无里程计移动机器人多传感器融合定位算法北大核心

为解决无里程计移动机器人室内定位问题,提出一种不依赖里程计数据的多传感器融合定位算法。首先,使用RF2O算法从激光雷达信息中获取移动机器人的运动数据;其次,使用扩展卡尔曼滤波融合IMU数据和RF2O算法计算的数据得到初步的定位数据;最后,使用自适应蒙特卡洛定位算法对定位数据进行修正,解决误差累计问题,得到精确的定位结果。结果表明,本文提出的定位算法可以有效降低测量误差、缩短算法运行时间,具有定位精度高且计算量小的优点,可以满足无里程计的移动机器人的定位需求。     

基于多传感器融合的室内机器人定位研究

为提升室内移动机器人的定位精度,提出了一种基于多传感器的紧耦合的融合定位方法。依据室内的特定环境,选择更加适合移动机器人使用的传感器;根据不同种类传感器的自身特点,来选择更加适合的融合方式;将IMU和机器人轮式里程计提供的机器人位姿信息,通过扩展卡尔曼滤波(EKF)进行融合,组成初级滤波器,从而获得初级的机器人位姿;然后,将融合之后得到的位姿作为初始值传递给由激光雷达和轮式里程计组成的次级滤波器,通过次级滤波器来得到更加精确的机器人位姿信息。经过试验证明该组合滤波算法拥有更高的定位精度。     

基于单目稀疏法多传感器融合移动机器人定位

针对移动机器人室内定位过程中,单目视觉难适应光照变化、里程计累计误差导致定位误差较大问题,提出边缘侧多传感器融合的定位方法.以稀疏直接法(半直接法)作为单目视觉的前端,实时单目相机估计位姿,通过惯性传感器恢复尺度输出位置信息,并且获取IMU的加速度以及偏航角、里程计当前速度,通过扩展卡尔曼滤波算法融合3种传感器信息,实现更加精确的定位.在移动机器人侧处理传感器读取的信息,从而减小机器人体积.边缘侧混合式多传感器信息融合使移动机器人在单个传感器失效以及无法人为干预时,也能够精确实时地在多种复杂环境中完成自主定位.     

基于多传感器信息融合移动机器人导航定位研究

移动机器人的导航及定位是机器人自主导航的关键技术之一。为提高移动机器人的导航及定位能力,提出以多种导航定位传感器组合为融合单元,设计扩展卡尔曼滤波算法,将陀螺仪、里程计和电子罗盘采集的数据进行融合。设计模糊神经网络对所融合的数据进行训练处理,提高数据处理的精度和效率,实现对移动机器人精确的控制。并进行了仿真分析,结果证明：所提出的多传感器信息融合算法既可使移动机器人在复杂环境中自主定位,又实现有效避障,有实际参考价值。     

基于多传感器融合的移动机器人定位研究

针对室内未知环境下单一传感器定位累积误差大、受环境局限等缺点,设计一种多传感器非线性融合定位系统,以提高移动机器人自主导航的定位精度。该系统通过高斯牛顿方程对由激光雷达、惯性测量单元、轮式里程计测量得到的位姿信息进行融合优化,补偿由于在室内环境信息下单一传感器定位精度低所带来的定位误差。实验结果表明:应用多传感器融合定位系统的移动机器人在长6 m、宽3 m的室内面对曲折复杂的路径和各种噪声干扰时运行总路程12.8 m后,可以将定位误差稳定在0.106 3 m内,并将平均相对误差稳定在0.716%左右。与现有方法对比,使用该方法提高了室内移动机器人定位的精度和鲁棒性。     

基于ROS的惯性和视觉里程计的机器人室内定位

高精度定位是室内移动机器人的基础,针对视觉里程计在室内定位中存在的精度与累计误差的问题,提出基于ORB-SLAM2与IMU的VIORB-SLAM2视觉惯性组合定位方法,首先建立视觉里程计与机器人的坐标系联系。然后利用惯性传感器构建机器人运动预测模型,基于Kinect使用ORB-SLAM2输出视觉里程计作为机器人位姿更新,通过扩展卡尔曼滤波器对视觉里程计与IMU输出的位姿进行最优估计。设计了硬件和软件平台对提出的方法进行实验。实验表明该方法优于单独使用传统的轮式里程计与视觉里程计,有效提高了机器人移动过程中的定位精度,减少误差累积。     

基于卡尔曼滤波的UWB与里程计融合定位方法

针对轮式里程计误差随时间累积和UWB数据抖动以及非视距问题导致的粗大误差,提出一种基于卡尔曼滤波的数据融合方法,有望在单片机上实现长时高精度定位。该方法使用里程计对UWB数据进行非视距情况判断,然后使用卡尔曼滤波算法对里程计和UWB数据进行不同信赖度下的融合,再使用融合后的数据对里程计数据进行累计误差修正以提高系统长时间运行的精度和稳定性。仿真和实验结果表明:系统可以检测到UWB的视距状态,同时能对里程计数据进行修正,在具有非视距的环境下,融合后的数据较只用UWB数据的稳定性提高了90.5%,精度提高了59.2%,实现了长时间高精度可靠定位。     

基于EKF和Lyapunov函数的移动机器人轨迹跟踪控制(英文)

针对轮式移动机器人在实际运行中受环境因数影响的情况,采用扩展卡尔曼滤波(EKF)算法融合里程计与超声波的观测数据,对机器人的参考轨迹信息进行校正。在机器人动力学模型的基础上,运用Lyapunov直接法,构造具有全局渐近稳定的跟踪控制器,对机器人进行轨迹跟踪。根据Lyapunov稳定性定理证明了系统的全局稳定性。仿真结果表明,数据滤波与Lyapunov方法结合的跟踪控制器效果良好。     

三轮全向移动机器人里程计在线校正方法研究

传统里程计校正方法常使用离线校正手段,在地面环境发生改变的情况下,校正效果较差。为解决上述问题,提高机器人定位精度,以三轮全向移动机器人为平台,提出一种结构简单、鲁棒性强的在线里程计校正方法。该方法通过扩展卡尔曼滤波算法处理传感器数据,以得到机器人的实时位姿信息和速度信息,结合三轮全向移动平台的动力学模型,及时修正里程误差。在V-REP中设计仿真实验,实验结果表明:采用所提方法,校正后的里程精度有了极大改善,并克服了离线校正方法受地面环境影响的问题。在已有实际平台上验证了该算法的有效性。     

基于MEMS惯导系统的小口径油气管道中心线测绘技术

针对小口径管道内检测场景，提出了基于MEMS惯导系统的小口径油气管道中心线测绘技术，自研了基于捷联惯导平台的速度、位姿与位置解算算法。根据捷联惯导、轮式里程计的误差方程，使用卡尔曼滤波器对IMU输出信息进行补偿矫正，最后融合地表磁标记信息获得高精度的管道中心线位置信息。利用某内检测项目的实际检测数据进行算法效果验证，并对比了纯惯导方案与多传感器融合方案的效果。结果表明，提出的导航算法可以将检测精度控制在每公里1 m以内，改善了纯惯导测量的检测效果，满足工程应用对检测精度的要求。     

基于GPS与地图匹配的移动机器人定位方法

高精度的定位结果是移动机器人路径规划等各项任务的前提,全球卫星定位系统(GPS)能够在空旷区域得到移动机器人的全局定位坐标,但在无卫星信号环境下存在定位精度低或难以定位的问题。提出一种GPS与地图匹配的组合定位方法解决部分无卫星信号复杂环境中的定位问题。首先建立一种修正航迹推算误差的新运动模型,降低航迹推算的累计误差。其次,相对航迹推算定位方法,基于无损卡尔曼滤波算法将GPS与航迹推算融合的定位方法使移动机器人的定位精度提高了79.7%。最后引入地图匹配定位,并组合GPS与航迹推算融合的结果实现复杂环境中的准确定位。实验证明:基于GPS与地图匹配的组合定位方法能够解决移动机器人在复杂环境中的定位问题,同时相对传统GPS定位方法移动机器人的定位精度提高了43%。     

数据融合技术在移动机器人研究中的应用

移动机器人有着广泛的应用前景，是机器人研究中的热点之一。本文介绍了贝叶斯估计、Dempster-Shafer理论、卡尔曼滤波等机器人数据融合的方法及其在移动机器人开发中的应用，并分析了在移动机器人发展中具有代表意义的几个典型系统。     

基于预标定基坐标系及MIEKF算法的工业机器人标定方法

为了提高工业机器人的绝对定位精度和标定效率，提出一种基于预标定基坐标系及改进迭代扩展卡尔曼滤波(MIEKF)算法的运动学标定方法。该方法的优点在于用采集的位置数据进行基坐标系和工具坐标系预标定，节省两者拟合的时间。在建立位置误差模型时利用相关系数和复共线性分析去除模型的冗余参数。用MIEKF算法辨识模型的几何参数误差。通过实验对比验证，机器人经补偿后的绝对定位精度提高了88.07%。     

Estimation of the absolute camera pose for environment recognition of industrial robotics

The problem of estimating and predicting the absolute camera pose (the position and orientation of a camera with respect to the world coordinate system) is approached by fusion of measurements from inertial sensors (accelerometers and gyroscopes) and robot control system. The sensor fusion approach described in this paper is based on non-linear filtering of multi-rate extended Kalman filter. In this way, camera pose estimates, with improved accuracy and sampling rate as well as reduced computation complexity, are available. Experiments that an industrial robot moves the sensors (camera and inertial measurement unit) in an indoor-global positioning system (GPS)-based global referencing system are presented. The absolute camera pose, provided by indoor-GPS, allows for a performance evaluation. The experimental results confirm also the dynamics improvement of the estimated absolute camera pose.     

移动机器人定位技术研究

以两轮独立驱动的三轮机器人作为试验平台,用编码器和陀螺仪作为机器人的定位系统,建立机器人的运动学方程。采用卡尔曼滤波器对两种传感器的数据进行融合,再经加权最小二乘支持向量回归机算法对融合后的数据作回归运算,构造先验回归决策函数。运用回归决策函数提高陀螺仪输出角速率的准确度,获得机器人的位姿信息。     

动态场景下移动机器人视觉SLAM

为实现动态场景下移动机器人自主定位和建图,解决传统视觉里程计方法跟踪效果差及累积误差问题,提升闭环检测的准确性和鲁棒性,提出融合深度学习的同时定位与地图构建方法。采用四叉树算法均匀化特征分布,解决动态场景特征聚集问题;通过优化的目标检测网络识别场景动态语义信息,剔除动态物体对位姿估计的干扰;充分提取场景空间结构信息,结合点特征和线特征实现位姿跟踪及回环检测,构建全局一致的环境地图。TUM数据集和真实场景实验结果表明：改进方法提升了移动机器人定位和建图的准确性和鲁棒性。