基于激光测距雷达的室外移动机器人定位
基于激光测距雷达的室外移动机器人定位
李春玲 ,王江涛 ,曹 芳
移动机器人的定位问题作为实现移动机器人真正自主的关键问题之一 , 是当前机器人领域的一个研究热点。室外移动机器人定位的一个关键问题便是定位传感器的选择 , 在室内环境定位中超声传感器 (声纳) 得到了广泛的应用 , 然而由于超声传感器分辨率不高且容易受所探测物体形状的影响 , 因而在室外的大范围空间中声纳传感器的效果并不理想。采用视觉传感器 ,特别是立体视觉,是目前移动机器人定位系统的一个发展方向 , 但由于其计算复杂 ,当前还没有适合于一般环境的通用算法 ,因而其使用范围受到一定的限制。激光测距雷达与上述传感器相比具有测距范围大 ,精度高 ,环境适应能力强等特点 ,在移动机器人定位系统 ,特别是室外定位中得到的越来越多的应用 。本文采用激光测距仪雷达作为机器人外部传感器 , 里程计和惯性导航系统作为内部传感器 , 对移动机器人室外环境地图已知情况下的定位问题进行了研究 , 根据定位系统的特点建立了系统的运动模型和观测模型;考虑到系统中存在的不确定性 , 论述了运动模型以及观测模型测量误差的表达 , 同时采用扩展卡尔曼滤波对上述传感器进行了信息融合 , 最后对定位系统进行了仿真。
1 系统模型的建立及误差分析
1. 1 系统的运动模型
移动机器人的坐标系统 , xoy 为世界坐标系 , ( xc , yc ) 为移动机器人的位置 ,θ为移动机器人在世界坐标系中的朝向角。通过里程计和惯性导航仪可以获取移动机器人在每一采样时间段内的位移增量δdk 和方向增量δθk。
1. 2 系统的观测模型
外部传感器采用激光雷达 SICK LMS200 , 该传感器可以对 0~180°范围内进行观测 ,其返回数据为观测目标 Bi 到传感器的距离 r 和观测的角度β。
1. 3 基于扩展卡尔曼滤波的定位算法
对每一步观测 ,需要对路标观测值与已知地图中路标位置进行匹配 , 通过一个阈值对比来决定测量值与实际路标位置是否匹配。
1. 4 不确定性分析
由于存在各种噪声 ,移动机器人的定位过程存在不确定性 ,能否准确地对系统中存在的不确定性进行表达对其定位精度有着关键的影响。当前通用的方法是假定系统中的各种噪声量均值为 0 的白噪声 ,即各种噪声符合标准正态分布。采用这种误差表达方式在数学上比较方便 , 但在实际情况中误差往往并不服从标准正态分布。针对此高斯白噪声模型的缺点 ,Larsen 等人根据在标准情况下里程计的测量误差随机器人的移动距离不断增长的特点 ,提出了一种增殖误差模型 ( Propagating modeling un2 certainty) ,通过在严格平坦的路面中经过实际的运行来估计出里程计的测量误差。但是 , 这种模型忽略了随机的不确定性的存在 , 当移动机器人运行路面不是严格平面时 , 并不能准确对误差进行表达。分析上述两种误差模型的特点 , 本文提出了一种混合误差模型 ,即在测量出里程计测量误差的基础上 ,再加入一个随机的误差 , 以考虑可能产生的随机误差。
2 仿真试验
根据上述算法 , 采用 Matlab 6. 5 对提出的定位系统进行了仿真试验。试验中 , 假定移动机器人在室外环境下运行 ,特征地图已知 ,地图中的路标主要为室外环境中的树木以及柱状物体 , 移动机器人行走了 50 m 的距离。由于里程计和惯性导航系统的信息获取速度要比激光雷达快 , 仿真中每进行 4 次位置预测 ,进行一次观测和更新。图 2 给出了移动机器人定位的仿真结果 , 在图中移动机器人的实际运动路径和卡尔曼滤波定位后得到的估计路径基本相符。图 3、图 4 分别给出了定位中 x 轴、y 轴方向上的估计误差。从图中可以看出 , 由于随机的不确定性的存在 ,误差存在随机性的变动 ,但是经过卡尔曼滤波估计之后误差始终收敛在一定范围之内。在随机误差存在的情况下 , 移动机器人运动定位最大误差不超过 0. 2 m ,表明该定位系统定位精度较高 ,具有较高的可靠性。
3 结论
采用扩展卡尔曼滤波算法设计了移动机器人的定位系统 ,针对以往系统误差表达方法的缺点提出了一种混合表达方法。对所设计的定位系统进行仿真试验的结果表明 ,该定位系统具有较高的精度 ,有效地提高了定位的可靠性。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除