基于激光与UWB序列匹配的多机器人相对定位方法

技术领域

本发明涉及多机器人相对定位技术领域，特别是一种基于激光与UWB序列匹配的多机器人相对定位方法。

背景技术

近年来，机器人集群技术在工业、服务等领域发挥了重要作用。其中，定位一直是一个热门的研究话题，它为机器人提供实时的精确位置，是机器人导航、路径跟踪、多机协作的前提。机器人集群是指多个机器人组成的群体，是对单机器人系统的扩展，机器人间的协作能够完成复杂的任务。机器人定位可分为绝对定位与相对定位，绝对定位通常需要预先在环境中布置基站或借助GPS信号向机器人提供测量数据，计算机器人在全局坐标系中的位置，相对定位即利用传感器数据结合机器人运动对机器人间的相对位置进行估计。

多机器人定位通常依赖于GPS信号，或者通过交换彼此的传感器数据实现机器人间位姿估计，然而，目前很多场景并不支持GPS信号且机器人间通信受限，为机器人集群的应用带来了很大的挑战。UWB技术具有低功耗、高精度、穿透能力强等优势，在智能交通、物联网定位、室内定位导航等领域具有广阔的应用场景，二维激光雷达能够提供高精度测量，对光照变化具有较强的鲁棒性，得益于这些优势，二维激光雷达被广泛应用于高精度的机器人定位导航以及地图构建。在多传感器信息融合技术中，对来自不同传感器的数据进行处理，以减小噪声的影响，实现对环境的一致描述，融合二维激光雷达与UWB传感器能够在无GPS信号并且机器人间通信受限的环境中获得精确的测距信息，并且鲁棒的捕获机器人二维特征，多机器人系统通常分为集中式以及分布式两类，集中式方案依赖于中央机器人，一旦中央机器人出现故障，整个多机器人系统将陷入瘫痪，相较于集中式方案，分布式方案将任务分配给每个机器人，每个机器人相互独立，具有更好的鲁棒性以及可扩展性。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种基于激光与UWB序列匹配的多机器人相对定位方法，本发明解决了现有多机器人在无GPS信号以及机器人间通信受限条件下的相对定位问题。

为实现上述目的，本发明采用的技术方案是：一种基于激光与UWB序列匹配的多机器人相对定位方法，包括以下步骤：

步骤1、通过二维激光雷达和UWB传感器分别采集激光数据与UWB测距信息；

步骤2、对采集的二维激光数据进行中值滤波处理，利用带噪声的密度聚类算法将滤波后的激光数据划分为不同的聚类，基于聚类的几何特征，利用支持向量数据描述模型区分聚类中的机器人与障碍物；

步骤3、以相邻时刻聚类的欧式距离最小值作为关联条件，利用最近邻数据关联算法实现聚类的运动跟踪，通过计算激光与UWB测距序列的相似度实现机器人与相邻机器人间的相对定位。

作为本发明的进一步改进，所述步骤1具体如下：将二维激光雷达安装在机器人上对环境进行扫描得到激光数据；在每个机器人上搭载UWB传感器采集机器人与相邻机器人间的距离信息。

作为本发明的进一步改进，在步骤2中，对采集的二维激光数据进行中值滤波处理具体包括：

构建一个滑动窗口，该滑动窗口包含当前激光点周围的激光信息，首先将滑动窗口内所有激光点的横坐标进行排序，以排序后横坐标的中值作为当前激光点的横坐标，其次将滑动窗口内所有激光点的纵坐标进行排序，以排序后纵坐标的中值作为当前激光点的纵坐标。

作为本发明的进一步改进，在步骤2中，利用带噪声的密度聚类算法将滤波后的激光数据划分为不同的聚类具体如下：

带噪声的密度聚类算法通过给定邻域距离和邻域内最小点数作为聚类条件，获得二维激光点的聚类：

C

其中，

作为本发明的进一步改进，在步骤2中，聚类的几何特征的计算方法具体如下：

其中，

作为本发明的进一步改进，在步骤2中，所述支持向量数据描述模型用于实现目标样本与非目标样本的区分，其训练样本获得方法为：在机器人上安装二维激光雷达对环境进行扫描，通过标注获得对应为相邻机器人的激光数据，计算激光的几何特征并将其作为训练样本。

作为本发明的进一步改进，所述支持向量数据描述模型的分类方法具体如下：

在训练样本的特征空间中构造一个体积最小的超球体Θ作为分类边界，计算

作为本发明的进一步改进，在步骤3中，计算UWB测距序列与激光聚类序列的相似度，相似度最高的激光聚类即为携带该UWB机器人对应的聚类，根据UWB标签唯一确定相邻机器人，实现机器人与相邻机器人的相对定位。

作为本发明的进一步改进，在步骤3中，所述最近邻数据关联算法具体如下：

其中，

作为本发明的进一步改进，利用高斯相似度来衡量激光轨迹与UWB测距序列的相似度：

其中，sim(·)表示高斯相似度，exp(·)代表指数运算，w表示激光轨迹长度，

本发明所提出的方法基于分布式计算框架，每个机器人可以独立计算相邻机器人的相对位置，相较于集中式系统具有更好的鲁棒性以及可扩展性；同时机器人间不需要通信，仅通过计算UWB测距序列与机器人激光的相似度就能实现多机器人的相对定位。

本发明的有益效果是：

(1)本发明中UWB传感器能够获得机器人间精确的测距信息，通过在机器人上搭载UWB传感器，每个机器人能够获得与其他机器人的测距信息。

(2)本发明通过训练SVDD模型来区分激光聚类中的机器人与障碍物，SVDD模型具有强大的异常检测能力，同时对训练样本中的噪声和异常值具有一定的鲁棒性，能够很好的兼容高维数据，并且不需要对训练样本进行标记，这些优势使得SVDD模型更加便捷和灵活。

(3)本发明通过计算UWB测距序列与激光聚类序列的高斯相似度实现多机器人间相对定位，高斯相似度被广泛应用于图像处理、模式识别、聚类分析等领域，高斯相似度在数学上表示为一个连续函数，能够提供更细粒度的相似度度量，高斯相似度对于数据变化具有平滑的相应，从而减小了噪声对相似度计算的影响，同时高斯相似度对输入数据具有较强的适应能力。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例中聚类

图3为本发明实施例中多机器人相对定位示意图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例

在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：

UWB：一种使用1GHz以上频率带宽的无线载波通信技术。

DBSCAN：一种带噪声的密度聚类算法。

SVDD：支持向量数据描述，一种单值分类算法。

如图1所示，本发明提供了一种基于激光与UWB测距序列匹配的多机器人相对定位方法，包括以下步骤：

S1：通过二维激光雷达和UWB传感器分别采集激光数据与UWB测距信息；

S2：对采集的二维激光数据进行中值滤波处理，利用带噪声的密度聚类算法将滤波后的激光数据划分为不同的聚类，基于聚类的几何特征，利用支持向量数据描述模型区分聚类中的机器人与障碍物；

S3：以相邻时刻聚类的欧式距离最小值作为关联条件，利用最近邻数据关联算法实现聚类的运动跟踪，通过计算激光与UWB测距序列的相似度实现机器人与相邻机器人间的相对定位。

在本发明实施例中，通过二维激光雷达采集环境激光数据的方法为：将二维激光雷达安装在机器人上对环境进行扫描得到激光数据，通过UWB传感器采集机器人间距离的方法为：在每个机器人上搭载UWB传感器采集机器人与相邻机器人间的距离信息。

在本发明实施例中，步骤S2包括以下子步骤：

S21：对机器人采集的二维激光数据进行中值滤波处理；

S22：利用带噪声的密度聚类算法将滤波后的激光数据划分为不同的聚类；

S23：基于聚类的几何特征，利用SVDD模型区分聚类中的机器人与障碍物。

在本发明实施例中，步骤S21中对机器人采集的二维激光数据进行中值滤波处理：构建一个滑动窗口，该滑动窗口包含当前激光点周围的激光信息，首先将滑动窗口内所有激光点的横坐标进行排序，以排序后横坐标的中值作为当前激光点的横坐标，其次将滑动窗口内所有激光点的纵坐标进行排序，以排序后纵坐标的中值作为当前激光点的纵坐标。

在本发明实施例中，步骤S22中，带噪声的密度聚类算法通过给定邻域距离和邻域内最小点数作为聚类条件，获得二维激光点的聚类：

C

其中，

本发明实施例中，步骤S23中聚类的几何特征计算方法为：

其中，

在本发明实施例中，步骤S3包括以下子步骤：

S31：以相邻时刻聚类间位置的欧式距离最小值作为关联条件，利用最近邻数据关联算法实现聚类的运动追踪；

S32：计算UWB测距序列与激光聚类序列的相似度，相似度最高的激光聚类即为携带该UWB机器人对应的聚类，根据UWB标签唯一确定相邻机器人，实现机器人与相邻机器人的相对定位。

在本发明实施例中，如图1所示，步骤S31中最近邻数据关联算法为：

其中，

在本发明实施例中，步骤S32中利用利用高斯相似度来衡量激光轨迹与UWB测距序列的相似度：

其中，sim(·)表示高斯相似度，exp(·)代表指数运算，w表示激光轨迹长度，

本实施案例的工作原理及过程为：本实施案例涉及一种基于激光与UWB序列匹配的多机器人相对定位方法。通过二维激光雷达和UWB传感器分别采集激光数据与测距信息。

对采集到的二维激光数据进行中值滤波以获得平滑的激光数据，利用带噪声的密度聚类算法将激光数据划分为不同的聚类，基于聚类的几何特征，利用SVDD模型区分聚类中的机器人与障碍物，图2是聚类

以相邻时刻聚类的欧式距离最小值作为关联条件，利用最近邻数据关联算法实现聚类的运动跟踪，通过计算激光与UWB测距序列的相似度实现机器人与相邻机器人间的相对定位，图3是基于激光与UWB测距序列匹配的多机器人相对定位示意图

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。