冯刘中[1]2011年在《基于多传感器信息融合的移动机器人导航定位技术研究》文中研究表明导航定位技术作为移动机器人关键技术之一,是十分热门的研究课题。特别是未知环境中移动机器人导航定位已经成为移动机器人研究的一个新方向。移动机器人导航定位需要通过传感器来检测环境的信息,采用单传感器存在很大的局限性,采用多传感器来实现移动机器人定位是必然的。多传感器信息融合为移动机器人在各种复杂、动态、不确定或未知的环境中工作提供了一种有效的技术解决途径。本论文以多传感器信息融合技术作为研究重点,结合移动机器人导航定位理论和实践进行探讨,提出了以各种导航定位传感器组合为融合单元,以联合卡尔曼滤波器为融合结构的移动机器人导航定位方法。论文首先介绍了国内外移动机器人的发展状况、移动机器人的导航定位技术以及多传感器信息融合技术在移动机器人中的应用。然后详细分析了移动机器人导航定位的基本原理和常用的导航定位方法,并提出了移动机器人导航定位系统的一种新方法。论文对移动机器人导航定位的传感器和传感器系统进行了分析,重点研究了移动机器人导航定位传感器的信息融合方法,以联合卡尔曼滤波作为融合算法基础,设计了包括惯性导航系统、全球定位系统、里程计、电子罗盘和地图匹配系统在内的多传感器信息融合算法。论文最后设计制作了一个简化移动机器人系统,在“多传感器数据采集平台”上,进行了移动机器人多传感器信息融合实验和分析,验证了本文提出的技术方法和算法的有效性,可供移动机器人实际研制参考。
强敏利[2]2013年在《基于多传感器信息融合的移动机器人自定位算法研究》文中认为移动机器人导航是机器人领域研究的热点课题。在机器人导航技术中,自定位是机器人所具备的关键技术,因此提高机器人的定位精度具有很高的研究价值。近年来,多传感器信息融合技术在机器人领域有着广泛的应用前景,将多传感器信息融合技术与机器人自定位相结合,成为如今提高机器人定位性能的研究重点。本文主要研究基于多传感器信息融合的移动机器人自定位问题。首先系统的分析了多传感器信息融合的基本原理、融合层次和融合方法。然后针对机器人定位中的不确定性,选择基于贝叶斯理论的卡尔曼滤波融合算法。传统的扩展卡尔曼滤波算法在系统线性化时由于泰勒截断导致误差较大,影响机器人定位精度。为解决此问题,本文的从两方面提高机器人的定位精度。一方面对扩展卡尔曼滤波算法进行改进,改进算法在状态更新阶段多次迭代更新,能够减小线性化误差；另一方面,将改进算法融合里程计与激光雷达传感器信息,在有路标的环境中实现机器人定位。机器人通过里程计控制模型估计机器人的初步位姿,通过激光雷达传感器检测环境路标可以及时修正估计误差,提高定位精度。最后,根据机器人结构构建了机器人定位系统的数学模型,并对多信息融合的改进扩展卡尔曼算法进行了仿真实验。实验结果表明：改进后的扩展卡尔曼信息融合算法在有效性、鲁棒性、实时性以及精度方面能够改善机器人定位性能。
朱凤春[3]2007年在《移动机器人导航与环境建模问题研究》文中进行了进一步梳理本文以室内移动机器人开发应用为背景，对移动机器人在基于特征的室内环境中实现高性能的自主导航、环境建模和运动控制等问题进行了深入研究。首先对移动机器人主要传感器的模型及其不确定性进行讨论。重点分析了不同环境因素对激光测距的影响，完成了激光测距中距离和角度的方差分布计算，并依据误差传递公式给出激光测距不确定信息描述的具体形式；讨论了由里程计进行航位推算的局限性，通过对里程计误差的详细分析，提出了机器人位姿误差协方差矩阵的更新方程；针对视觉系统完成了CCD摄像机的标定工作，实现了视觉图像扭曲的有效校正。第二，在具有不确定信息的准结构化室内环境中，移动机器人要实现完全自主定位和全局环境地图的构建，首先要解决环境信息的特征提取与融合问题。针对环境中水平线段特征和激光测距数据的特性，采用两点确定直线方程、最小二乘拟合多点直线方程的两步处理方法。在视觉图像处理中，采用Sobel算子和非极大值抑制算法进行边缘像素的提取和细化，完成物体垂直边缘的有效提取。针对多传感器数据在特征层次的融合问题，采用将测距数据和图像数据统一到视觉坐标系下，再对已提取的垂直边缘线段的特征角与水平环境特征特征角进行匹配的处理方法，在应用中取得良好效果。第叁，移动机器人定位和地图创建所选用的方法与环境空间的表述方式是密切相关的。对基于先验地图的移动机器人定位问题，本文分别对EKF定位、组合概率模型全局定位和基于先验几何-拓扑混合地图定位这叁种主要方法进行了系统研究。位姿跟踪方法中，对于长距离的运动，必须借助外部传感信息来消除单纯利用推算航行法带来的累积误差。通过借助激光测距仪、CCD摄像机外部传感器信息，在将观测数据与环境模型相匹配后，利用EKF对位姿估计进行更新。对于已知环境模型下的机器人全局定位，要求保证鲁棒的定位性能和精确的位姿跟踪能力，这是实现室内环境中自主导航的关键。针对Markov方法和Kalman滤波器两种概率定位方法存在的不足，提出并实现了Markov-EKF组合概率定位方法，兼具了全局定位鲁棒性和位姿跟踪精确性。通过实验以及与Markov方法的定位误差比较，验证了定位方法的性能。基于几何-拓扑混合地图的移动机器人自主定位采取全局依据拓扑地图进行定位，而在拓扑节点间仍然依据局部几何地图进行EKF定位的混合定位方法。这样即便因为碰撞等意外情况造成机器人位姿跟踪的失败，仍然可在拓扑节点处基于绑定的高级特征完成EKF算法的重新初始化，确保整个定位过程的连续性和鲁棒性，而且实现了精确定位以便于完成具体工作任务。第四，未知环境下在线建模-SLAM(同时定位与环境建模)是移动机器人实现自主能力的又一重要问题，其关键在于计算复杂性和适用的环境。文中针对这一问题提出了集成几何方法和拓扑方法的分级混合建模方法，用来构造大规模的环境，生成全局拓扑结构和局部基于特征模型的混合等级式模型，减小了模型构造的计算复杂性，提高了整个环境模型的准确度。第五，研究了移动机器人的轨迹跟踪问题。首先针对Pioneer 2／DX移动机器人，推导了其运动学模型和跟踪模型。基于模糊控制方法实现了移动机器人的鲁棒轨迹跟踪，采用粒子群优化算法对积分-模糊控制器进行了优化，消除了系统的稳态误差，使系统不仅具有良好的动态特性，而且取得了满意的跟踪效果。最后，总结了本文所取得的研究成果，并指出了需要进一步研究的工作。
胡静[4]2012年在《六足减灾救援仿生机器人多传感器信息融合技术研究》文中研究指明近年来，多传感器信息融合技术是机器人研究领域的热点课题。它充分利用多个传感器资源及其观测信息，把多个传感器在空间或时间上的冗余或互补信息进行组合，产生更可靠、更精确的信息，为机器人提供准确的运动决策。多传感器信息融合技术结合了控制理论、人工智能、信号处理、概率统计的发展，为机器人在各种复杂的、不确定的环境中作业提供了一种技术解决途径。六足减灾救援仿生机器人多传感器信息融合技术的研究为机器人控制系统的实现提供重要的信息，也是提高机器人智能化的关键技术。（1）论文详细分析了国内外机器人多传感器信息融合技术的现状，介绍了我们研究的六足减灾救援仿生机器人，并给出了论文研究的主要内容。（2）深入研究了多传感器信息融合技术的基本理论，介绍了多传感器信息融合的定义和手段，探讨了信息融合的结构和层次。（3）在分析机器人避障的信息融合方法的基础上，着重对误差反传算法和遗传算法进行研究，并将二者结合用于六足减灾救援仿生机器人避障系统。根据作业要求，在避障系统中配置超声和红外传感器，建立了机器人实时避障神经模型，设置避障导师训练信号进行训练。在训练过程中容易陷入局部极小值，为此，我们将遗传算法引入神经网络中进行改进。利用计算机技术和MATLAB工具箱实现机器人避障仿真。（4）在实际情况中，机器人的运动模型和观测模型是非线性的，采用经典卡尔曼滤波解决机器人的定位存在缺陷。论文根据六足仿生机器人的运动模型、里程计模型、超声波观测模型及噪声分析，将扩展卡尔曼滤波算法应用于机器人定位系统中。仿真结果表明：扩展卡尔曼滤波方法可以解决位置更新间的误差，实现机器人准确定位。上述工作，为六足减灾救援仿生机器人控制系统研究奠定了技术基础。
庄严[5]2004年在《移动机器人基于多传感器数据融合的定位及地图创建研究》文中研究表明随着智能控制技术、计算机和网络技术以及仿生学、人工智能等学科的飞速发展,智能移动机器人技术的研究越来越受到国内外学者的重视。自主定位和地图创建是移动机器人智能导航和环境探索研究的基础,定位精度和所构建地图的准确性是其能否在实际环境中成功应用的前提。移动机器人的工作环境可分为室外环境和室内环境两种,本文主要针对非完整移动机器人在室内环境中的自主定位和地图创建两个核心问题进行研究。 本文的研究工作是基于装配有多种传感器的SmartROB-2自主移动机器人平台展开的。该移动机器人平台配备有可完成特定水平面360°测距的双激光测距仪,负责完成室内环境图像采集的单目视觉系统,全方位的碰撞传感器以及用于航位推算的内部里程计。多种传感器相互协助可以给移动机器人提供丰富的环境信息以实现自主定位和地图创建。 本文首先对移动机器人运动控制和主要传感器的模型及其不确定性进行讨论。重点分析了不同环境因素对激光测距的影响,完成了激光测距中距离和角度的方差分布计算,并依据误差传递公式给出激光测距不确定信息描述的具体形式;讨论了由里程计进行航位推算的局限性,通过对里程计误差的详细分析,提出了机器人位姿误差协方差矩阵的更新方程;针对视觉系统完成了CCD摄像机的标定工作,实现了视觉图像扭曲的有效校正。 在具有不确定信息的准结构化室内环境中,移动机器人要实现完全自主定位和全局环境地图的构建,首先要解决环境信息的特征提取与融合问题。针对环境中水平线段特征和激光测距数据的特性,提出基于改进角度直方图和加权最小二乘拟合的处理方法。在视觉图像处理中,本文先采用索贝尔算子和非最大抑制算法进行边缘像素的增强和细化,再使用多列像素直方图算法完成物体垂直边缘的有效提取。针对多传感器数据在特征层次的融合问题,本文提出将测距数据和图像数据统一到视觉坐标系下,再对已提取的垂直边缘线段的开角与水平环境特征开角进行匹配的处理方法,并在应用中取得良好效果。 移动机器人定位和地图创建所选用的方法与环境空间的表述方式是密切相关的。对基于先验地图的移动机器人定位问题,本文分别对扩展卡尔曼滤波定位、基于概率模型全局定位和基于先验几何—拓扑混合地图定位这叁种主要方法进行了系统研究。在基于实际机器人平台所开发的机器人远程监控软件辅助下,本文在走廊、办公室等室内准结构化环境中完成了一系列验证实验。针对移动机器人运动中定位所涉及的多传感器协调等关键技术问题,本文提出基于XO/2系统实时多任务调度机制的具体解决方案,并在实验中验证了有效性。为解决没有先验地图信息支持的移动机器人定位问题,本文提出了同时进行扩展卡尔曼滤波定位和构建具有不确定描述二维几何地图的具体算法,并在实际平台上实现了同时进行厘米级定位和实时创建、更新全局地图的功能。通过对实验结果和数据的进一步分析讨论,论证了所提方法的实用性、精确性和鲁棒性。
房波[6]2007年在《割草机器人多传感器融合与导航技术的研究》文中研究指明随着经济的发展，城市绿化进程逐渐加快，草坪业也得到了迅猛发展，每年对城市草坪、足球场、高尔夫球场等公共绿地进行修剪和维护作业需要消耗掉大量的人力、物力和时间。使用传统割草机对草坪进行修剪时，产生巨大的噪声和废气不仅污染环境，而且会对从业人员的身心健康产生严重影响，因此有必要研制一种自动割草机器人，用于实现草坪修剪作业的自动化，将人们从高重复、枯燥、劳累的割草作业中解放出来。本文首先对国外市场上现有的自动割草机器人进行了介绍和比较，在总结国外自动割草机器人现有成果的基础之上，根据智能割草机器人的特点和发展方向，着重指出了在自动割草机器人研制过程中需要解决的多传感器融合技术、导航定位技术、避障控制技术以及路径规划等关键技术。其次，本文介绍了多传感器融合技术及其在移动机器人中的应用，并依据割草机器人的设计要求、割草机器人具体的工作环境以及市场价格等因素，选取合适的传感器并搭建传感器系统。不同于室内移动机器人，割草机器人工作在户外非结构化环境中。在整个工作区域内，割草机器人使用传感器来监测自身状态并感知周围环境，为其实现定位、地图建模、导航以及避障等任务提供来自外界情况和自身状态的实时信息和依据。由于割草机器人工作环境的复杂性和不确定性，单一种类的传感器不能完成上述任务。因此，本文设计了一种用于割草机器人导航避障的多传感器系统，该系统集成了超声波传感器、红外线传感器、温度传感器、碰撞传感器、编码器以及电子罗盘。然后，本文设计了一种多超声波传感器构成的割草机器人避障探测系统，并采用模糊神经网络算法来实现多超声波传感器信息融合。应用多个信息的互补性和冗余性来获得信息源的本质特征和准确状态，以减少或消除超声波传感器的不确定性，有效地提高了超声波传感器的测量精度，正确地反映障碍物的距离信息，为割草机器人避障提供了实时、准确的控制决策。最后，本文提出了一种基于多传感器融合的割草机器人地图建立及定位的方法，确定了采用基于多个超声波传感器信息融合方法的导航策略。仿真结果表明，本文设计的多传感器系统、多传感器融合方法以及该方法在割草机器人地图建立以及导航定位中应用的可行性和有效性。
胡征峰[7]2003年在《基于多传感器信息融合的移动机器人导航定位研究》文中提出移动机器人自动导航和定位是机器人理论与应用研究中两个非常重要的问题，是实现机器人智能性的最重要的核心技术。它主要包括：环境信息获取与建模功能，障碍物识别功能以及实现自动导航的路径规划算法功能。本文首先在第一章介绍了移动机器人的发展与当前的研究状况，移动机器人导航定位系统的组成与原理，信息融合的概念、原理与层次结构。第二章：在简单介绍能力风暴机器人平台的组成和开发系统的基础上，对实验平台的通信系统进行了无线通讯扩展设计，并选择一种成熟而有效的通信协议——MODBUS协议，同时对机器人控制中用到的参数进行了初步规划，分配好各功能寄存器的地址。然后，在第叁章里说明了实验平台的传感器系统后，描述了基于多传感器信息的环境建模技术，在提出一种根据环境特征对环境信息分类的建模方法基础上，相应的建立了一种根据叁类环境信息分层栅格化的电子地图导航技术，还简述了多机交互与协作技术及其在环境建模中的应用。第四章：初步设计出基于多传感器信息的导航系统，根据第叁章说明的环境模型，按照移动机器人导航与定位的需要，从实用化的角度出发，详述了传感器系统对环境信息的采集和处理，分别阐述自定位中采用卡尔曼滤波器的信息融合技术，障碍检测与识别中应用证据理论法的融合技术，以及栅格化分层地图上的基于射线扩展的动态路径规划技术。第五章：针对叁、四章节的模型与方法进行了实物实验与仿真，通过分析实验结果，一方面验证相关理论与方法的有效性，同时提出在实验的过程中发现的一些问题及其出现的可能原因和一些解决办法，通过实践反馈出理论上的不足。最后总结整个硕士课题研究过程，指出后续同学需要进一步研究的问题与方向。
韩利华[8]2012年在《基于惯性导航和视觉传感器信息融合的移动机器人定位研究》文中研究表明移动机器人的定位是其实现自主导航的基础，也是移动机器人研究领域中备受瞩目、富有挑战性的重要研究课题。本文围绕已知环境下的移动机器人位姿跟踪问题进行了研究，将多传感器信息融合理论应用到基于惯性导航和机器人视觉传感器的组合定位系统中。具体研究如下：第一，研究移动机器人的惯性导航定位。在分析里程计和陀螺仪的工作原理的基础上，根据移动机器人的运动特点，建立了双轮差动移动机器人的运动模型，并用DKF算法对里程计和陀螺仪采集的移动机器人的量测信息进行融合。通过第五章仿真实验，比较了融合前后轨迹的偏差。第二，研究移动机器人的视觉定位。首先介绍了摄像机成像与四个坐标系之间的关系以及摄像机成像的原理和过程，建立了摄像机成像模型，并对摄像机的参数进行了标定，在此基础上，研究了移动机器人视觉定位系统的软、硬件结构和视觉系统的定位流程，提出了基于POSIT算法的移动机器人定位技术。第叁，研究了叁种基于多传感器信息的移动机器人定位算法，分别是基于EKF算法的移动机器人定位、混合定位算法以及加权和法定位算法。并分别用这叁种算法实现了惯性导航和视觉传感器信息融合的移动机器人定位。第四，通过MATLAB分别对单纯利用里程计的航迹推算定位和利用DKF融合里程计和陀螺仪信息后的推算定位、视觉定位、EKF定位、混合定位和加权和定位进行了仿真。并分别从位置误差和方向角误差两个方面对仿真结果进行了比较分析，研究发现，EKF定位误差较小，对仿真趋近目标的定位效果较好。
胡麟[9]2010年在《同质传感器信息融合的移动机器人定位研究》文中研究说明随着智能控制技术、计算机和网络技术以及仿生学、人工智能等学科的飞速发展,智能移动机器人技术的研究越来越受到国内外学者的重视,而自主定位是移动机器人智能导航和环境探索研究的基础,同时多种传感器相互协助可以给移动机器人提供丰富的环境信息以实现自主定位。本文的研究工作主要是针对移动机器人在已知环境中的自主定位算法和多传感器的信息融合理论这两个方面的研究展开的。主要工作如下:首先,介绍了移动机器人定位技术,阐述了移动机器人基于信息融合定位技术的研究意义及国内外发展现状。讨论了多传感器信息融合的结构及应用于移动机器人定位领域中的信息融合方法。其次,建立了移动机器人的运动学模型及传感器观测模型。利用里程计和激光测距仪两种常用同质传感器的融合模型,分析了粒子滤波器和基于此滤波器的定位方法,重点研究了卡尔曼滤波器和基于此滤波器的定位方法。比较了在室内环境中两种定位方法的优点和不足。最后,设计了基于多传感器信息融合的移动机器人定位实验,验证了扩展卡尔曼滤波器在移动机器人定位中的有效性。针对卡尔曼滤波器测量方差固定的缺点,提出了一种改进方法。实验表明,该方法具有较好的定位效果。
孟祥荔[10]2007年在《基于GPS定位的移动机器人导航系统的研究》文中研究表明移动机器人是机器人研究领域中的一个重要分支。机器人研究要实现的目标就是要开发在现实世界中能够完成工作任务的机器人。定位与导航技术在移动机器人系统研究中占有重要的地位。导航是移动机器人的基础,定位是导航的关键。先进的定位导航系统是移动机器人智能性的集中体现。全球定位系统(GPS)是精密的卫星导航定位系统。通过对国内外移动机器人定位导航系统的研究现状进行分析,本文提出基于GPS定位的移动机器人导航系统方案。旨在研究开发准确、可靠的导航系统,从而提高移动机器人的智能化水平。本文的主要研究工作如下:1.分析了国内外移动机器人研究现状及其定位导航技术的研究现状与发展趋势。简要介绍了本移动机器人实验平台,阐述了本课题的研究意义。2.详细阐述了GPS的系统组成、定位原理、差分校准技术以及误差来源与影响。分析了GPS数据格式,利用Windows API通信函数实现GPS与移动机器人上位机的串口通信和数据截取。3.建立基于GPS的移动机器人导航系统,利用GPS、方位传感器和地图图像相结合的方式,初步完成移动机器人导航任务。4.由于多传感器信息融合技术在移动机器人定位导航系统中的诸多优势,构建基于GPS的移动机器人多传感器定位系统。以多传感器数据自适应加权融合估计算法为理论基础,融合GPS、方位传感器和光码盘的数据信息,得出移动机器人的车体位置,从而提高了移动机器人的定位精度。5.简单分析了模糊神经网络技术的优点,建立基于模糊Kohonen网络的移动机器人避障控制算法。设计超声波传感器的数据信息与移动机器人速度的对应关系,同时对超声波传感器的检测信息进行了合理量化,通过仿真实验证明了该算法的有效性和可行性。
参考文献：
[1]. 基于多传感器信息融合的移动机器人导航定位技术研究[D]. 冯刘中. 西南交通大学. 2011
[2]. 基于多传感器信息融合的移动机器人自定位算法研究[D]. 强敏利. 西北大学. 2013
[3]. 移动机器人导航与环境建模问题研究[D]. 朱凤春. 山东科技大学. 2007
[4]. 六足减灾救援仿生机器人多传感器信息融合技术研究[D]. 胡静. 南京林业大学. 2012
[5]. 移动机器人基于多传感器数据融合的定位及地图创建研究[D]. 庄严. 大连理工大学. 2004
[6]. 割草机器人多传感器融合与导航技术的研究[D]. 房波. 大连理工大学. 2007
[7]. 基于多传感器信息融合的移动机器人导航定位研究[D]. 胡征峰. 兰州理工大学. 2003
[8]. 基于惯性导航和视觉传感器信息融合的移动机器人定位研究[D]. 韩利华. 长安大学. 2012
[9]. 同质传感器信息融合的移动机器人定位研究[D]. 胡麟. 武汉科技大学. 2010
[10]. 基于GPS定位的移动机器人导航系统的研究[D]. 孟祥荔. 天津理工大学. 2007
标签：自动化技术论文; 机器人论文; 信息融合论文; 移动机器人论文; 机器人传感器论文; 传感器技术论文; 定位误差论文; 仿真软件论文; 数据建模论文; 数据融合论文; 建模软件论文; 地图应用论文; 误差分析论文;