存入坐标时间序列中，更新坐标时间序列，返回步骤2，实现机器人车载导航装置实测坐标的校正与预测，直到机器人停止运动。

因为机器人的连续坐标值数据是有潜在的数据特性规律的，即可用根据历史时刻数据预测出下一时刻的值。

所述步骤2中利用坐标时间序列构建预测模型包括三个坐标轴的预测模型，每个坐标轴上的预测模型的构建步骤相同，模型构建步骤以及使用预测模型获取下一时刻的机器人室内坐标具体过程如下：

步骤A：利用卡尔曼滤波算法对机器人的一坐标轴上的坐标时间序列进行滤波处理；

步骤B：利用混合分解策略对滤波后的坐标时间序列进行分解，获得分解坐标序列群；

步骤C：对分解坐标序列群分段采用卡尔曼滤波算法建立卡尔曼滤波预测模型；

步骤D：利用各段卡尔曼滤波预测模型获得的预测值进行求和处理，获得对应坐标轴上下一时刻的坐标预测值。

所述步骤B中利用混合分解策略对滤波后的坐标时间序列进行分解，具体过程如下：

首先，运用快速集成经验模式分解算法对滤波后的机器人坐标序列进行分解，获得机器人坐标序列群，即一次分解坐标序列群；

其次，利用增广迪基富勒检验模型对上述的机器人坐标序列群逐个进行平稳性检验，若存在坐标序列的ADF检验结果呈现为非平稳，则利用小波算法对ADF检验结果呈现非平稳的序列进行第二次分解，并将第二次分解后所获得的坐标序列群替代一次分解坐标序列群中对应的非平稳序列，获得最终用于预测计算的拟预测坐标序列群。

将坐标时间序列输入预测模型获得预测值后，依据预测值与实测值进行比较，判断是否需要用预测值取代错误的实测值，接着再更新预测模型，继续获取下一个预测值，如此往复更新。

本发明避开常规的抗干扰性思考，提出的一种巧妙解决干扰信号严重问题的新思维，利用机器人对导航设备/装备所提供的实时实测的室内坐标值进行正确性判断，对所提供的错误或有偏差的坐标值进行修正，那么机器人就不会出现上述的走偏和走丢等问题。也就是机器人自身具备对车载导航装置所测的错误坐标数据进行校正。要让机器人能够对当前的实测的室内坐标值进行有效的判断并修正，就要求机器人能够根据车载导航装置所提供的历史实测坐标值计算出所需的下一时刻的坐标值，即实现未来坐标值的超前一步预测功能。机器人有了下一时刻的预测坐标值，就可以用该值对下一时刻的实测坐标值来进行校正。

有益效果

本发明提供了一种实现机器人车载导航装置实测坐标校正与预测的方法，通过利用机器人对导航设备/装备所提供的实时实测的室内坐标值进行正确性判断，对所提供的错误或有偏差的坐标值进行修正；在预测下一个时刻的坐标过程中，采用快速集成经验模式分解算法、增广迪基富勒检验模型、卡尔曼滤波算法以及加权处理完成预测，使得预测精度得到保证的同时，大大的降低了预测的复杂性，并且克服了重复性差的问题，整个过程实现简单，本发明避开了常规的抗干扰性思考，采用的一种巧妙解决干扰信号严重问题的新思维，实现了准确的高实时性的机器人室内导航的预测。