[发明专利]用于生产车间移动机器人的多传感器融合定位方法

说明书

本发明公开了一种用于生产车间移动机器人的多传感器融合定位方法，首先建立模型，并根据实际需求建立移动机器人在生产车间内运动的数学描述；然后在生产车间存在各类干扰的环境中，移动机器人通过收集自身内部多种传感器的数据，使用动态加权的方法对多种传感器数据进行预处理，从而获得准确的自身运动状态的信息；基于自身运动状态信息，将AMCL与UKF算法结合，使用激光雷达数据与地图进行匹配，从而获得机器人在整个生产车间地图内的位姿信息。本发明解决了现有技术中存在的生产车间存在电磁干扰的环境下移动机器人定位失准的问题。

技术领域

本发明属于工业移动机器人技术领域，具体涉及一种用于生产车间移动机器人的多传感器融合定位方法。

背景技术

在生产车间中各类仪器设备的电机、传动机构等在生产过程中会产生不利于机器人定位的电磁环境，会极大地影响移动机器人的定位效果，而对移动机器人而言，精准的定位是后续一切工作的基础，因此，如何充分利用机器人个体中的传感器信息，将各传感器信息进行融合，对误差引入进行优化，降低定位偏差，提升系统鲁棒性和容错能力，是当前移动机器人系统的重点内容之一。

现有室内移动机器人定位技术主要依赖自身携带传感器进行增量计算获取，在局部帧中提供机器人状态和位移的信息，最广泛使用的增量定位技术有：轮式里程计、惯性测量单元(IMU)、视觉和激光里程计(VIO)等。然而，由于生产车间各区域地面材质的不同，导致轮子因摩擦力不足出现打滑的情况，产生里程计的漂移。惯性测量单元在短时间内的测量准确度较高，但随着时间的推移，温度漂移、电磁干扰等都将造成误差的产生；采用视觉里程计则存在对光线敏感、资源耗费大等弊端；激光里程计定位精度较高，但对于生产车间、教学楼、酒店等室内大空间或相似度较高的环境，可能产生帧间匹配失效的问题。因此，面对生产车间的复杂环境使用多传感器融合定位的混合滤波方法是业界主流的解决方案。

目前，基于融合滤波的主流算法可分为：扩展卡尔曼滤波算法(Extended KalmanFilter，EKF)、无迹卡尔曼滤波算法(Unscented Kalman Filter，UKF)、粒子滤波算法(Particle Filter，PF)等。

基于EKF的传感器融合方法在融合滤波领域已经有了广泛的应用。但对于EKF算法本身而言，其雅可比矩阵，对非线性系统的线性化采用一阶泰勒展开，忽略了高次项，对于强非线性系统以及要求系统精度高的环境中很难降低系统误差。

为了解决EKF算法的缺点，早于1997年，JULIEAR和UHKMANN便提出了无迹卡尔曼滤波算法(UKF)。该方法可以适用于更多的场合，并且提高了系统的精度，减少了误差。但是EKF、UKF滤波器的最大缺点是无法解决传感器数据发生突然跳变时导致整体定位精度下降的问题。

PF算法是一种基于蒙特卡罗思想的非线性非高斯状态估计滤波方法，为了获得准确的定位结果，早期阶段需要大量的粒子来估计位置，增加了计算量，随时间推移，粒子趋于稳定时会产生粒子退化，鲁棒性较弱。Robin等采用自适应蒙特卡罗定位(AMCL)算法，通过KL距离算法自适应调整粒子数量，解决PF算法资源消耗过大以及粒子退化问题。AMCL算法相比于卡尔曼滤波算法不会因某一时刻数据的错误导致定位失败。但该算法只能使用单一雷达数据来源，在相似度高的生产车间环境中会出现匹配失败的情况。

综上，不同应用场景中的移动机器人定位算法以及相应的融合滤波算法虽然有了一定成果积累，但是对于生产车间中存在的个体机器人定位问题，并没有一个系统的解决方案。因此，本发明了提出一种基于自适应蒙特卡罗定位法和无迹卡尔曼滤波定位法(AMCL-UKF)的混合滤波方法。

发明内容

本发明的目的是提供一种用于生产车间移动机器人的多传感器融合定位方法，解决了现有技术中存在的生产车间存在电磁干扰的环境下移动机器人定位失准的问题。

本发明所采用的技术方案是，用于生产车间移动机器人的多传感器融合定位方法，具体按照以下步骤实施：