1引言

      隨著智能制造的提岀，中國工業(yè)生產(chǎn)將進一步朝著智能化、 柔性化和高度集成化的方向發(fā)展叫AGV作為智能工廠中實現(xiàn)物 料自動運輸?shù)囊苿訖C器人，對其進行實時定位是物料精準(zhǔn)配送的關(guān)鍵。

      近年來，基于紅外線、超聲波、藍(lán)牙、無線射頻(RFID)、超寬 帶(UWB)等技術(shù)的各種室內(nèi)定位方法不斷興起,被廣泛應(yīng)用于智能家居等領(lǐng)域，并且具有較高的定位精度。文獻(xiàn)提岀了一種多目視覺與激光組合導(dǎo)航的精確定位方法, 但是成本相對較高。 文獻(xiàn)利用安裝于AGV兩側(cè)的超聲波傳感器為其實現(xiàn)定位，但是該方法受視距影響嚴(yán)重。以上定位技術(shù)均表現(xiàn)岀獨立性弱、有視 距傳輸要求等問題,需要借助外界設(shè)備裝置進行輔助，并通過這些硬件設(shè)備進行數(shù)據(jù)傳輸，一旦外界環(huán)境無法滿足條件，定位方法也將失效冋。針對復(fù)雜的工廠加工環(huán)境，以上方法難以實現(xiàn)精準(zhǔn)定位,而基于自身傳感器進行定位的慣性導(dǎo)航定位方法成為解決問題的關(guān)鍵。

      慣性定位是不依賴外部信息，也無需輻射能量，因其獨立性 好，面對復(fù)雜的室內(nèi)環(huán)境,具有絕對優(yōu)勢。但市面上成熟的慣性導(dǎo) 航器件成本都很高，若使用低成本傳感器,會岀現(xiàn)采集到的數(shù)據(jù) 靜止加速度零偏嚴(yán)重，運動加速度噪聲偏大，不同測量速度下測 得偏轉(zhuǎn)角度精度不同以及計算所得位移漂移嚴(yán)重等問題；另外, 單獨使用慣性定位方法解算AGV的位置，得到的誤差會存在隨時間的累積效應(yīng),一定時間后,定位誤差將會超岀可接受范圍，定位也將失去意義。為解決以上問題，采用兩種方法：一是參考軌道交通中廣泛應(yīng)用的應(yīng)答器方法，利用RFID技術(shù)對慣性導(dǎo)航定位 進行位置校正，通過兩種方法數(shù)據(jù)的組合解算AGV位置,解決慣 性導(dǎo)航累計誤差的問題；二是提岀一套基于低成本IMU的實時 定位誤差修正方法，緩解低成本慣性傳感器在試驗中測量誤差大 等問題，使定位結(jié)果滿足工業(yè)室內(nèi)定位的要求。

2室內(nèi)定位系統(tǒng)模型及改進

2.1慣性定位原理

      捷聯(lián)式慣導(dǎo)系統(tǒng)的優(yōu)勢在于省去復(fù)雜的固定的慣性平臺, 將傳感器安裝在移動體上。一個捷聯(lián)慣性測量單元包括加速度計和陀螺儀,用于跟蹤移動體的平移和旋轉(zhuǎn)過程，對于車間環(huán)境中的AGV，主要考慮二維平面運動，利用加速度計采集AGV的移動加速度(X向和Y向)，以及利用陀螺儀采集AGV的偏航角(繞 Z軸所轉(zhuǎn)角度)。

定位模型中，以AGV為載體坐標(biāo)系b系,以地理坐標(biāo)系為 導(dǎo)航坐標(biāo)系n系，利用INS(慣性導(dǎo)航系統(tǒng))量測的AGV在載體 坐標(biāo)系b系下的加速度信息

偏航角信息θ_k,根據(jù)姿態(tài) 解算方法得到AGV在導(dǎo)航坐標(biāo)系n系下的加速度信息以及角度 偏轉(zhuǎn)信息|8］。

式中: 

系下的加速度信息；ψ_k - AGV偏轉(zhuǎn)角度，初始角度為θ0，則ψ_k=θ_k - θ0

通過以上變換，將b系下的加速度信息轉(zhuǎn)換到n系下。

2.2基于卡爾曼濾波的位姿更新算法

      IMU采集到的數(shù)據(jù)摻雜噪聲，對AGV的實時定位要求算法 能夠?qū)崟r對產(chǎn)生的數(shù)據(jù)進行處理，普遍使用的濾波算法對實時性 無法保證，卡爾曼濾波算法(UKF)作為一種純時域的估計算法很 好的解決了這個問題。

      狀態(tài)方程:在INS定位系統(tǒng)中，由b系下的傳感器獲得的信 息得到n系下AGV的位置和速度更新，其模型為：

式中:：一加加速度;ak、a_k-1—n系下k時刻和k-1時刻的加速度； Vk、V_k-1—k時刻和k-1時刻的速度；Sk、S_k-1—k時刻和k-1時刻的位移；△T—采樣時間間隔。

UKF 狀態(tài)方程:X_k = AX_k-1 +B_ku_k    (4)

UKF 量測方程:Zk =HX_k +V_k             (5)

K 時刻狀態(tài)：x_k= [S_k,x S_k,y V_k,x  a_k,x V_k,y]

由位姿更新模型和狀態(tài)方程可知，狀態(tài)轉(zhuǎn)移矩陣:

這里不考慮控制矩陣B_k。

由量測方程可知,觀測矩陣H=[0 0 0 0 1 1 ］。 應(yīng)用卡爾曼濾波基本方程:

該部分計算由 MATLAB 實現(xiàn)，最終得到濾波后的 AGV 速 度與位移更新，得到AGV的實時位置(X,Y)。

2.3 RFID校正原理

       RFID定位系統(tǒng)主要包含閱讀器、電子標(biāo)簽和天線,在本實 驗環(huán)境下選擇無源電子標(biāo)簽，由于RFID設(shè)備不具備通信能力， 需要結(jié)合ZigBee技術(shù)來解決RFID定位的無線通信問題。讀寫器 安裝在AGV小車底部，設(shè)置閱讀器的讀寫距離為15cm,AGV在 移動時具有軌跡，軌跡中設(shè)定位置已知的標(biāo)簽作為參考節(jié)點，閱 讀器去識別標(biāo)簽以確定當(dāng)前位置。

2.4組合定位

       INS系統(tǒng)的主要誤差來源是低成本傳感器自身精度不高，系 統(tǒng)誤差大，加速度計和陀螺儀存在零位誤差且計算結(jié)果隨時間漂 移嚴(yán)重。因此采用RFID技術(shù)與慣性定位相組合的定位方法，取長補短，滿足用戶的需求。

       組合定位系統(tǒng)的基本原理: 加速度計和陀螺儀進行數(shù)據(jù)采 集后,輸入到導(dǎo)航解算單元進行速度、位置的解算，最終利用誤差 修正算法對導(dǎo)航結(jié)果進行反饋修正，達(dá)到對AGV精確定位的目的。

       在AGV上安裝低成本IMU,選擇九軸姿態(tài)測量傳感器。對于采集的加速度信號，經(jīng)過坐標(biāo)轉(zhuǎn)換計算和姿態(tài)解算算法得到 AGV的位置信息。針對常規(guī)慣性定位方法存在累積誤差問題，通過RFID閱讀器采集的信號與慣性傳感信息進行組合定位，在特定參考節(jié)點進行位置信息的校正，進而獲得AGV的實時精確位置信息。

設(shè)定軌跡上N個電子標(biāo)簽的位置坐標(biāo)為(x1，y1)，(x2，y2)......(xn，yn)；

融合定位位置更新方程:

式中：(X,Y)—AGV的位置坐標(biāo);X_k—卡爾曼濾波更新得到的位 置�；�于INSRFID融合定位整體流程，如圖1所示。

3實驗與結(jié)果分析

       為了驗證提岀的誤差修正定位方法的準(zhǔn)確性，進行了幾組實測實驗。在實驗中，采用維特智能的JY9001姿態(tài)傳感器為測 量模塊，電壓（3.5~5）V,測量維度為加速度3維，磁場3維，角度3 維，穩(wěn)定性加速度為0.01g,角速度0.05°/s,數(shù)據(jù)輸岀頻率（0.1~ 200）Hz，數(shù)據(jù)接口為串口。IMU安裝在AGV上，通過藍(lán)牙與上位 機進行數(shù)據(jù)的傳輸，信號采集頻率設(shè)為200Hz。實驗裝置，如圖2 所示。

圖2實驗裝置圖

3.1零速檢測與誤差修正方法

圖3靜止加速度補償前后對比圖

      低成本IMU在應(yīng)用中存在一些問題，在采集數(shù)據(jù)前傳感器 存在一定的誤差，包括加速度和偏航角度,需要對采集數(shù)據(jù)進行預(yù)處理。以200Hz為采樣頻率對傳感器靜止時的數(shù)據(jù)進行采集, 并對其結(jié)果進行誤差的補償。為解決加速度的初始偏移問題，對 靜止時的加速度數(shù)據(jù)進行分析，得知需要對IMU的加速度補償 值為X方向-0.0253, Y方向0.0137。誤差補償前后的加速度對比 圖，如圖3所示。實驗發(fā)現(xiàn)未進行補償處理的數(shù)據(jù)嚴(yán)重偏移，加速 度值在0.025附近波動,補償后的結(jié)果，如圖3（b）所示。比較符合 實際情況。

      零加速檢測目的是對采集的數(shù)據(jù)進行模糊處理，對于在 AGV運動中采集到數(shù)據(jù)（加速度和偏轉(zhuǎn)角度），若兩次采集的數(shù) 據(jù)變化量小于指定閾值，則認(rèn)為其加速度為零或角度偏轉(zhuǎn)為零。 通過對實驗數(shù)據(jù)進行分析總結(jié)，認(rèn)為當(dāng)加速度變化量小于0.002 時認(rèn)為其沒有發(fā)生變化。角度偏轉(zhuǎn)誤差變化比較復(fù)雜，在下面進 行說明。實驗中發(fā)現(xiàn),IMU在不同運行速度下的角度偏轉(zhuǎn)誤差有 所不同,針對這一問題做了一系列實驗并提岀改進方法。實驗對 AGV運行速度為（0~6000）mm/min的直線運動進行測量，得到60 組角度偏轉(zhuǎn)的誤差數(shù)據(jù)，將AGV運行速度作為輸入，利用支持向 量機（SVM）方法對角度偏轉(zhuǎn)誤差進行訓(xùn)練與測試，得岀AGV運 行速度與角度偏差的模型，根據(jù)模型可對AGV的角度偏差依據(jù) 不同運行速度進行實時補償。運行速度與角度偏轉(zhuǎn)誤差的關(guān)系曲 線，如圖4所示。

圖4運行速度與角度偏差曲線

因此,在定位算法中，對不同運行速度的AGV需要按照角 度偏差曲線動態(tài)的采取不同的角度補償值，使定位算法更加符合 實際,同時提高定位算法精度。

3.2實驗結(jié)果

      分別做了直線運動和任意軌跡運動的實驗。采用常規(guī)二次 積分解算方法以及改進后的誤差修正方法對實驗數(shù)據(jù)進行分析 直線測試實驗結(jié)果，如圖5所示。實測直線運動下,采用常規(guī)方法 與采用修正定位算法得到的定位軌跡對比圖，常規(guī)方法X方向 誤差21.5%, Y方向誤差5.5%,誤差修正方法X方向誤差4.1%, Y 方向誤差3.4%,因此提岀的誤差修正算法表現(xiàn)更為優(yōu)異。

圖5直線測試結(jié)果

      任意軌跡的實測實驗結(jié)果，如圖6所示。實驗結(jié)果表明，開 始的直線運動修正定位方法與常規(guī)定位方法差別不大，隨著時間 的累積，常規(guī)定位方法的漂移愈發(fā)嚴(yán)重，位移2.5m后，已經(jīng)難以 達(dá)到精度要求，但是修正定位算法的優(yōu)勢明顯。此實驗中，常規(guī)方 法誤差達(dá)40%,修正定位方法定位誤差最大9.75%，精度較常規(guī) 方法提高31%。

圖6曲線測試結(jié)果

      通過實驗分析得知，在使用 JY9001 姿態(tài)傳感器條件下，運動位移與實驗誤差之間存在圖7關(guān)系，用戶可根據(jù)對AGV的實 際定位精度要求選擇適合的布局方式。以現(xiàn)有的AGV尺寸為考 慮因素，若要求定位精度為0.5m,則參考節(jié)點每隔7.8m布置一 次，若精度為1.0m,則參考節(jié)點每隔10m布置一次。利用以上方 法進行系統(tǒng)位置校正，保證定位誤差始終在可接受范圍內(nèi)。

圖7誤差與位移曲線

4結(jié)語

       成本昂貴或定位精度低是室內(nèi)復(fù)雜環(huán)境下AGV實時精準(zhǔn) 定位現(xiàn)階段普遍存在的問題，綜合考慮，針對低成本IMU與 RFID技術(shù)的組合定位方法進行研究。針對低成本IMU測量數(shù)據(jù) 的誤差特征,提岀實時定位誤差修正方法,通過卡爾曼濾波算法 對INS位置進行解算，并與RFID電子標(biāo)簽信息進行結(jié)合，推導(dǎo) 岀組合定位的位置更新方程，獲得室內(nèi)AGV位姿信息。通過實測 實驗驗證以上算法的正確性，結(jié)果表明，基于低成本IMU與 RFID技術(shù)的實時定位方法能夠達(dá)到實際定位要求，較單純使用 INS穩(wěn)定性和可靠性更高，定位精度提高31%,適用于室內(nèi)AGV 實時定位。

參考文獻(xiàn)

[1]夏端武，薛小鳳.智能制造技術(shù)在工業(yè)自動化中的應(yīng)用研究J].機械設(shè)計與制造,2018(2)： 206-209. (Xia Rui—wu,Xue Xiao—feng.Research on the application of intelligent manufacturing technology in industrial automation[j].Machinery Design & Manufacture,2018(2)：206-209.)

[2] 羅松,續(xù)合元.物聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展綜述和技術(shù)創(chuàng)新趨勢[J].信息通信技 術(shù),2018(4)： 4-8. (Luo Song,Xu He—yuan.Summary of internet of things industry development and trend of technological innovationJ[.Information and Communications Technologies,2018(4)： 4—8.)

[3] 何珍，樓佩煌,錢曉明.多目視覺與激光組合導(dǎo)航AGV精確定位技術(shù) 研究J]儀器儀表學(xué)報,2017(11) ： 2830-2838. (He Qun,Lou Pei—huang,Qian Xiao—yue.Research on pecises positioning technology for AGV based on multi-object vision and laser integrated navigation[J].Chinese Journal of Scientific Instrument,2017(11)：2830- 2838. ) 

[4] 史恩秀，黃玉美.自主導(dǎo)航小車AGV定位方法的研究J].傳感技術(shù)學(xué) 報,2007(1) ：233-236. (Shi En—xiu,Huang Yu—mei.The study of position method for AGVJ]. Chinese Journal of Sensors and Actuators, 2007( 1): 233—236.) 

[5] 毛科技，鄔錦彬,金洪波•面向非視距環(huán)境的室內(nèi)定位算法J].電子學(xué) 扌報 2016(5)： 11741179. (Mao Ke—ji, Wu Jin—bin,Jin Hong—bo.Indoor localization algorithm for NLOS environmentJ].Acta Electronica Sinica,2016(5)： 1174-1179.) 

[6] Muhammad Yasir,SiuWai Ho,Badri N.Vellambi. indoor positioning system using visible light and accelerometerJ]Journal of Lightwave Technology,2014,32( 19): 3306-3316. 

[7] 陳興祁.基于超聲波與視覺定位的智能小車導(dǎo)航技術(shù)研究[D].上海： 華東理工大學(xué),2017:5-10. (Chen Xing—qi.Research on navigation of intelligent car based on ultrasonic and visual positioning[D].Shanghai：East China University of Scie— nce and Technology ,2017 ：5-10.) 

[8] Jeroen D.Hol,Fred Dijkstra,Henk Luinge,Thomas B. Schon.Tightly coupled UWB4MU pose estimation[C].IEEE International Conference on Ul— tra-Wideband.Vancouver,BC,Canada：IEEE,2009：688-692. 

[9] 秦永元，張洪鉞，王叔華.卡爾曼濾波與組合導(dǎo)航原理[M].西安:西北 工業(yè)大學(xué)出版社,2012:33-50. (Qin Yong—yuan,Zhang Hong—yue,Wang Shu—huaKalman Filter and Principle of Integrated Navigation [ M ].Xi' an: Northwestern Polytechnical University Press Co.Ltd. ,2012： 33-50.) 

[10] Kok M,Hol J D,Schon T B.Indoor positioning using ultrawideband and inertial measurementsJ].IEEE Transactions on Vehicular Technology, 2015,64(4):1293—1303.

班寧產(chǎn)品匯總