基于测距的蒙特卡罗盒传感网定位算法研究

针对以蒙特卡罗算法为基础的无线传感器网定位算法普遍存在定位精度和采样效率低的问题,提出了一种基于测距的蒙特卡罗盒(R-MCB)定位算法。通过测距信息构造修正的包含有约束条件的方形边界框,使用从强约束条件中除去弱约束条件的启发法来提高采样效率,然后进行样本过滤和加权处理,并通过校准减少距离误差实现精确的定位。该R-MCB定位算法允许节点是静止或移动的,并且能够与可进行测距的节点和没有测距能力的节点协同工作。通过在传感器硬件上进行真实模拟定位算法证明,在多数情况下该R-MCB算法的定位误差,均要比WMCL算法(加权蒙特卡罗定位算法)的定位误差低10%左右。

联合残差网络和最近点迭代的机器人重定位

针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。

基于ROS的巡逻机器人系统设计

针对厂房、银行和大型超市等需要人工巡逻的场所,文章设计了一款基于ROS的巡逻机器人自主导航系统。文章将ROS系统部署到基于树莓派硬件开发的巡逻机器人上,对巡逻机器人的环境感知模块、导航模块和监控模块等进行研究设计。该系统使用同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术,通过激光雷达和里程计实现定位、建图与导航功能。实验结果表明,该系统定位收敛速度快,构建地图精度高,路径规划稳定性好,能替代人类巡逻。

一种改进的AMCL机器人定位方法

针对移动机器人技术中的蒙特卡罗定位算法存在计算量大、实时处理能力差、粒子退化等问题,提出一种基于AMCL算法的自适应定位模型:改进ROS中的move_base节点的路径规划功能,并加载学院楼CAD地图实现路径规划;基于ROS中slam_gmapping节点在未知环境下创建OGM地图。仿真实验结果表明:AMCL定位模型能够减小定位误差,提高路径规划的准确性和实时性;采样部分利用重采样与KLD采样交替进行的方法,根据粒子在状态空间的分布情况,能够实时在线调整粒子数,有效减少算法计算量。

基于机器人激光定位的一种改进AMCL算法

高效的定位算法是实现机器人自主运动的前提,由于激光模型受复杂环境的限制,传统自适应蒙特卡罗定位(AMCL)算法提供的位姿精度有限。提出一种增加扫描匹配(SM)和离散傅里叶变换(DFT)的优化AMCL算法,将传统AMCL的加权均值输出作为SM的初始值,通过构建激光雷达观测点与先验地图的匹配函数模型,利用高斯牛顿的方法优化求解,最终通过DFT滤波滤除位置处的小抖动,提升了系统的稳定性和鲁棒性。通过运动中的绝对定位实验和重复定位,实验验证了优化算法优于传统AMCL算法,优化算法有效提高了系统定位精度,同时保证了鲁棒性。