雷宇

【摘 要】本文分析了AGV机器人在运行过程中产生的定位误差的原因，并对定位误差进行分析。提出了一种基于卡尔曼滤波理论理论的AGV机器人多传感器融合算法。

【关键词】多传感器数据融合；AGV

0 引言

随着柔性制造系统的普及，智能AGV机器人作为工件载具，广泛应用于制造业、仓储业、危险场所以及特种行业。AGV机器人自主行驶的先决条件就是有效的定位，而AGV在移动过程中的定位，又是一个更为困难的问题。如果AGV不能准确的获取当前的位置，无法和工作环境位置模型进行正确比对。就不能按照规划好的线路行进，不能准确按照方向行走，不能在准确的位置进行转向或做业。本文通过多传感器融合技术来帮助AGV定位，从而控制AGV准确按照轨迹运动。

1 AGV机器人定位误差产生的原因

现在AGV机器人定位主要依赖于与车轮连接的广电编码器。一般采用增量式光电编码器，使用单片机组成积算器，把机器人轮上的位移量进行积分。但是由于传动、打滑等因素，会导致累积误差的出现。这些影响因素有可能是来自于系统本身特性，也有可能由外部环境变化而产生的。所以，误差可以分为系统误差和非系统误差两类。

1.1 AGV定位的系统误差是由传动系统、计量系统本身产生的，是固定的。系统误差的产生，多是由于组成系统的元件本身的误差积累造成的。如：驱动轮的直径不可能完全一致；驱动轮转动的圆周误差；传动带本身误差；驱动轮轴线的跳动；光电编码器本身误差；积算器采样误差等等。系统误差可以测量，并且可以进行补偿。

1.2 非系统误差

非系统误差是由于外部环境的变化作用于AGV系统的扰动。如：由于地面因素造成的轮胎打滑；地面崎岖不平，造成的位移偏差；AGV转向速度过快造成的横向加速度；由于突出障碍物造成AGV轮胎转动受阻等等因素，使编码器测量系统积算得到的位置与实际位置造成偏差。

2 建立AGV运动模型

由于AGV工作环境结构布局以及服务设备分布布局信息需要。需要建立地理坐标系和AGV车身坐标系，来对在对AGV机器人的环境信息进行描述。

地理坐标系：描述AGV机器人所运行的平面环境的坐标系，一般选择AGV的出发点为坐标系原点o，选择正方向后建立与地图相似的X，Y轴坐标。

AGV车身坐标系：以车身作为参考物。通常把AGV车体上某点（如几何中心）作为原点o'。X'轴一般选择车头指向方向，垂直车头方向轴为Y'轴。由于AGV车体的运动，所以 AGV车身坐标系是运动坐标系，随着车身的运行做水平平移或者角度旋转。

3 AGV定位误差模型

由于AGV机器人的差动驱动结构原因，以及AGV的积算式定位原理，机器人的位置和姿态可以用绝对坐标值以及运动方向角度组成的向量表示：

A=XY？兹

对于AGV机器人，运动误差来源于地理坐标系与车体运动坐标系之差。

？驻A=？驻X-？驻X'？驻Y-？驻Y'？驻？兹-？驻a？兹'

由于车体运动坐标系一般是使用AGVA机器人左右轮广电编码器进行累计得到，包含运动姿态也是由左右轮差动得到。因此可以从一个出发点位置开始，并将运动进行积分予以估计。行走距离的增量，可以依靠固定采样间隙？驻t 的离散系统。

设？驻l为AGV机器人移动量，也就是左右轮移动平均量。则更新后的位置A'。

A'=x'y'？兹'+？驻l cos（？兹+？驻？兹/2）？驻l sin（？兹+？驻？兹/2） ？驻？兹

4 AGV机器人位置计算用传感器选择

AGV机器人的定位问题是非常重要的。AGV机器人移动中的定位不仅仅关于到AGV机器人的线路规划，还直接决定了后续的做业，以及多台AGV之间的调度问题。因此选择传感器要考虑AGV移动中的定位和定位精度，特别是高速直线运动和转弯是造成的偏差。

因此，我们出于技术成熟、模块尺寸、与原有设备匹配情况、成本等多方面考虑后，计划增加一些传感器以提高AGV精度。为了解决AGV机器人在直线加速、减速造成的累积误差，增加了加速度传感器，用于修正因加速度造成的累积误差。为了解决机器人在转向的时候产生的角度偏差，增加了电子陀螺仪模块和电子罗盘模块，用于修正角度积累误差。为了避免电子罗盘在复杂的工业电磁环境下失效，同时使用电子陀螺仪和电子罗盘，利用陀螺仪惯性定位，提高定位精度。由于多种传感器的采用，AGV机器人的定位将面临着一个传感器信息融合的问题，因此需要采用传感器融合算法，使用多传感器来提高定位精度。

多传感器信息融合的本质是对多源不确定信息的分析和综合，是一个复杂的过程。我们需要处理的光电编码器，实时电子罗盘、陀螺仪、加速度计实时控制系统和其他传感器数据的快速处理数据，尽量简化计算，和尽量少占用MCUDE的数据存储空间。处于以上考虑，卡尔曼滤波理论适用AGV机器人多传感器融合应用环境。

卡尔曼滤波器广泛应用于传感器融合技术，是一种被证实的有效的手段。卡尔曼滤波器用于AGV机器人定位问题语句作为传感器融合问题的定位要求。卡尔曼滤波器的感知更新是一个多阶段的过程。该机器人的总传感器输入不被处理成一个单一的整体，但被处理到所提取的特征集，每个功能都涉及到的环境。给定一组可能的特征，卡尔曼滤波器可以马上做完全相同的概率更新处理所有的单模式和高斯的信任状态。

5 AGV的多传感器融合算法

传感器、光电编码器和陀螺仪的组合是一种独立于推算导航系统（DS），精度高，在短时间内，其有效性不受外部因素的影响。但是航迹推算是基于相对位置的累积，随着累积、积算过程的增加，误差也被累积、增加。

电子罗盘是依赖于磁场特性的传感器，在没有电磁干扰下，它具有极高的精度，可以准确测量AGV的运动方向。但是在AGV的运行环境中，复杂的電磁干扰是普遍存在的。包括电焊、电动机等。

5.1 机器人角度预测

使用AGV机器人在时刻k和因为控制输入u（k）产生的移动，预测AGV机器人在时刻k+1的角度。

？撞■（k+1|k）=■■（k|k）■■f T+■■f ？撞■（k）■uf T

获得从时刻k+1取到陀螺仪传感器测量Z（k+1）。在使用陀螺仪模块构成的惯导系统中，该值为陀螺仪模块的输出角度测量值？驻？兹gyro■。为了匹配，我们要在把观测和预测放在同一个框架{S}内。我们把地理坐标系变换为传感器框架{S}。

5.2 测量预测（下转第172页）

（上接第180页）我们利用所预测的机器人坐标位置和地理坐标产生的预测特征的观测为Z，预测的特征转换到传感器框架内的机器人位置表达式为：

■（k+1）=h（Z■（k+1|k）■）

5.3 匹配

匹配步骤其实具有辨识的作用，在形式上，匹配过程的目的，就是产生一个从观测Z（k+1）到目标 Z 的分配。相应于观测所找到的测量预测，我们计算修正v（k+1）。修正是预测和观测之间差别的度量：

？撞■（k+1）=■h·？撞■（k+1|K）·■h■+？撞■（k+1）

5.4 估計

下面根据角度预测和在时刻 k+1的所有观测，我们计算机器人位置的最佳估计■（k+1|k+1）。卡尔曼公式可以被写成为：

■（k+1|k+1）=■（k+1|k）■+K（k+1）·v（k+1）

对AGV机器人多传感器系统来说，所示，AGV机器人整体状态的最优为：

■■（k+1）=？茁■■■（k+1）+？茁■■■（k+1） ？茁■+？茁■=1P■■（k+1）=P■■（k+1）+P■■（k+1）

结合卡尔曼滤波器的信息分配系数？茁■，？茁■，对应于当地的过滤器和主过滤器，决定联合卡尔曼滤波器的性能。根据对？茁■，？茁■自动调整的具体情况，对？茁■，？茁■大小设定，然后将联合卡尔曼滤波组成为一个具有自适应特性的联合卡尔曼滤波器。经过验证，该参数在一定程度上能够反映电子罗盘的定位精度为基础，自动调整两个参数大小，方向可以使机器人定位达到较好的效果。

6 结论

AGV机器人工作的首要问题就是定位和路径规划问题，特别是在大航程、复杂环境下的定位和路径规划更是具有一定的难度。本文着眼于现在AGV机器人技术，分析了AGV机器人定位误差产生的原因，建立了AGV机器人器里程误差的模型。然后提出了AGV机器人上的多传感器设计方案。提出了AGV机器人的自适应联合 Kalman 滤波器算法。并对做了算法的匹配、验证等工作，证明多传感器融合技术应用于AGV机器人，可有效提高定位精度。

【参考文献】

[1]蔡自兴. 21世纪机器人技术的发展趋势[J].南京化工大学学报，2000，22（4）：73-77.

[2]蒋新松.机器人学导论[M].辽宁人民出版社，1994：420-426.

[3]王耀南，李树涛.多传感器信息融合及其应用综述[J].控制与决策，2001，16（5）：518-522.

[责任编辑：田吉捷]