编者按针对基于SLAM技术智能车在室内构建二维经验图优化问题,在RatSLAM的基础上,采用仿生声纳系统代替视觉传感器的BatSLAM模型和Wi-Fi指纹定位,实现室内的二维经验图优化。本文在BatSLAM的基础上,使用Wi-Fi指纹定位技术,离线阶段构建指纹数据库,在线阶段使用K加权近邻算法实现在线指纹匹配,提高定位的准确性和精度,从而改善经验图的失真问题。
摘要
仿真实验表明,采用基于Wi-Fi指纹定位的BatSLAM模型,不仅实现了智能车室内二维经验图的构建,而且提高了定位的准确性和精度,改善经验图的失真问题,实现经验图的优化效果。
引言
同步定位与地图构建(SimultaneousLocationandMapping,SLAM)就是运动载体利用自身携带的传感器获得周围环境的地图,同时确定自己在地图中的位置[1]。智能车在很多领域得到了大量应用,例如室内进行快递的运送,餐厅内食物的传送等,均使用了SLAM技术。
SLAM问题应用最成功的是概率的方法,如卡尔曼滤波算法,扩展卡尔曼滤波算法,粒子滤波算法[2]等。虽然有些传统的SLAM算法使用声纳传感器采集信息,但是更多被视觉传感器[3]、激光测距传感器[4]所替代。使用声纳传感器采集信息,常常得到的是周围环境的粗略信息。生物声纳,能够实现在复杂的环境下的定位和导航,因为它从回声中提取更多的信息,可以模仿蝙蝠声纳的发射与接收过程,利用仿生声纳系统实现复杂环境下的定位与导航。
概率方法广泛应用于SLAM的同时,澳大利亚昆士兰大学Michael等提出了一种基于复合位姿表征的啮齿动物海马区扩展模型(RatSLAM)[5]。RatSLAM的路径积分是通过里程计获取速度与角度信息,同时使用视觉传感器对里程计得到的信息进行修正与更新,绘制精确的经验图。文献[6]已经证明在RatSLAM基础上,可以使用仿生声纳模板来代替RatSLAM系统中的视觉模板,用双耳平滑耳蜗图来代替视觉图像,使用BatSLAM模型来构建二维经验图。
科学技术在不断发展,目前提高定位精度的方法越来越多,当前主流定位技术主要是无线局域网(Wi-Fi)、蓝牙、惯性定位等。文献[7]提出了基于RSSI的室内定位技术来解决当前定位系统中成本高、定位精度低、不能适应室内环境多样性等问题。文献[8]提出了在RSSI技术的基础上引入TOA(TimeofArrive,到达时间)技术,从而实现基于TOA的指纹定位系统,利用无线信号的连续性改进定位精度。
本文将BatSLAM与Wi-Fi指纹定位相结合,通过提高定位的准确性和精度,改善经验图的失真问题,实现经验图的优化效果。
1算法原理与设计
本文设计了1种可以提高智能车室内定位精度的改进仿生声纳SLAM的算法,在原有的BatSLAM的基础上,使用Wi-Fi指纹模板对位姿细胞进行辅助修正,从而提高定位精度。首先使用所设计的仿生声纳硬件系统来采集智能车接收到的回波信息,对采集到的回波信息进行处理后,将耳蜗能量谱作为仿生声纳模板,构建的仿生声纳模板生成局部场景细胞。智能车的位姿状态用位姿感知细胞进行表示。利用智能车的里程计和转角传感器来不断更新位姿感知细胞,利用局部场景细胞来实现对位姿细胞的修正,当仿生声纳模板识别失败时,此时使用Wi-Fi指纹模板来实现位姿细胞的修正。本文首先使用仿生声纳模板进行修正,辅助使用Wi-Fi指纹模板修正,不但可以提高定位精度,而且可以实现经验图的优化。
改进后的仿生声纳SLAM定位算法的结构框图如图1所示。
上一页
1
2
下一页
泊祎回收网遵循行业规范,任何转载的稿件都会明确标注作者和来源;
发布者:泊祎回收网,转载请注明出处:https://www.huishou5.net/dianzi/34211.html