[发明专利]基于粒子滤波的机器人定位方法

说明书

本发明公开了基于粒子滤波的机器人定位方法，属于移动机器人领域，具体为：S1：机器人根据控制指令移动到实际位置D，以理想位置u为中心，第一次采样时，采样n个位置坐标作为样本集；S2：计算每个位置坐标的权值和样本集的有效粒子数，若有效粒子数大于有效粒子数阈值，则转S4，否则转S3；S3：剔除样本集中权值小于权值阈值的样本，个数为y个；重新采样y个位置坐标，利用交叉算法得到y个新的位置坐标；将y个新的位置坐标替换原y个位置坐标，得到新样本集；并判断是否达到最大采样次数，若是，则转S4；若否，则转S2；S4：计算新的样本集中所有样本的加权平均值；并将该值作为D的坐标。本发明提高了定位的精度。

技术领域

本发明属于移动机器人领域，尤其涉及一种基于粒子滤波的机器人定位方法。

背景技术

随着移动机器人逐渐进入人们的生活中，移动机器人的避障系统也成为了移动机器人完成任务的基本要求。而在现实条件下的机器人编队避障系统中，系统内机器人的定位也是研究的热点。移动机器人定位方法按感知环境的范围可以分为两种：绝对定位和相对定位。绝对定位是在了解了全局环境的基础上，首先设定一个包含所有机器人和障碍物的坐标系，在坐标系中的机器人全部获得基于该坐标系的坐标。绝对定位方法一般精度较高，但需要提前获知全局环境信息，当机器人实时避障时，无法提供全局的地图，需要使用相对定位的方法。相对定位指的时，通过测量机器人的初始位置坐标和每一步行动的距离及姿态，计算得出机器人所处相对于初始位置的坐标。其因为相对宽松的使用条件，无需提前获得全局信息而在多机器人编队避障中广泛使用。而相对定位算法会产生较大的误差，并且误差随着机器人移动距离的增加而逐渐增大，于是消除误差成为机器人定位技术研究中的热点。现有解决机器人定位误差的方法主要有卡尔曼滤波法，最大期望法以及粒子滤波法，其中粒子滤波法最适合在机器人避障系统中使用。经典的粒子滤波算法MCL中存在着采样范围过大，重采样时粒子多样性降低的问题，在机器人定位问题中仍存在着优化的空间。

在现有的机器人粒子滤波算法MCL中，由于采样函数的不精确，样本集中存在许多低权值粒子。这些低权值粒子，在算法计算粒子匹配度与权值中，消耗大量计算资源；而在机器人加权平均确定位置时，对定位结果的影响非常有限。于是，需要去除样本集中的低权值粒子以保证算法的高效运行，即采用重采样过程。

原算法MCL中，重采样的方式为直接将样本集中的高权值粒子复制给低权值粒子，在保证样本集大小不变的前提下，提高高权值粒子所占比例，进而降低低权值粒子对计算过程的影响。而直接复制高权值粒子的方式会导致样本集的粒子多样性大幅降低，少数粒子直接决定机器人定位结果，从而影响定位精度，因此急需改善原算法中粒子多样性过低的问题。

发明内容

发明目的：为解决现有技术中低权值的粒子降低定位精度等问题，本发明提供了一种基于粒子滤波的机器人定位方法。

技术方案：本发明提供了一种基于粒子滤波的机器人定位方法，该方法包括如下步骤：

步骤1：在地面上设置J个RFID标签作为标志点；在机器人上安装传感器，用于探测机器人与每个标志点之间的距离；

步骤2：机器人根据工作人员发送的控制指令，从当前位置移动到实际位置D；令工作人员需要机器人移动到的理想位置为u；以理想位置u为中心，令采样次数为t，进行第一次采样，即t＝1，采样n个位置坐标，并作为样本集，将这n个位置坐标作为样本粒子；t＝1，2，…，max，max为总的采样次数；

具体采样方法为：随机生成n个整数，根据采样公式生成与n个整数相对应的n个位置坐标，所述采样公式为：

其中x_q为第q个整数，X为与x_q对应的位置坐标，Σ为控制采样的范围，q＝1，2，…,n；