一种实现机器人车载导航装置实测坐标校正与预测的方法与流程
本发明属于机器人导航领域，特别涉及一种实现机器人车载导航装置实测坐标校正与预测的方法。
背景技术：
在移动机器人的室内应用领域，当移动机器人在室内复杂环境的运动时，不可避免会遇到各类由于机器人车载导航装置收到室内干扰而造成给移动机器人提供错误的机器人室内坐标，从而导致移动机器人发生走偏或走丢等问题。这个问题严重影响了移动机器人在复杂室内环境的安全运行。为解决这个问题，国内外专家致力于不断地提高机器人车载导航产品的可靠性和抗干扰能力，但是，现有技术中的抗干扰效果不佳，仍存在一定缺陷。
技术实现要素：
本发明针对现有技术中存在的机器人导航过程中存在大量的干扰信号的问题，提出了一种新的导航方法，通过构建坐标预测模型，提前预测机器人坐标，从而避免机器人导航出现偏差或走丢的问题。
一种实现机器人车载导航装置实测坐标校正与预测的方法，包括以下步骤：
步骤1：利用导航装置所提供的机器人实时室内坐标值和历史机器人室内坐标，分别形成三维坐标轴上的三组坐标时间序列；
步骤2：利用坐标时间序列构建预测模型，然后使用预测模型获取下一时刻的机器人室内坐标，以机器人室内坐标预测值和实测值进行比较：
若两者误差超过误差设定值，则将机器人室内坐标预测值作为机器人下一时刻室内坐标，否则，将机器人室内坐标实测值作为机器人下一时刻室内坐标；
步骤3：将机器人下一时刻室内坐标存入坐标时间序列中，更新坐标时间序列，返回步骤2，实现机器人车载导航装置实测坐标的校正与预测，直到机器人停止运动。
因为机器人的连续坐标值数据是有潜在的数据特性规律的，即可用根据历史时刻数据预测出下一时刻的值。
所述步骤2中利用坐标时间序列构建预测模型包括三个坐标轴的预测模型，每个坐标轴上的预测模型的构建步骤相同，模型构建步骤以及使用预测模型获取下一时刻的机器人室内坐标具体过程如下：
步骤A：利用卡尔曼滤波算法对机器人的一坐标轴上的坐标时间序列进行滤波处理；
步骤B：利用混合分解策略对滤波后的坐标时间序列进行分解，获得分解坐标序列群；
步骤C：对分解坐标序列群分段采用卡尔曼滤波算法建立卡尔曼滤波预测模型；
步骤D：利用各段卡尔曼滤波预测模型获得的预测值进行求和处理，获得对应坐标轴上下一时刻的坐标预测值。
所述步骤B中利用混合分解策略对滤波后的坐标时间序列进行分解，具体过程如下：
首先，运用快速集成经验模式分解算法对滤波后的机器人坐标序列进行分解，获得机器人坐标序列群，即一次分解坐标序列群；
其次，利用增广迪基富勒检验模型对上述的机器人坐标序列群逐个进行平稳性检验，若存在坐标序列的ADF检验结果呈现为非平稳，则利用小波算法对ADF检验结果呈现非平稳的序列进行第二次分解，并将第二次分解后所获得的坐标序列群替代一次分解坐标序列群中对应的非平稳序列，获得最终用于预测计算的拟预测坐标序列群。
将坐标时间序列输入预测模型获得预测值后，依据预测值与实测值进行比较，判断是否需要用预测值取代错误的实测值，接着再更新预测模型，继续获取下一个预测值，如此往复更新。
本发明避开常规的抗干扰性思考，提出的一种巧妙解决干扰信号严重问题的新思维，利用机器人对导航设备/装备所提供的实时实测的室内坐标值进行正确性判断，对所提供的错误或有偏差的坐标值进行修正，那么机器人就不会出现上述的走偏和走丢等问题。也就是机器人自身具备对车载导航装置所测的错误坐标数据进行校正。要让机器人能够对当前的实测的室内坐标值进行有效的判断并修正，就要求机器人能够根据车载导航装置所提供的历史实测坐标值计算出所需的下一时刻的坐标值，即实现未来坐标值的超前一步预测功能。机器人有了下一时刻的预测坐标值，就可以用该值对下一时刻的实测坐标值来进行校正。
有益效果
本发明提供了一种实现机器人车载导航装置实测坐标校正与预测的方法，通过利用机器人对导航设备/装备所提供的实时实测的室内坐标值进行正确性判断，对所提供的错误或有偏差的坐标值进行修正；在预测下一个时刻的坐标过程中，采用快速集成经验模式分解算法、增广迪基富勒检验模型、卡尔曼滤波算法以及加权处理完成预测，使得预测精度得到保证的同时，大大的降低了预测的复杂性，并且克服了重复性差的问题，整个过程实现简单，本发明避开了常规的抗干扰性思考，采用的一种巧妙解决干扰信号严重问题的新思维，实现了准确的高实时性的机器人室内导航的预测。
附图说明
图1为本发明所述方法的原理流程图；
图2为本发明中构建预测模型的流程示意图；
图3为本发明所述预测方法的具体流程示意图；
图4为本发明实例中一组实测的机器人室内X轴坐标值原始序列示意图；
图5为对图4执行基于卡尔曼算法的滤波处理后的机器人室内坐标序列示意图；
图6为对图5执行基于快速集成经验模式分解算法的一次分解计算后的10个子序列示意图；
图7为对图6中的第1层序列进行第二次分解计算的结果示意图；
图8为对图6中的第6层序列进行第二次分解计算的结果示意图；
图9为利用本发明所述方法对机器人室内坐标原始序列的预测结果示意图，其中，(a)表示第301-600个采样点上实测值与预测值的对比示意图，(b)表示第601-900个采样点上实测值与预测值的对比示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示，一种实现机器人车载导航装置实测坐标校正与预测的方法，包括以下步骤：
步骤1：利用导航装置所提供的机器人实时室内坐标值和历史机器人室内坐标，分别形成三维坐标轴上的三组坐标时间序列；
当机器人开机工作后，机器人的车载笔记本就自动保存机器人车载导航装置所输出的机器人室内坐标值(x,y,z)，形成三组机器人坐标序列(记为X坐标序列，Y坐标序列和Z坐标序列)。本实例中取每5秒采集一次机器人室内坐标值。
步骤2：利用坐标时间序列构建预测模型，然后使用预测模型获取下一时刻的机器人室内坐标，以机器人室内坐标预测值和实测值进行比较：
因为建立预测模型实现预测计算需要足够数目的样本数据，因此当机器人笔记本发现所储存的3组坐标序列{x1,x2,x3,...,xn-1,xn}，{y1,y2,y3,...,yn-1,yn}和{z1,z2,z3,...,zn-1,zn}中已经拥有足够数量的样本数据就可以开始建立预测模型。本实例中足够样本数据的阈值n取100。
车载笔记本根据图2所示的建模步骤对上述3组坐标序列分别建立最优的预测模型。并分别利用所建立的预测模型计算出n+1时刻的预测坐标值和
若两者误差超过误差设定值，则将机器人室内坐标预测值作为机器人下一时刻室内坐标，否则，将机器人室内坐标实测值作为机器人下一时刻室内坐标；
将预测模型计算获得的n+1时刻的预测坐标值与机器人车载导航装置实测n+1时刻的机器人室内实测坐标值(xn+1,yn+1,zn+1)进行对比，即执行如下计算：
如果Δx，Δy，Δz都小于设定的误差阈值，则认为n+1时刻的机器人车载导航装置所测的机器人实测坐标值(xn+1,yn+1,zn+1)是正确的；反之，如果这三者中的任意一个大于所设定的误差阈值，则认为n+1时刻的机器人车载导航装置所测的机器人实测坐标值(xn+1,yn+1,zn+1)是错误的。本实例中取误差阈值为0.05米。
步骤3：将机器人下一时刻室内坐标存入坐标时间序列中，更新坐标时间序列，返回步骤2，实现机器人车载导航装置实测坐标的校正与预测，直到机器人停止运动。
如果n+1时刻的机器人实测坐标值(xn+1,yn+1,zn+1)被判定是正确的，则机器人车载笔记本就用该坐标值控制机器人运动；反之，如果n+1时刻的机器人实测坐标值(xn+1,yn+1,zn+1)被判定是错误的，则机器人车载笔记本就会用n+1时刻的机器人预测坐标值控制机器人运动，并用预测获得的坐标值取代实测坐标值(xn+1,yn+1,zn+1)作为n+1时刻的正确机器人坐标值保存到机器人的坐标序列中，供给下一次的预测计算。这样，车载笔记本中所保存的机器人坐标序列始终都是正确的，能用于计算下一步的预测值。
利用新的3组坐标序列{x2,x3,x4,...,xn,xn+1}，{y2,y3,y4,...,yn,yn+1}和{z2,z3,z4,...,zn,zn+1}参考上述的步骤，建立新的预测模型并计算出n+2时刻的预测坐标值和并用预测计算获得的坐标值校正机器人的车载导航装置在n+2时刻所测量提供的实测坐标值(xn+2,yn+2,zn+2)。
如果实测坐标值(xn+2,yn+2,zn+2)偏离预测坐标值的误差范围没有查过所设定的误差阈值(即0.05米)，则用实测坐标值(xn+2,yn+2,zn+2)控制机器人运动并将实测坐标值(xn+2,yn+2,zn+2)保存到机器人车载笔记本所存储的机器人历史坐标序列中。否则，用预测获得的坐标值控制机器人运动，并取代实测坐标值(xn+2,yn+2,zn+2)保存到机器人车载笔记本上。
只要机器人在运动的过程中，上述步骤将一直被执行，即不断地循环建模并计算获得超n+3,n+4,n+5,…,n+m步的机器人预测坐标值，并不断地把预测值用于校正机器人车载导航装置在那个时刻所实测的坐标值，直到机器人安全地完成整个运动过程或是机器人被关机。
该预测方法的具体步骤流程如图2所示：
所提出的方法包括滤波、分解、预测和加权四个方面的步骤。
(1)在滤波方面，利用卡尔曼滤波算法对机器人的历史坐标序列进行滤波处理，获得没有噪声干扰的、能够代表机器人运动变化规律的机器人坐标序列。该步骤的目的是剔除车载笔记本所采集的机器人历史坐标序列中潜在的干扰噪声数据，这为后面的预测计算提供了干净的建模样本数据。
(2)在分解方面，提出混合分解策略对滤波后的机器人坐标序列进行数据分解计算。
该混合分解策略包括如下步骤：
运用快速集成经验模式分解算法对滤波后的机器人坐标序列进行分解，获得一定数量的的机器人坐标序列群(也称为一次分解坐标序列群)。
利用增广迪基富勒(Augmented Dicky-Fuller，ADF)检验模型对上述的机器人坐标序列群逐个进行平稳性检验。如果某些序列的ADF检验结果呈现为平稳，则不再需要利用小波算法对这些序列进行第二次分解(因为他们已经平稳了)。反之，如果某些序列的ADF检验结果呈现非平稳性，则需要利用小波算法对这些序列进行第二次分解。
这两次分解的目的是不同的。第一次通过快速集成经验模式分解算法实现的数据分解是为了将机器人坐标原始序列转化成一系列相对平稳的子序列，以降低后期预测模型的计算难度；第二次通过小波算法的分解是为了消除第一次分解后某些序列中仍然残留的非平稳数据成分。即：第一次分解是为了数据转化，而第二次分解是为了非平稳性剔除。
如果执行了第二次分解计算，则用第二次分解后所获得的数据取代一次分解坐标序列群中的对应非平稳序列，再与一次分解坐标序列群中的其他平稳性序列一起最终构成可用于预测计算的拟预测序列群。
(3)在预测方面，利用卡尔曼滤波算法对全部的拟预测序列群都建立预测模型，并利用所建立的预测模型对对应的拟预测序列进行超前预测计算，获得一系列的超前预测值。本专利采用对完成二次分解后的拟预测序列群分别建立卡尔曼滤波预测模型。具体的卡尔曼预测方程参数请参见后面的解释。
在加权方面，通过直接求和的方法对各个拟预测序列的超前预测值进行等值加权，获得机器人室内坐标原始序列的最终超前预测值。这些预测值将用于机器人的导航控制。
本实例提供了一个包括滤波、分解、预测和加权在内的全部建模步骤的预测实例。一组实测的X轴方向的机器人坐标序列如图4所示。按照本发明所提出的建模方法(如图2和图3所示)，对图4中所提供的机器人实测坐标序列的前300个样本数据建立预测模型，然后对第301个数据开始进行迭代预测计算。
具体描述为：
(1)利用卡尔曼算法对图4所示的机器人实测坐标序列的前300个数据进行滤波处理，结果如图5所示。利用快速集成模式经验分解算法对如图5中的“执行卡尔曼算法滤波后的机器人室内坐标序列”执行分解计算，结果如图所示6。利用增广迪基富勒(Augmented Dicky-Fuller，ADF)检验模型判断图6中全部的分解序列的稳定性。结果表明，除了第1序列和第6序列呈现非平稳性外，其他的序列都呈现平稳性。因此只需要采用小波算法对图6中的第1序列和第6序列分别再进行第二次的分解计算，结果分别如图7和图8所示。用图7中的“第1层序列”取代图6中的“第1层序列”变成图6中新的“第1层序列”，用图8中的“第1层序列”取代图6中的“第6层序列”变成图6中新的“第6层序列”，加上图6中没有被取代的其他几个分解序列，重新形成共计10组将进行卡尔曼滤波预测的“拟预测序列群”。
上述中的快速集成模式经验分解算法、增广迪基富勒检验模型、小波算法和卡尔曼滤波算法均为现有计算方法。但他们之间的混合建模流程是本专利发明提出的。
(2)对上述步骤所最终形成的10组“拟预测序列群”分别建立10个卡尔曼预测模型，然后在每一个序列层上利用自己所述的卡尔曼预测模型进行迭代预测计算，分别获得这一层的预测值。以图7中的“第1层序列”为例，为了与分解前的坐标序列进行区分，将该序列记为{x1,1,x1,2,x1,3,...,x1,299,x1,300}。对该序列建立卡尔曼预测模型，然后获得该序列的预测值
图7中的“第1层序列”所建立的卡尔曼滤波预测模型的方程如下所示：
在方程1中，X1,300的下标数字意思解释如下：X的第一个下标“1”代表是经过本专利提出的混合分解计算后所获得的第一个子序列，X的第二个下标“300”代表X1,300这个数值是上述第一个子序列中的第300个分解样本。
(3)同理，对“拟预测序列群”中的另外9组子序列也建立卡尔曼滤波预测模型，然后利用所建的卡尔曼滤波预测模型以此获得对应的预测值，记为把获得上述预测值加权相加，即获得图4所示的实测机器人坐标序列的第301个采样点x301的最终预测值
(4)重复上述步骤，即重新在各个子序列层上建立卡尔曼预测模型，然后运用卡尔曼预测模型获得对应的预测值然后对这些分解层的预测值进行求和计算，获得图4所示的实测机器人坐标序列的第302个采样点x302的最终预测值依次，直到获得图4所示的实测机器人坐标序列的第900个采样点x900的最终预测值
(5)将上述所获得预测值与图4中所示的预测值绘成图9。从图9中可以看出，本发明所提出的预测方法所预测的结果几乎与原始数据重叠，体现了本专利的有效性。
以上应用了具体个例对本发明进行阐述，只是为了帮助本领域中的普通技术人员很好的理解。在不偏离本发明的精神和范围的情况下，还可以对本发明的具体实施方式作各种推演、变形和替换。这些变更和替换都将落在本发明权利要求书所限定的范围内。
- 还没有人留言评论。精彩留言会获得点赞！