基于RTB的线控底盘地图构建与同时定位方法
文献发布时间:2023-06-19 09:23:00
技术领域
本发明涉及基于RTB的线控底盘地图构建与同时定位方法技术领域,具体为基于RTB的线控底盘地图构建与同时定位方法。
背景技术
能估计机器人实际位置的常用方法,称之为定位。今天,我们可以十分容易地用GPS实现室外环境的定位,然而GPS因为完全依赖卫星发送的微弱无线电信号而证明不是完美的定位传感器。这也意味着GPS不能在无线电信号无法到达的环境中工作,例如在地下、水下、室内,甚至在深挖的矿坑里,或在城市街道峡谷中。而且,GPS信号极其微弱,很容易拥塞,这成为了机器人定位和导航的一项难题,现今机器人定位导航的基础是航迹推算和路标特征物,航迹推算,它是以预测方向、预测速度以及预测时间,还包括上个位置为基础,并对下个位置实施估计,在这种递归式推算过程中,每一次估计都要基于上一个位置的信息,这就会产生误差积累。地标是指环境中的一个可见特征,其位置在参考坐标系中已知,用地标来确定所在位置的过程完全依赖于对被观察地标与地图上对应特征的正确匹配,机器人运动时,对自己行驶过的距离很难准确估计,而且它可能也没有地图,或者仅有不准确,又或是不完善的地图,即使通过特征路标来获取信息,这样可以帮助减小定位误差,但信息数据错误匹配的可能性仍然存在,因此,设计实用性强和不确定性一直减小且最为稳定的基于RTB的线控底盘地图构建与同时定位方法是很有必要的。
发明内容
本发明的目的在于提供基于RTB的线控底盘地图构建与同时定位方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于RTB的线控底盘地图构建与同时定位方法,包括第一步,写出一个离散时间模型,航向的变化量用δ
根据上述技术方案,第二步,先沿x方向驶过δ
根据上述技术方案,第三步,分别在δ
所需要的函数f(·)为x
根据上述技术方案,第四步,k为表示时间次序的号码,δ
根据上述技术方案,第五步,里程计的噪声模型可以建立成:
v=(v
该方程表示了一个过程,此过程是位形状态与协方差随时间的变化量,在时间k+1时,
根据上述技术方案,第六步,用一张包含N个固定路标的地图,路标的位置已知但是随意放置,z=h(x
根据上述技术方案,第七步,机器人观测方程线性化
可以用新息来更新之前用方程得到的预计状态:
根据上述技术方案,第八步,通过创建N个粒子x
x
根据上述技术方案,第九步,对地图上坐标为x
根据上述技术方案,第十步,选择能够最好解释观察信息的粒子,这个过程被称为重采样,按照它们的权重随机选择粒子,若给定N个粒子x
与现有技术相比,本发明所达到的有益效果是:不确定性一直减小且最为稳定,本发明,
(1)加入噪声来建立里程计误差的模型,应用卡尔曼滤波器通过线性模型来近似机器人位形随时间变化的非线性模型,估计真实位形以及与位形估计相关的不确定性,粒子滤波器技术需要大量计算,但可以研究非线性模型并支持多种假设;
(2)航迹推算的误差会时间推移而积累,导致机器人位姿的不确定性增加,定位精度较差,而使用地标即观察地图上位置已知特征物的定位精度较航迹推算有了较大提升,但还是不够稳定,最后的蒙特卡罗定位需要大量计算,但是解决卡尔曼滤波对于非线性环境的定位误差大的缺点,要求低、支持多种假设,最重要的是不确定性一直减小且最为稳定。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的整体规划方法流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:基于RTB的线控底盘地图构建与同时定位方法,包括第一步,写出一个离散时间模型,航向的变化量用
δ
第二步,先沿x方向驶过δ
第三步,分别在δ
所需要的函数f(·)为x
第四步,k为表示时间次序的号码,δ
第五步,里程计的噪声模型可以建立成:v=(v
它对于位置估计
该方程表示了一个过程,此过程是位形状态与协方差随时间的变化量,在时间k+1时,
第六步,用一张包含N个固定路标的地图,路标的位置已知但是随意放置,z=h(x
第七步,机器人观测方程线性化
可以用新息来更新之前用方程得到的预计状态:
第八步,通过创建N个粒子x
第九步,对地图上坐标为x
w=exp(-0.5v
第十步,选择能够最好解释观察信息的粒子,这个过程被称为重采样,按照它们的权重随机选择粒子,若给定N个粒子x
实施例:
a.航迹推算,航迹推算是在前一位置基础上,根据预计的速度、方向和运行时间来估计机器人下一位置的方法,是基于行驶里程和航向角变化两种信息的融合;
b.机器人建模,写出一个可以描述位形随时间变化的函数f(·)是机器人位置估计的首要起步;
c.位姿估计,可以用卡尔曼滤波器来最佳估计已知前位姿以及里程计的噪声后的新位姿;
d.使用地图,通过观察周围环境中已知特征物来引入新信息来解决位置不确定性无限增长的问题;
e.定位并制图,确定位置同时创建一张地图,这个问题被称为同步定位与测绘(SLAM)或并行测绘与定位(CML);
f.仿真结果分析,建立好数学模型之后,就可以利用MATLAB中的机器人工具箱创建对象赋值进行仿真实验,分别对上一章所述的定位方法模拟仿真并重点研究其不确定性;
g.航迹推算,采用EKF的航迹推算,改变协方差矩阵值大小就可改变不确定性增加的速率,但无论怎么改变,不确定性从不会减少,而总没有约束地增加;
h.使用地图,通过额外信息资源即使用与机器人相关且位置已知的地标观测信息,同时使用滤波器的预测及更新步骤;
i.定位并制图,综合所有方法来估计机器人与地标位置以及它们的不确定性,同时定位并制图;
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
- 基于RTB的线控底盘地图构建与同时定位方法
- 一种室内地图构建方法及基于室内地图的室内定位方法