论文部分内容阅读
随着工业4.0时代的到来,各国都在加紧布局智能工厂、智能城市、智能物流等。作为实现智能物流的关键,仓储自动导引运输车(Automated Guided Vehicle,AGV)的定位问题逐渐成为该领域的研究热点。因此如何削弱复杂仓储环境对定位信息的影响,具有重要的科学理论意义和实际应用价值。针对复杂的仓储环境,本文首先分析了几种常见室内定位技术的优缺点,通过分析可以发现,单一定位技术都会存在一些缺点,难以满足AGV的定位需求。为了提高定位精度,本文提出了惯性导航系统(Inertial Navigation System,INS)/超宽带(Ultra Wide Band,UWB)/地标组合定位方法,充分发挥三种定位技术的优势,弥补各种定位技术的不足。与此同时,构建了面向仓储环境的INS/UWB/地标组合定位实验平台,为验证本文所提出的算法性能奠定基础。在INS/UWB/地标组合定位方法中,当无地标信息时,利用数据融合滤波器对INS和UWB的定位信息进行融合,得到当前时刻最优的位置估计;当有地标信息时,利用数据融合滤波器对INS和地标数据进行融合,得到当前时刻最优的位置估计,有效的提高了定位精度。基于INS/UWB/地标组合定位系统,为了克服视距(Line-of-Sight,LOS)/非视距(Non-Line-of-Sight,NLOS)混合环境对组合定位系统的影响,本文提出基于交互多模型(Interacting Multiple Model,IMM)算法的松、紧组合算法。对于松组合定位算法,当无地标信息时,将INS与UWB测量的AGV位置的差作为观测向量,通过卡尔曼滤波器(Kalman Filter,KF)进行数据融合,并对INS测量得到的AGV位置进行校正;当有地标信息时,观测向量为INS与地标测量的AGV位置差值,通过KF进行数据融合,并对INS测量得到的AGV位置进行校正。对于紧组合定位算法,当无地标信息时,将INS和UWB测量得到的AGV与参考节点的距离差作为观测向量,通过扩展卡尔曼滤波器(Extended Kalman Filter,EKF)进行数据融合,并对INS测量得到的AGV位置进行校正;当有地标信息时,观测向量为INS与地标测量的AGV位置差值,通过KF进行数据融合,同样对INS测量得到的AGV位置进行校正。实验结果显示,IMM算法能有效的削弱LOS/NLOS混合环境误差,松组合定位策略具有容错率高,易实现的优点,并且定位精度高于单一定位技术。紧组合则是利用各个传感器的原始数据,具有较高定位精度的优点,因此定位精度高于松组合。