论文部分内容阅读
为了保证在大型仓库中自动导引车(AGV,Automated Guided Vehicle)能有效面对环境复杂变化的仓储物流,其中最重要的就是获得实时可靠的位置信息。超宽带(Ultra-Wideband,UWB)室内定位技术凭借其抗干扰性强、高精度、低功耗等特点,广泛应用于大型作业场景下的AGV定位与导航系统。然而,由于工厂、仓库等复杂物理和结构特性以及墙壁,障碍物导致的多径效应以及非视距(Non-Line of Sight,NLOS)传播,而对复杂环境下可靠的UWB定位提出了特殊的挑战。为了保证AGV将货物安全、快速且精确地运送至目标位置,本文提出了一种低成本、低功耗且抗干扰性强的高精度室内定位与跟踪算法:(1)针对静态目标定位,给出基于群智能算法的Chan-Taylor定位算法。首先,依据蝙蝠算法(Bat Algorithm,BA)建立迭代寻优模型,将求解目标位置的问题转化成求解估计位置与实际位置差的最小值问题,提出随机扰动因子,旨在提高蝙蝠个体的搜索能力;针对蝙蝠算法容易陷入局部最优的问题,融合模拟退火算法(Simulate Anneal,SA),提高算法的全局搜索能力以获得目标的估计位置;最后使用Chan-Taylor算法确定目标的最终位置。研究结果表明:在基站受到不同程度遮挡时,该方法与现有的NLOS消除算法及定位算法相比,定位精度提高11～23cm。因此本文算法能够有效地提高定位算法在LOS/NLOS环境下的定位精度。(2)针对低速运动目标定位,给出一种基于Elman神经网络(Elman neural network,ENN)的优化和反馈学习的目标跟踪算法。提出通过交互式多模型-无迹卡尔曼滤波算法(Interactive Multi-Model,IMM)-(Unscented Kalman filter,UKF)的滤波差值,量测差值和增益矩阵进行在线训练,以同时实现反馈和优化估计。在反馈策略中,训练比例因子以自适应地调整动态模型的误差协方差矩阵;在优化策略中,训练校正分量来优化状态向量以完善最终状态估计。因ENN属于梯度下降法,会出现训练速度慢、容易陷入局部最优点而无法对神经网络的训练达到全局最优,加入粒子群(Particle swarm optimization,PSO)算法,优化ENN阈值与权重,从而提高算法的目标跟踪精度,并结合静态目标定位算法进行协同定位。根据仿真结果,本文给出的算法估计平均误差与现有交互式多模型滤波算法相比降低32.19%,同时算法收敛速度能力提高7%～18.2%。综上,本文研究的基于UWB的AGV静态目标定位与动态目标跟踪算法,为实现LOS/NLOS环境下实时可靠的AGV定位提供新思路。