文摘

Mecanum自动引导车辆(AGV),它可以在任何方向移动通过使用一个特殊的车轮结构LIM-wheel和对角定位辊、前景可观的工业领域的电子产品。传统方法Mecanum自主移动小车定位有一定的局限性,如滑移现象,因为有变化的道路和地面摩擦的表面。因此,精确定位是一个非常重要的问题不可避免的滑移现象的情况。传感器融合技术是开发应对这个缺点使用卡尔曼滤波器。编码器和占星师用于传感器融合。占星师是一个图像识别装置的位置传感器,总是产生一些错误由于图像识别设备的局限性。随着时间的推移编码器也错误积累。另一方面,没有错误。在这项研究中,我们开发了一个Mecanum AGV原型系统,通过仿真,我们可以消除每个传感器的缺点。我们获得了较为成熟的麦克纳姆全方位自主移动小车的精确定位在滑移现象的情况下使用卡尔曼滤波器通过传感器融合。

1。介绍

Mecanum AGV自动导向车(AGV),这是安装roller-attached的较为成熟的麦克纳姆全方位轮的轴旋转45°角,可以在任何方向移动。较为成熟的麦克纳姆全方位自主移动小车的使用这种特殊的轮结构,可以轻松地在一个狭小的空间,避免障碍。因此,它可以在工厂自动化减少处理时间。Mecanum AGV要求自主导航系统在工厂自动化环境中运作。在这种自主导航系统,核心技术是室内定位。然而,Mecanum AGV的常规方法有一些局限性在本地化过程中,如滑移现象。由于特殊结构的辊是连接到轴旋转,Mecanum AGV经常滑倒在路表面和地面摩擦的变化。传统方法如航迹推算方法积累了错误,因为不可避免的较为成熟的麦克纳姆全方位轮的滑移现象(1]。

激光导航系统已经用于AGV定位传感器。然而,传感器的价格非常昂贵,响应时间非常缓慢,所以激光系统在室内导航系统是不合适的2]。绝对定位的其他方法包括无线电频率识别(RFID) (3),这是一个使用红外线活动徽章系统开发的AT&T实验室(4基于超声学[],麻省理工学院的板球系统5),和基于超宽频Ubisense公司Ubitag [6]。然而,没有绝对的解决方案关于定位方法。移动机器人定位的传感器融合方法使用卡尔曼滤波器(7,8)和粒子滤波(9,10]。这些方法都是基于贝叶斯过滤器(11]。许多研究者研究了传感器融合技术为移动机器人定位使用两个或两个以上的传感器;例如,李等人使用激光和编码器12和Rigatos使用声纳和编码器13]。在这篇文章中,占星师定位传感器(HAGISONIC有限公司(14使用了)。如图1这个图像传感器分析红外线图像,反映从一个被动的具有里程碑意义的一个独立的ID。这种基于图像传感器的移动机器人的绝对位置传感的优势。然而,移动错误和出现意想不到的错误,因为具有里程碑意义的作品点出[15,16]。另一方面,使用编码器生成积累的错误定位方法,但没有移动错误或意想不到的错误。因此,我们得到了两种类型的传感器的优点互补使用卡尔曼滤波器传感器融合。同时,我们证明较为成熟的麦克纳姆全方位自主移动小车的精确定位在不可避免的情况模拟滑移现象。


图1
看星星的操作原则。

本文组织如下。节2,我们描述较为成熟的麦克纳姆全方位自主移动小车的运动学建模的分析。节3,我们描述了卡尔曼滤波器传感器融合算法和系统建模。节4使用MATLAB仿真,我们评估传感器融合算法。最后,我们的结论给出了部分5。

2。较为成熟的麦克纳姆全方位自主移动小车的运动学建模

Mecanum AGV的坐标显示作为一个较为成熟的麦克纳姆全方位轮” “在平面图如图形状2。每个坐标(Mecanum自主移动小车运动学进行了分析15]。


图2
Mecanum AGV的协调。

我们画的运动学建模Mecanum AGV本地化。在飞机上,较为成熟的麦克纳姆全方位自主移动小车的速度 能代表?较为成熟的线速度麦克纳姆全方位轮的 。也就是说,雅可比矩阵较为成熟的麦克纳姆全方位自主移动小车运动学模型的方程可以表示 。同时,反向逆雅可比矩阵方程可以表示 。

我们获得(1)代表矩阵方程 :

获得非对称矩阵的逆 中,我们使用一个伪逆矩阵 :

因此,雅可比矩阵方程 是由

每轮的线速度是角速度的乘积和车轮的半径。因此, ,在那里 半径和较为成熟的是麦克纳姆全方位轮的吗 车轮的角速度。这个方程可以表示为

现在, 是一个移动的坐标所以我们必须翻译参考坐标使用变换矩阵: 我们可以获得的位置通过集成这个速度参考坐标 。调用此方法航迹推算,传统的移动机器人定位系统通常使用这种方法。

3所示。卡尔曼滤波定位传感器融合算法

节中描述的航迹推算方法2不可避免的错误积累,因为是较为成熟的麦克纳姆全方位轮的机械结构和道路表面的变化。因此,这种方法可用于短距离但它不能用于长途和路径跟踪。一般来说,长途和路径跟踪使用传感器融合技术利用航迹推算和本地化的另一个传感器(16]。

卡尔曼滤波递归地运作在嘈杂的输入数据流产生统计最优估计潜在的系统状态。过滤器命名鲁道夫·鲁迪·e·卡尔曼,其理论的主要开发者之一(17]。卡尔曼滤波技术有许多应用程序。常见的应用包括指导和车辆的导航和控制,特别是飞机和宇宙飞船。

卡尔曼滤波算法包括四个过程,如图3。该算法包括预测和评估功能。


图3
卡尔曼滤波算法。

(1)评估。如图,这是第一步3。输入值使用前评估价值 和协方差 ,最后计算评估值 。这些值将用于预测步骤。

(2)预测。这涉及到第二、第三和第四步骤如图3。这些步骤的最终价值是一个估计值 和协方差 。输入值使用估算值 结果和测量值的估算步骤 。

这里的协方差 是标准,也就是说,实际价值和卡尔曼滤波器的估计价值的区别:

这意味着变量 的意思是正态分布,平均价值 和协方差 。卡尔曼滤波算法估计价值使用概率分布的估计价值选择 这成为了最大概率值。

图4显示了一个卡尔曼滤波器传感器fusion-based编码器和占星师Mecanum自主移动小车定位系统模型的编码器和观测模型是看星星的人。


图4
卡尔曼滤波器传感器融合图。

卡尔曼滤波器的离散系统建模和观察建模基于雅可比矩阵方程(3)较为成熟的麦克纳姆全方位自主移动小车的运动学建模的描述如下。

(我)ENCODER-Based系统建模。考虑 在哪里 是控制输入 角速度测量的编码器。的 是移动的坐标。所以,使用变换矩阵,一个变换的参考坐标系统:

(2)StarGazer-Based观察建模。观察模型是占星师传感器位置的值 。观察模型是由包括干扰 : 实验值 测量噪声的占星师吗 。后 是一个正态分布值,中值是0,标准差是0.1。

系统模型和观测模型使用卡尔曼滤波器传感器融合,占星师的地位获得的测量值(8)代表了系统模型。因此,卡尔曼滤波器传感器融合试图消除看星星的位置偏差编码器系统模型使用卡尔曼滤波算法。

4所示。实验和仿真结果

4.1。Mecanum AGV定位系统原型

图5显示我们本地化的较为成熟的麦克纳姆全方位自主移动小车的原型。MyRIO(镍有限公司)是用于传感器数据采集。我们开发了一个代码,允许编码器和占星师传感器数据使用虚拟仪器。


图5
Mecanum AGV的原型。

的底盘,轮胎,和运动如表所示1。和较为成熟的麦克纳姆全方位轮辊由铝和合成橡胶,齿轮比是64:1。两个MAI-2MT-DC司机被用作驱动汽车。光学编码器分辨率12 CPR(每革命计数)。天文学家获得位置使用MyRIO RS232每秒十次的数据。

表1
Mecanum AGV的规范。
4.2。本地化的编码器

定位实验使用编码器由Mecanum AGV驱动宽度和高度2米平方路径,然后整合的速度参考坐标 o (5)。图6显示本地化的编码器误差积累,因为集成错误和滑移现象。然而,编码器的优点是不存在死区,并且没有错误。


图6
Mecanum AGV本地化进行编码器。
4.3。本地化的占星师

在这种定位实验中,四个里程碑式的id被安排在一个方形布局如图7。1.8每个里程碑式的空间,每一个具有里程碑意义的可以2米范围内的测量数据。天文学家发现一个具有里程碑意义的另一个里程碑。然后,位置值计算每个里程碑的相对坐标。


图7
具有里程碑意义的ID的占星师。

图8显示位置计算的数据看星星的人。Mecanum AGV开车2 m广场空间路径。总共30实验,和四个实验情况如图8。移动平均误差小于10厘米。如图8意想不到的大错误发生位置。这是由于占星师之间的重叠区域,可以迷惑一个里程碑式的,另一个。在实验平均意想不到的大位置错误发生30的1.4倍。这些大位置错误造成无味自主移动小车的移动。因为这些错误,误解的AGV导致错误的路径。所以,这些术语必须删除为了遵循正确的路径。看星星的人,编码器相比,可以计算移动机器人与累积误差的绝对值。


图8
Mecanum AGV本地化进行看星星的人。
4.4。卡尔曼滤波器传感器融合仿真结果

较为成熟的麦克纳姆全方位自主移动小车的在这个实验中,将一个正方形路径(宽2米,高2米)在一个区域的尺寸4米×4米。测量值通过编码器和占星师在MATLAB仿真。然后,从编码器定位价值通过集成(7从占星师),本地化的价值,和卡尔曼滤波器传感器融合值比较。

如图9,绿线代表了本地化值由编码器和蓝线代表占星师的定位价值。红色的线条代表的卡尔曼滤波器传感器融合定位价值。传感器融合编码器可以删除积累误差和位置误差大的里程碑式的作品点出问题。这些结果意味着定位错误的占星师被删除从利用卡尔曼滤波器系统建模基于Mecanum AGV运动学模型(9)。生成的路径从卡尔曼滤波器估计传感器融合偏离了2平方较为成熟的麦克纳姆全方位自主移动小车的路径由于滑移现象。


图9
广场Mecanum AGV的路径实验结果。

5。结论

本文是写给遥感精确定位值Mecanum AGV仍然不可避免的滑动现象。为了克服这一现象,我们使用两个传感器:占星师和编码器。天文学家可以测量绝对定位值但因为具有里程碑意义的作品点出产生大的错误。编码器没有移动错误和没有死区,但有积累的错误,因为积分项和滑移现象。一个卡尔曼滤波器也用于获得这两种类型的传感器的优点。我们的仿真结果表明,卡尔曼滤波器传感器融合方法可以删除错误累积的编码器和占星师移动错误和大错误引起的具有里程碑意义的作品点出。Mecanum AGV自主驾驶可以移动狭窄的路径和旁路可以很容易地移动方式输送线。对于自主驾驶,核心技术是本地化。该方法可以较为成熟的麦克纳姆全方位自主移动小车定位的建议解决方案来克服不可避免的滑动现象等传感器融合编码器和占星师。该方法在本文中预计将带来创新工厂自动化。 Future research topics include path tracking, path following, and the map building process method using Mecanum AGV.

利益冲突

作者宣称没有利益冲突有关的出版。