一种无人值守智能仓内自动路径导引方法及系统与流程

1.本发明实施例涉及路径规划技术领域，尤其涉及一种无人值守智能仓内自动路径导引方法及系统。


背景技术：

2.近年来，随着互联网技术、人工智能技术、计算机技术、传感器技术的不断发展，机器人技术也得以快速发展。自动导引车由于具有自动化程度高、工作稳定性高、效率高等特点，广泛应用于电商分拣中心、制造业原料仓库及成品仓库、3c制造业、烟草、医疗、汽车、食品、服装等行业。路径规划作为自动导引车自主导航的核心要素之一，是体现自动导引车体现智能化、高效率的一个重要标志。自动导引车路径规划是指在一定环境条件下，选择一条从起始点到目标点的路径，使得自动导引车可以快速安全地到达目标。路径规划主要根据环境是否已知来采取不同的方法，对于已知环境多采用全局路径规划，得到最优路径；对于未知的环境多采用局部路径规划，根据实时采集到的环境信息得出较优的局部路径。
3.目前业界主流的三种路径导引方式分别是磁导引、激光导引和视觉导引，其中磁导引方式的成本最低也较容易实现，其定位方式也较简单，但精确度低；采用激光导引的精度高，但其成本较高，且设备安装难度大；采用视觉导引具有导引精度高、性价比好等特点，但是其技术还不太成熟。
4.路径导引的核心是室内定位技术，目前业界已提出多种实际应用型的解决方案。其中，红外定位技术需要在室内配置光学传感器来接收安装在待测物体上的红外线发射器所发射出来的红外线调制波，但由于红外线不能穿透障碍物，因此应用在室内时需要极高的成本部署光学传感器；超宽带(ultra-wide band, uwb)技术也是一项新兴的定位技术，其可利用发射纳秒级超窄脉冲作为数据载波，并可获得ghz级的信号带宽，其低功耗、对信道衰落不敏感、穿透能力强的优势便于发射机跟接收机在时间同步阶段匹配较好时获得较高的定位精度，但在实际大规模推广使用时，所需的射频器件非常昂贵从而使得超宽带定位的优势难以得到最大发挥。


技术实现要素：

5.本发明实施例的目的在于提供一种无人值守智能仓内自动路径导引方法，旨在解决上述背景技术中提出的问题。
6.本发明实施例是这样实现的，一种无人值守智能仓内自动路径导引方法，所述方法包括以下步骤：
7.基于wifi定位和rfid定位产生的位置数据作为子滤波器的输入；其中，将位置数据在子滤波器中进行滤波，产生局部最优估计值；
8.分别将所述局部最优估计值作为输入在主滤波器进行全局信息的最优融合，主滤波器将最优融合值以信息分配因子β1分配给wifi定位子系统作为其下一次滤波的初始值，以信息分配因子β2分配给rfid定位子系统为其下一次滤波的初始值。
9.作为本发明优选实施例技术方案的进一步限定，所述基于wifi定位产生位置数据的步骤包括：
10.收集到系统定位所必须的训练数据信息，从而形成指纹数据库，指纹数据库用于实现对定位环境模型的建立，以此为基础获得wifi信号强度在目标无人仓内定位环境中的分布情况；
11.将收集到的信号强度值输入到定位环境模型中，并将其与指纹数据库中的训练数据进行信息匹配，根据位置估测算法得到当前的定位结果。
12.作为本发明优选实施例技术方案的进一步限定，所述将收集到的信号强度值输入到定位环境模型中，并将其与指纹数据库中的训练数据进行信息匹配，根据位置估测算法得到当前的定位结果的步骤具体包括：利用k近邻(knn)算法与指纹数据库进行匹配计算时，将指纹数据根据欧式距离进行排序后选取k(k≥2) 个与终端节点接收信号强度s距离最近的指纹数据，再把所选取的k个指纹参考数据对应的位置坐标进行取平均(x，y)，并将它作为最后的待定位终端节点的位置，以获得位置数据。
13.作为本发明优选实施例技术方案的进一步限定，所述基于rfid定位产生位置数据的步骤包括：
14.在目标无人仓内定位区域布置一个阅读器和两个有源参考标签；
15.由一个阅读器分别对两个有源参考标签和待定位标签采集其接收信号强度；
16.基于测距的rssi值的定位算法，对信号的传播模型进行确定；
17.根据阅读器接收到的待定位标签的信号强度，计算出待定位标签到阅读器之间的距离，以此获得位置数据。
18.作为本发明优选实施例技术方案的进一步限定，所述基于测距的rssi值的定位算法，对信号的传播模型进行确定的步骤具体包括：
19.在利用系统先前设置的有源参考标签的位置坐标以及和其相对应的rssi测量值，对环境的参数进行确定，进而获得此无人仓内环境的信号传播模型，根据典型的对数路径大尺度传播损耗模型来反映电子标签发射出的信号在仓内信道环境传播过程中的强度变化，其公式如下：
[0020][0021]
其中，p(d)表示阅读器距离标签位置为d处的接收的信号强度值，其单位为dbm；d0为参考距离，一般取值为1m；α为路径损耗指数，表示路径损耗随距离增长的速率；x
σ
是均值为0，标准差为σ的高斯分布随机数。
[0022]
作为本发明优选实施例技术方案的进一步限定，所述将位置数据在子滤波器中进行滤波，产生局部最优估计值的步骤具体包括：
[0023]
在子滤波器中采用卡尔曼滤波算法，通过预测、校正方法对当前的位置信息进行迭代更新与校正，得到局部最优估计值。
[0024]
作为本发明优选实施例技术方案的进一步限定，所述采用卡尔曼滤波算法，通过预测、校正方法对当前的位置信息进行迭代更新与校正的步骤包括：根据测量值，先验状态的估计值和后延状态的估计值之间以反馈的方式实现更新迭代；
[0025]
其中，子滤波器的状态方程为：
[0026]
xi(k+1)＝φ(k)xi(k)+w(k)
[0027]
其中，φ(k)表示子滤波器的状态转移矩阵，w(k)表示对应的过程噪声，其服从均值为零的高斯分布，且互不相关；
[0028]
子滤波器测量方程为：
[0029]
zi(k)＝hi(k)xi(k)+v(k)
[0030]
其中，hi(k)表示子滤波器的测量转移矩阵，v(k)表示对应的测量噪声，其服从均值为零的高斯分布，且互不相关。
[0031]
作为本发明优选实施例技术方案的进一步限定，采用由两个子滤波器组成联合卡尔曼滤波器,所述联合卡尔曼滤波的计算方法如下：
[0032]
将整体估计值分配至各个子滤波器和主滤波器之中；
[0033]
对各个子滤波器和主滤波器中进行时间更新；
[0034]
在各个子滤波器中执行测量更新的算法；
[0035]
主滤波器将各个子滤波器输出的估计按照一定的方式进行融合；同时，主滤波器对子滤波器下一阶段初始值进行重新设置。
[0036]
作为本发明优选实施例技术方案的进一步限定，所述信息分配是两个子滤波器与主滤波器之间进行系统信息分配，在进行信息分配时，β1+β2＝1，设置βm＝0，那么也为0，主滤波器不参与全局信息的分配，在联邦滤波器中只对各个子滤波器进行信息融合，主滤波器的数据融合算法如下式所示：
[0037][0038][0039][0040]
其中,下标g表示全局估计，表示当前时刻的全局状态量估计值；pg表示当前时刻的全局估计协方差阵，qg表示当前时刻的全局干扰噪声方差强度阵。
[0041]
本发明还提供了一种无人值守智能仓内自动路径导引系统，所述系统包括：
[0042]
第一子滤波器，用于将基于wifi定位产生的位置数据进行滤波，产生局部最优估计值；
[0043]
第二子滤波器，用于将基于rfid定位产生的位置数据进行滤波，产生局部最优估计值；
[0044]
主滤波器，用于将局部最优估计值进行全局信息的最优融合，并将最优融合值以信息分配因子β1分配给wifi定位子系统作为其下一次滤波的初始值，以信息分配因子β2分配给rfid定位子系统为其下一次滤波的初始值。
[0045]
综上所述，本发明实施例根据无人值守智能仓当前无线网络和射频设备部署的实际情况，针对当前仓内定位融合算法及定位系统的特点，设计基于carlson 提出的联合卡尔曼滤波算法综合利用wifi及rfid定位技术的融合定位系统结构。
[0046]
与当前常见的其他室内定位技术方案相比，应用融合定位技术的无人值守智能仓自动路径导引系统采用分散化的处理方式，降低了仓内定位系统的计算复杂度，提高了整体容错能力；另一方面，相对于单一的室内定位方式，联合卡尔曼滤波的融合定位算法使全
局状态估计的精度得以提高，同时主滤波器对子滤波器下一阶段初始值进行重新设置，使子滤波器对状态的估计精准度也得到提高。也获得了较高的定位精准度。
附图说明
[0047]
图1为本发明实施例提供的一种无人值守智能仓内自动路径导引方法的系统架构图；
[0048]
图2为本发明实施例提供的一种无人值守智能仓内自动路径导引方法的实现流图；
[0049]
图3为本发明实施例提供的一种无人值守智能仓内自动路径导引方法的一个子流程图；
[0050]
图4为本发明实施例提供的一种无人值守智能仓内自动路径导引方法的另一个子流程图；
[0051]
图5为本发明实施例提供的一种联合卡尔曼滤波的计算方法的流程图；
[0052]
图6为本发明实施例提供的一种无人值守智能仓内自动路径导引的结构框图；
[0053]
图7为本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
[0054]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0055]
在wifi定位技术和rfid定位技术中，对距离的测量均是基于对接收到的 rssi(received signal strength indication,接收信号强度)值进行处理所得到的。由于受到无人仓内墙壁反射、障碍物等复杂环境因素的影响，仓内无线信号的传播很容易受到干扰，所获得的无线信号强度值也存在较大的路径损耗等误差。因此，wifi传感器和rfid传感器在利用rssi技术进行位置估算时，其所获得的测量距离也同样会受由环境等因素所引起的测量误差的影响。
[0056]
无人值守智能仓由于业务开展需要，已布设wifi网络和rfid标签及读写设备。wifi因其低成本、低功耗、组网简单、布设方便等特点，非常适合用于仓内检测与定位，通过wifi无线模块离线建立指纹数据库，采用knn算法在对应的指纹库内进行数据匹配可实现定位；另一方面，rfid模块在landmarc系统中通过布设电子标签，同时采集标签的位置坐标，可基于信号强度利用k近邻算法对待定位标签进行位置坐标匹配。将上述两种定位算法进行融合，既可以节约部署成本，又可以充分发挥两种定位的优势从而进一步提升精准度。
[0057]
图1示出了本发明实施例提供的无人值守智能仓内自动路径导引方法的系统架构图；
[0058]
以下结合附图对发明实施例的具体实现进行详细描述。
[0059]
图2为本发明实施例提供的一种无人值守智能仓内自动路径导引方法的实现流图；
[0060]
一种无人值守智能仓内自动路径导引方法，所述方法包括以下步骤：
[0061]
步骤s100：基于wifi定位和rfid定位产生的位置数据作为子滤波器的输入；其中，
将位置数据在子滤波器中进行滤波，产生局部最优估计值；
[0062]
其中，在本发明实施例中，基于k近邻的wifi定位算法：
[0063]
位置指纹定位算法是最常用的基于非测距的定位算法，在实际的定位实现中采用以机器学习为基础的指纹信息测量rssi强度的定位方法，一般需要经过采集离线指纹库和信号的在线定位两个阶段来实现仓内定位。
[0064]
1)离线采集阶段：收集到系统定位所必须的训练数据信息，从而形成指纹数据库用于实现对定位环境模型的建立，以此为基础获得wifi信号强度在此无人仓内定位环境中的分布情况；
[0065]
2)在线采集阶段：将收集到的信号强度值输入到在离线采集阶段已获得模型中，并将其与指纹数据库中的训练数据进行信息匹配，根据位置估测算法得到当前的定位结果。
[0066]
利用k近邻(knn)算法与指纹数据库进行匹配计算时，将指纹数据根据欧式距离进行排序后选取k(k≥2)个与终端节点接收信号强度s距离最近的指纹数据，再把所选取的k个指纹参考数据对应的位置坐标进行取平均(x，y)，并将它作为最后的待定位终端节点的位置。
[0067]
其中，在本发明实施例中，基于landmarc的rfid定位算法：
[0068]
经典landmarc算法中参考标签的布局会影响到定位精度，待定位标签处于定位区域的中央时，定位的误差较小，而处于边缘时误差较大。为了改善这一点，在经典landmarc算法基础上，调整参考标签布局，改善边界待定位标签的定位精度，利用一个阅读器和两个有源参考标签进行定位估算，不仅能简化计算复杂度，还能有效降低定位误差。
[0069]
基于测距的rssi值的定位算法，在实施定位操作计算时首先对信号的传播模型进行确定。在利用系统先前设置的参考节点的位置坐标以及和其相对应的 rssi测量值，对环境的参数进行确定，进而获得此无人仓内环境的信号传播模型，可以根据典型的对数路径大尺度传播损耗模型来反映电子标签发射出的信号在仓内信道环境传播过程中的强度变化，其公式如下：
[0070][0071]
其中，p(d)表示阅读器距离标签位置为d处的接收的信号强度值，其单位为dbm；d0为参考距离，一般取值为1m；α为路径损耗指数，表示路径损耗随距离增长的速率；x
σ
是均值为0，标准差为σ的高斯分布随机数。
[0072]
根据公式和经验，得出不同环境下路径损耗α(db,分贝)和噪声标准差(σ) 的关系，得出不同隔断物体的比值。
[0073]
不同环境路径损耗α(db)噪声标准差α硬隔断5.03.0软隔断9.62.4纺织品/化学品5.02.1金属物5.81.6谷物/纸张6.01.8
[0074] 一种无人值守智能仓内自动路径导引方法，所述方法还包括以下步骤：
[0075]
步骤s200：分别将所述局部最优估计值作为输入在主滤波器进行全局信息的最优融合，主滤波器将最优融合值以信息分配因子β1分配给wifi定位子系统作为其下一次滤波的初始值，以信息分配因子β2分配给rfid定位子系统为其下一次滤波的初始值。
[0076]
其中，在融合定位算法中，数据融合的核心思想，是将来自多个不同传感器的具有不同功能、不同时变性及不同精度的信息，根据一定模糊性的综合处理，得到更精确和更可靠的数据信息。信息融合除了将多个传感器检测到的信息进行融合处理外还需融合观测到的事实数据，从而很好地消除噪声干扰，通过对信息的优化组合来确定所需要的有效信息。
[0077]
具体的，在本发明实施例中，数据融合的主要步骤包括：
[0078]
(1)信息提取
[0079]
不同情景下的所需要的传感器不同，因此需要采用不同的传感器检测获取被测目标的数据信息，工程上常用到的是光电信号转换及模数转换，再通过计算机 i/o口输入进行数据处理。
[0080]
(2)数据预处理过程
[0081]
由于环境因素存在一定量的噪音加之模数转换过程中会产生一定的量化噪音，在对获取到的数据进行融合处理前需要预处理过程从而尽可能去除噪音来获得较高的信噪比。常用的方法有滤波、去均值、野值点剔除、消除趋势项等方法。
[0082]
(3)特征数据提取
[0083]
既是对被检测到的各个物理量进行特征向量提取，从而可以对这些特征向量进行融合计算。
[0084]
(4)融合计算
[0085]
尽管数据融合至今尚未提出一套完整且成熟的方案，但许多研究人员根据各自应用领域具体的应用场景，已经提出了多种有效便捷的数据融合方法，常用的包括加权平均法、贝叶斯估计、卡尔曼滤波及其扩展。
[0086]
图3示出了本发明实施例提供的一种无人值守智能仓内自动路径导引方法的的一个子流程图；
[0087]
具体的，在本发明的一个较佳实施方式中，所述基于wifi定位产生位置数据的步骤包括：
[0088]
步骤s1011:收集到系统定位所必须的训练数据信息，从而形成指纹数据库，指纹数据库用于实现对定位环境模型的建立，以此为基础获得wifi信号强度在目标无人仓内定位环境中的分布情况；
[0089]
步骤s1012:将收集到的信号强度值输入到定位环境模型中，并将其与指纹数据库中的训练数据进行信息匹配，根据位置估测算法得到当前的定位结果。
[0090]
其中，所述将收集到的信号强度值输入到定位环境模型中，并将其与指纹数据库中的训练数据进行信息匹配，根据位置估测算法得到当前的定位结果的步骤具体包括：利用k近邻(knn)算法与指纹数据库进行匹配计算时，将指纹数据根据欧式距离进行排序后选取k(k≥2)个与终端节点接收信号强度s距离最近的指纹数据，再把所选取的k个指纹参考数据对应的位置坐标进行取平均 (x，y)，并将它作为最后的待定位终端节点的位置，以获得位置数据。
[0091]
图4示出了本发明实施例提供的一种无人值守智能仓内自动路径导引方法的另一
个子流程的实现方式。
[0092]
具体的，在本发明的一个较佳实施方式中，所述基于rfid定位产生位置数据的步骤包括：
[0093]
步骤s1021:在目标无人仓内定位区域布置一个阅读器和两个有源参考标签；
[0094]
步骤s1022:由一个阅读器分别对两个有源参考标签和待定位标签采集其接收信号强度；
[0095]
步骤s1023:基于测距的rssi值的定位算法，对信号的传播模型进行确定；
[0096]
步骤s1024:根据阅读器接收到的待定位标签的信号强度，计算出待定位标签到阅读器之间的距离，以此获得位置数据。
[0097]
其中，在本发明提供的一个优选实施方式中，所述基于测距的rssi值的定位算法，对信号的传播模型进行确定的步骤具体包括：
[0098]
在利用系统先前设置的有源参考标签的位置坐标以及和其相对应的rssi测量值，对环境的参数进行确定，进而获得此无人仓内环境的信号传播模型，根据典型的对数路径大尺度传播损耗模型来反映电子标签发射出的信号在仓内信道环境传播过程中的强度变化，其公式如下：
[0099][0100]
其中，p(d)表示阅读器距离标签位置为d处的接收的信号强度值，其单位为dbm；d0为参考距离，一般取值为1m；α为路径损耗指数，表示路径损耗随距离增长的速率；x
σ
是均值为0，标准差为σ的高斯分布随机数。
[0101]
更进一步的，在本发明提供的优选实施方式中，所述将位置数据在子滤波器中进行滤波，产生局部最优估计值的步骤具体包括：
[0102]
在子滤波器中采用卡尔曼滤波算法，通过预测、校正方法对当前的位置信息进行迭代更新与校正，得到局部最优估计值。
[0103]
在本发明实施例中，考虑到信道多径特性和噪声的影响，在基于wifi和rfid 的无人仓定位系统中，传统的路径传播损耗模型估计等算法并不能提供实时而准确的定位，而现有的一些改进定位算法受其高复杂度计算的限制，同样不能满足仓内定位实时性的需求。由此，可以尝试应用对噪声等信息进行消除且计算简单的基于贝叶斯估计理论的卡尔曼滤波等算法。
[0104]
卡尔曼滤波方法是一种时域方法，它以模型的统计特性递推，为过程状态的估计提供了一种高效且低复杂度的计算法方法，并能使均方误差的估计达到最小。其算法递推计算的本质确保了系统在数据处理过程中仅需要少量的空间即可满足要求。卡尔曼滤波方法在系统测量方程和状态方程均为线性且服从高斯分布的情况下可获得系统状态的无偏最小均方误差估计。
[0105]
卡尔曼滤波器采用反馈控制的方法实现对过程状态的估计，其首先根据时间更新方程来对后一时刻的过程状态值和误差协方差值进行先验估计，然后通过测量更新方程和当前时刻的测量值实验对后延状态的估计。因此，根据测量值，先验状态的估计值和后延状态的估计值之间以反馈的方式实现更新迭代。
[0106]
具体的，在本发明提供的优选实施方式中，所述采用卡尔曼滤波算法，通过预测、
校正方法对当前的位置信息进行迭代更新与校正的步骤包括：根据测量值，先验状态的估计值和后延状态的估计值之间以反馈的方式实现更新迭代；
[0107]
其中，子滤波器的状态方程为：
[0108]
xi(k+1)＝φ(k)xi(k)+w(k)
[0109]
其中，φ(k)表示子滤波器的状态转移矩阵，w(k)表示对应的过程噪声，其服从均值为零的高斯分布，且互不相关；
[0110]
子滤波器测量方程为：
[0111]
zi(k)＝hi(k)xi(k)+v(k)
[0112]
其中，hi(k)表示子滤波器的测量转移矩阵，v(k)表示对应的测量噪声，其服从均值为零的高斯分布，且互不相关。
[0113]
图5示出了本发明实施例提供的联合卡尔曼滤波的计算方法的具体实现流程图；
[0114]
其中，在本发明实施例中，，采用由两个子滤波器组成联合卡尔曼滤波器, 所述联合卡尔曼滤波的计算方法400如下：
[0115]
步骤s401：将整体估计值分配至各个子滤波器和主滤波器之中；
[0116]
步骤s402：对各个子滤波器和主滤波器中进行时间更新；
[0117]
步骤s403：在各个子滤波器中执行测量更新的算法；
[0118]
步骤s404：主滤波器将各个子滤波器输出的估计按照一定的方式进行融合；同时，主滤波器对子滤波器下一阶段初始值进行重新设置。
[0119]
具体的，在本发明的优选实施方式中，所述的联合卡尔曼滤波的计算步骤具体如下：
[0120]
1)将系统整体估计值根据一定的信息分配规则分配至各个子滤波器和主滤波器之中；
[0121]
2)分别利用相同的算法在各个子滤波器和主滤波器中进行时间更新；
[0122]
3)在各个子滤波器中执行测量更新的算法；
[0123]
4)主滤波器将各个子滤波器输出的估计按照一定的方式进行融合，使全局状态估计的精度得以提高。同时，主滤波器对子滤波器下一阶段初始值进行重新设置，使子滤波器对状态的估计精度也得到提高，且其分散化的处理方式降低系统的计算复杂度。
[0124]
在无人仓内定位的过程中，由于仓内环境的复杂性以及噪声的干扰，且仓内运动物体(人员或agv)前一时刻和下一时刻运动的相关性，当其受到干扰时会直接影响物体定位的精度。因此，可通过采用卡尔曼滤波的预测、校正方法来对仓内运动物体的位置信息进行滤波定位，提高仓内定位的精准度。
[0125]
进一步的，在本发明实施例中，，所述信息分配是两个子滤波器与主滤波器之间进行系统信息分配，在进行信息分配时，β1+β2＝1，设置βm＝0，那么p
m-1
也为0，主滤波器不参与全局信息的分配，在联邦滤波器中只对各个子滤波器进行信息融合，主滤波器的数据融合算法如下式所示：
[0126][0127][0128]
[0129]
其中,下标g表示全局估计，表示当前时刻的全局状态量估计值；pg表示当前时刻的全局估计协方差阵，qg表示当前时刻的全局干扰噪声方差强度阵。
[0130]
在融合定位设计中，分别以wifi定位和rfid定位产生的位置数据作为子滤波器的输入，其分别在子滤波器中进行滤波，产生局部最优估计值，并将其作为输入在主滤波器进行全局信息的最优融合。其中，在子滤波器中采用卡尔曼滤波算法，通过预测、校正方法对当前的位置信息进行迭代更新与校正，从而减小误差。然后，主滤波器将最优融合值以信息分配因子β1分配给wifi定位子系统作为其下一次滤波的初始值，以信息分配因子β2分配给rfid定位子系统为其下一次滤波的初始值，从而使局部滤波和全局滤波的精度得到提高，实现基于wifi 和rfid技术的最优仓内融合定位。
[0131]
图6还示出了一种无人值守智能仓内自动路径导引系统的结构框图，其中，在本发明实施例中，提供了一种无人值守智能仓内自动路径导引系统，所述系统 500包括：
[0132]
第一子滤波器501，用于将基于wifi定位产生的位置数据进行滤波，产生局部最优估计值；
[0133]
第二子滤波器502，用于将基于rfid定位产生的位置数据进行滤波，产生局部最优估计值；
[0134]
主滤波器503，用于将局部最优估计值进行全局信息的最优融合，并将最优融合值以信息分配因子β1分配给wifi定位子系统作为其下一次滤波的初始值，以信息分配因子β2分配给rfid定位子系统为其下一次滤波的初始值。
[0135]
因此，基于wifi和rfid的融合定位系统由一个主滤波器和两个子滤波器共同组成。在子滤波器中利用卡尔曼滤波算法分别进行时间更新以及量测更新，量测信息在子滤波器中并行处理。主滤波器利用滤波融合算法对子滤波器输出的定位信息进行融合，从而便可以获得较高精度的定位信息。
[0136]
综上所述，本发明实施例根据无人值守智能仓当前无线网络和射频设备部署的实际情况，针对当前仓内定位融合算法及定位系统的特点，设计基于carlson 提出的联合卡尔曼滤波算法综合利用wifi及rfid定位技术的融合定位系统结构。
[0137]
与当前常见的其他室内定位技术方案相比，应用融合定位技术的无人值守智能仓自动路径导引系统采用分散化的处理方式，降低了仓内定位系统的计算复杂度，提高了整体容错能力；另一方面，相对于单一的室内定位技术方案(wifi 定位、rfid定位)，联合卡尔曼滤波的融合定位算法使全局状态估计的精度得以提高，同时主滤波器对子滤波器下一阶段初始值进行重新设置，使子滤波器对状态的估计精准度也得到提高，也获得了较高的定位精准度。
[0138]
实验序号wifi定位误差rfid定位误差融合定位误差10.81390.76280.567320.79320.74160.542930.82120.80110.571640.79170.76590.534450.80920.75200.573160.76350.71280.5572
70.77140.72330.529180.80190.78190.580490.79100.73750.5612100.81030.78160.5957平均0.79530.75610.5613
[0139]
图7为本发明实施例提供的计算机设备的结构示意图。
[0140]
本发明实施例提供的计算机设备600可以执行无人值守智能仓内自动路径导引方法实施例提供的处理流程，如图7所示，计算机设备600包括存储器601、处理器602、计算机程序；其中，计算机程序存储在存储器601中，并被配置为由处理器602执行无人值守智能仓内自动路径导引方法。
[0141]
其中，在本发明提供的实施例中，并被配置为由处理器602执行的所述无人值守智能仓内自动路径导引方法包括以下步骤：
[0142]
步骤s100：基于wifi定位和rfid定位产生的位置数据作为子滤波器的输入；其中，将位置数据在子滤波器中进行滤波，产生局部最优估计值；
[0143]
步骤s200：分别将所述局部最优估计值作为输入在主滤波器进行全局信息的最优融合，主滤波器将最优融合值以信息分配因子β1分配给wifi定位子系统作为其下一次滤波的初始值，以信息分配因子β2分配给rfid定位子系统为其下一次滤波的初始值。
[0144]
此外，计算机设备600还可具有通讯接口603，用于接收控制指令。
[0145]
图7所示实施例的计算机设备可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0146]
另外，本实施例还提供一种计算机可读存储介质，计算机可读存储介质可以为非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现无人值守智能仓内自动路径导引方法。其中，被处理器执行的所述无人值守智能仓内自动路径导引方法包括：
[0147]
步骤s100：基于wifi定位和rfid定位产生的位置数据作为子滤波器的输入；其中，将位置数据在子滤波器中进行滤波，产生局部最优估计值；
[0148]
步骤s200：分别将所述局部最优估计值作为输入在主滤波器进行全局信息的最优融合，主滤波器将最优融合值以信息分配因子β1分配给wifi定位子系统作为其下一次滤波的初始值，以信息分配因子β2分配给rfid定位子系统为其下一次滤波的初始值。
[0149]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0150]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0151]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0152]
在本发明实施例的一个典型的配置中，终端、服务网络的设备和计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0153]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram) 和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0154]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
[0155]
计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0156]
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0157]
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
[0158]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开的实施例旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
[0159]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。