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配送的關鍵。

      近年來，基于紅外線、超聲波、藍牙、無線射頻(RFID)、超寬 帶(UWB)等技術的各種室內(nèi)定位方法不斷興起,被廣泛應用于智能家居等領域，并且具有較高的定位精度。文獻提岀了一種多目視覺與激光組合導航的精確定位方法, 但是成本相對較高。 文獻利用安裝于AGV兩側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重。以上定位技術均表現(xiàn)岀獨立性弱、有視 距傳輸要求等問題,需要借助外界設備裝置進行輔助，并通過這些硬件設備進行數(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。針對復雜的工廠加工環(huán)境，以上方法難以實現(xiàn)精準定位,而基于自身傳感器進行定位的慣性導航定位方法成為解決問題的關鍵。

      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 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) 靜止加速度零偏嚴重，運動加速度噪聲偏大，不同測量速度下測 得偏轉角度精度不同以及計算所得位移漂移嚴重等問題；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,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用的應答器方法，利用RFID技術對慣性導航定位 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)式慣導系統(tǒng)的優(yōu)勢在于省去復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軸所轉角度)。

定位模型中，以AGV為載體坐標系b系,以地理坐標系為 導航坐標系n系，利用INS(慣性導航系統(tǒng))量測的AGV在載體 坐標系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在導航坐標系n系下的加速度信息以及角度 偏轉信息|8］。

式中:

系下的加速度信息；ψ_k - AGV偏轉角度，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 能夠實時對產(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、電子標簽和天線,在本實 驗環(huán)境下選擇無源電子標簽，由于RFID設備不具備通信能力， 需要結合ZigBee技術來解決RFID定位的無線通信問題。讀寫器 安裝在AGV小車底部，設置閱讀器的讀寫距離為15cm,AGV在 移動時具有軌跡，軌跡中設定位置已知的標簽作為參考節(jié)點，閱 讀器去識別標簽以確定當前位置。

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果隨時間漂 移嚴重。因此采用RFID技術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 修正算法對導航結果進行反饋修正，達到對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)過坐標轉換計算和姿態(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。

設定軌跡上N個電子標簽的位置坐標為(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;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實驗與結果分析

       為了驗證提岀的誤差修正定位方法的準確性，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，通過藍牙與上位 機進行數(shù)據(jù)的傳輸，信號采集頻率設為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)嚴重偏移，加速 度值在0.025附近波動,補償后的結果，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)（加速度和偏轉角度），若兩次采集的數(shù) 據(jù)變化量小于指定閾值，則認為其加速度為零或角度偏轉為零。 通過對實驗數(shù)據(jù)進行分析總結，認為當加速度變化量小于0.002 時認為其沒有發(fā)生變化。角度偏轉誤差變化比較復雜，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）方法對角度偏轉誤差進行訓練與測試，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誤差的關系曲 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直線測試結果

      任意軌跡的實測實驗結果，如圖6所示。實驗結果表明，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)嚴重，位移2.5m后，已經(jīng)難以 達到精度要求，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結語

       成本昂貴或定位精度低是室內(nèi)復雜環(huán)境下AGV實時精準 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電子標簽信息進行結合，推導 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，結果表明，基于低成本IMU與 RFID技術的實時定位方法能夠達到實際定位要求，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

[1]夏端武，薛小鳳.智能制造技術在工業(yè)自動化中的應用研究J].機械設計與制造,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)展綜述和技術創(chuàng)新趨勢[J].信息通信技 術,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航AGV精確定位技術 研究J]儀器儀表學報,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.自主導航小車AGV定位方法的研究J].傳感技術學 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 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航技術研究[D].上海： 華東理工大學,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航原理[M].西安:西北 工業(yè)大學出版社,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.