申请/专利权人：高斯机器人(深圳)有限公司

申请日：2022-03-25

公开（公告）日：2024-07-05

公开（公告）号：CN114608572B

主分类号：G01C21/16

分类号：G01C21/16;G01C21/20

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.06.28#实质审查的生效;2022.06.10#公开

摘要：本发明公开了一种使用UWB与IMU结合实现AGV室内定位的方法，包括在AGV小车上布置IMU传感器，在室内定位运用场景中，布置UWB传感器；假设目标在室内二维平面内做均加速直线运动，定义在k时刻系统的状态向量；根据均加速直线运动方程建立系统状态方程；本发明根据UMB和IMU定位的优缺点，采用UWB与IMU相结合的方式来提高定位精度，基于扩展卡尔曼滤波的IMU和UWB的信息融合的高精度定位系统，使系统具有很强的鲁棒性和稳健性。

主权项：1.一种UWB定位精度提升办法，其特征在于，包括以下步骤：S1、构建UWB测距判别模型，获得锚点数和移动目标的距离；S2、构建随机森林算法，预测S1所建立判别模型的性能好坏与精度要求；S3、构建UWBIMU的联合定位算法，通过IMU进行机器人轨迹推算；其中，基于UWBIMU的联合定位算法，包括以下步骤：1设k时刻行人与UWB的第ii＝1,2,...,N个基站间距离的真实距离为： 上式中，xi,yi为第i个基站坐标，i＝1，2，…，N；pk,x,pk,y为k时刻行人位置理论值；2k时刻通过IMU解算得到的定位值为pk,x,x,IMU,pk,y,IMU，利用该结果即计算得到行人与第i个基站的距离：进行一节泰勒展开： 上式中，k时刻行人与第i个基站间距离的真实距离，是使用精度高的UWB测距值作为参考，它们的关系如下所示：di,k,UWB＝di,k+ε3上式中，ε为测量噪声；3IMU的定位误差表示为： 融合公式3、公式4，得到： 上式即为基于第i个基站的观测向量，进而得到紧组合观测向量的完整表达式： 其中，nK为系统的测量噪声矩阵，hXk的第i项hiXk的值为： 将观测方程线性化之后，得到观测矩阵，如下式所示： S4、构建基于IMU的PDR定位算法，融合S3中IMU推算的机器人轨迹信息；IUB推测得到预测距离，根据距离公式计算预测位置与锚节点之间的距离，将UWB距离测量值与IUB的计算公式所获得的距离测量值做差来获得误差估计值；其中，基于IMU的PDR定位算法，包括以下步骤：1基于UWB定位初始坐标；2步长估计：采用Weinberg非线性估计模型，公式如下： 上式中，L2为步长，K1为常数，amax和amin分别表示行走过程中的最大加速度值和最小加速度值；步长与平均加速度的关系，公式如下： 上式中，L3表示步长，K3为系数，ai为第i个采样点的三轴加速度幅值，N为采样数；S5、通过卡尔曼滤波融合IUB和UWB系统的定位结果；其中，卡尔曼滤波融合IUB和UWB系统的定位结果，包括以下步骤：设状态变量n维，k时刻的状态为Xk；k时刻的m维测量量Zk，则：状态方程为：xk＝φk-1xk-1+Γk-1wk-111测量方程为：zk＝Hkxk+Vk12其中，φk-1为状态转移矩阵；Γk-1为状态噪声系数矩阵；wk-1为状态噪声；Hk测量矩阵；Vk为测量噪声，为零期望白噪声；根据匀加速运动模型有： 上式中，sk为移动目标的一维位置信息，为移动目标的速度，根据卡尔曼滤波远离得如下方程组： 由于系统采样频率高，在一个采样周期内近似认为移动目标做匀速运动，因此上述公式改写为： 考虑到二维情形下的状态模型包含水平方向和垂直方向的位置和速度，因此将状态方程定义为： 上式中，xk、分别为x方向的位置和速度，yk、分别为y方向的位置和速度；则系统方程表示为： 相应的测量误差方程和状态方程分别为： 上式中，Vk和Vx分别为观测量Lk和状态预测量Xk的残差向量；S6、获得S5的定位结果后，重新计算更新后的NLOS误差值对距离更新，再次获得最小二乘的估计位置更新偏航角，卡尔曼滤波融合两个系统的结果，反复执行如上结果便获得好的定位结果。

全文数据：

权利要求：

百度查询： 高斯机器人(深圳)有限公司 一种使用UWB与IMU结合实现AGV室内定位的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD