基于GRU神经网络的UWB定位算法研究

针对复杂环境下的室内精确定位需求,采用基于双边双向测距的超宽带定位方案。为解决非视距情况下超宽带测距误差大而引起定位精度下降的问题,考虑到超宽带测距具备时间序列预测问题的特点,引入了循环门控单元(Gate Recurrent Unit,GRU)来搭建神经网络,并设计不同隐藏层数、结构来验证其有效性。实验结果表明,相比于LS(Least Square)、UKF(Unscented Kalman Filter)定位算法,该GRU神经网络定位算法的均方根误差指标平均降低了30.81%、21.51%,定位效果更好。

基于BP神经网络的机器人力矩补偿研究

通过对关节驱动助力减小机器人拖动示教的拖拽力,是提高拖动示教灵活性的有效方法。而在拖动示教过程中准确、实时地计算出机器人各关节补偿力矩,是实现拖拽助力的关键问题。针对拖动示教喷涂机器人进行动力学建模,分析关节力矩补偿值与惯性力、重力等因素之间的关系,提出一种基于无监督学习的BP神经网络力矩控制算法对机器人直接示教进行在线力矩补偿。在六自由度喷涂机器人上进行实验验证。结果表明:该力矩补偿算法的计算效率提升70%,平均计算误差为9%,助力效果明显。

基于加权融合-UKF的UWB室内混合定位

针对复杂环境下非视距等因素造成的UWB定位精度下降的问题,提出了一种基于加权融合-UKF的超宽带定位算法。首先建立一套非视距环境中的UWB基站系统,通过PC端采集各个基站的测距信息;其次通过搭建合适的CNN网络对原始数据进行预处理,有助于提高数据的稳定性;然后对原始数据进行指数加权移动操作,设计以测距距离为变量的加权函数,将指数加权移动处理的数据与CNN处理后数据进行融合,改善信号均值漂移问题;最后引入UKF对融合数据进行滤波计算,得到目标节点的位置坐标。采集多个点的数据进行试验验证,其结果表明,提出的方法对非视距造成的定位误差有良好的改善效果,算法定位精度RMSE均值约为2.94 cm,精度相比单一UKF解算提高了46.79%,比单一CNN处理提高了17.88%。

基于图优化和EKF的UWB组合定位算法

针对超宽带(UWB)技术受电气转换时间延迟,天线延迟以及基站间时间同步等因素的影响而导致UWB传感器的测量值存在误差的问题,本文提出一种基于图优化和EKF的UWB组合定位算法,首先使用EKF算法得到定位初值,接着构建包含UWB测距误差的目标函数,然后通过图优化算法求解使整个定位过程UWB总体测距误差最小的基站位置,然后将求解的基站位置代入EKF算法进行第二次计算,得到更为精确的定位结果,最后应用Mean-Shift算法对定位结果进行聚类分析。实验结果表明:本文提出算法相对于EKF算法和最小二乘法,水平定位精度平均提高了27%和38%,而且得到的目标运动轨迹平滑性远优于传统定位算法。