室内移动机器人

室内移动机器人（精选8篇）

室内移动机器人 第1篇

移动机器人 (小车) 在许多领域扮演着重要角色, 在应用过程中, 最重要的是要让机器人随时知道自己的位姿, 否则不能完成其它工作。移动机器人上的传感器进行工作时, 获得的信息通常有不确定性, 不能完描述外界环境, 移动机器人定位的难度也就在于这种不确定性。传统的定位方式是循线前进, 即利用光电传感器检测比赛场地上的标记线, 作为判断方位的依据。循线方式的缺点是速度较低, 系统抗干扰能力及纠错能力较差[1]。光电鼠标是一种常见电脑外设, 其本身就是一种光电传感器, 通过检测鼠标底部表面的变化, 来判断鼠标的移动方向和移动距离, 并输出数字信号。由于鼠标与地面无直接接触, 故可以测量小车相对地面在不同方向的运动数据, 所以对测量方式的选取及计算方法有多种, 可以进行优化选择。用光电鼠标作位移传感器, 并用来测定计算小车坐标与方位角, 类似于航迹推算法, 有累计误差, 但不受轮子打滑和机械制造因素的影响[2]。但鼠标工作时的移动速度有上限, 也容易受地面因素影响, 但鼠标工作时的移动速度有上限, 也容易受地面因素影响, 数据传递也有一定的频率范围, 所以需要对各种影响最终定位结果的因素进行分析研究。

本文所设计采用的鼠标布局是独立创新的, 采用电子罗盘得到小车的航向角与以往的紧靠光电鼠标芯片得到小车相对初始位置的方向角更加精确。

2 系统的总体方案

本定位系统由上位机、STM32、电子罗盘、光电传感器部分、液晶显示屏、车体组成。其中光电传感器部分主要包括鼠标芯片、镜头、P C B板。传感器部分通过PS/2协议与STM32进行通信, 将光电鼠标采集到的位移信息传递给单片机, 经单片机处理后得到的坐标值显示在液晶屏上, 通过电子罗盘M A G 3 1 1 0得到小车的航向, 再得到小车的坐标和方向之后, 上位机通过无线数传向小车发送控制命令, 并将小车的行驶轨迹显示在上位机界面中。车体有两个驱动轮和一个万向轮组成。

3 系统的工作原理

光电鼠标内部有一个发光二极管, 通过它发出的光线, 可以照亮鼠标底部表面。此后, 经底部反射回的一部分光线, 通过一组光学透镜后, 传输到一个光感应器件内成像。这样, 当光电鼠标移动时, 其移动轨迹便会被记录为一组高速拍摄的连贯图像, 被鼠标内部的一块专用图像分析芯片分析处理。该芯片通过对这些图像特征点位置的变化进行分析, 来判断鼠标的移动方向和移动距离, 从而完成光标的定位[3]。通过电子罗盘来获得小车的航向角, 将光电鼠标得到的X和Y方向的位移和电子罗盘得到的航向信息结合从而完成上位机对小车的行为控制, 最终达到小车的室内定位。

4 系统的硬件架构图

本系统中的P S/2光电鼠标芯片采用的是PAN3101, 其芯片腹部有一个感光孔, 与透镜配合构成图像采集部分。外部控制器可以通过串口读取X和Y方向实时位移量对应值。它集成了C M O S图像传感器和D S P, C M O S感光模块负责采集、接收由鼠标底部光学透镜传递过来的光线 (并同步成像) , 然后CMOS感光块会将一帧一帧生成的图像交由其内部的D S P进行运算和比较, 通过图像的比较, 便可实现鼠标所在位置的定位工作[4]。

电子罗盘采用的是具有倾斜补偿的MAG3110, 使得在产品倾斜±40°的环境下依然可提供准确的航向数据。它是一款高精度, 低成本具有小型化和低功耗的特点, 更适合于当今的小型化敏感测量系统的三维电子罗盘。由于机器人只是在水平面上运动, 故只需要知道水平面上的方位角, 而不需要涉及横滚和俯仰角。机器人在定位过程中要通过电子罗盘计算出方位角, 通过方位角进行机器人在定位过程中的行为控制。将磁北方向在X轴和Y轴上进行分解得出方位角。分解图如下图3所示:

由于STM32的硬件IIC非常复杂, 不太好用, 故本文中采用了模拟IIC进行对电子罗盘的数据读取, 并计算出小车的航向角。

5 软件设计

5.1 系统流程图

在该系统流程图中, 其中小车的行为控制命令由上位机经无线数传发送。上位机是利用V C++6.0设计, 其控制界面如下图5所示:主要分为电子罗盘的航向角信息、小车的X和Y坐标信息、小车航点设置 (通过无线信号与下位机通信, 发送控制小车运动方向与速度的指令) 。

5.2 PS/2接口和通信协议

PS/2接口用于许多现代的鼠标和键盘, 由IBM最初开发和使用。物理上的PS/2接口有两种类型的连接器:5脚的DIN和6脚的mini-DIN。使用中主机提供+5V电源给鼠标, 鼠标的地连接到主机电源地上。图6是PS/2和STM32的连接电路图[5]。

PS/2鼠标接口采用一种双向同步串行协议。即每在时钟线上发一个脉冲, 就在数据线上发送一位数据。在相互传输中, 主机拥有总线控制权, 即它可以在任何时候抑制鼠标的发送。[5]方法是把时钟线一直拉低, 鼠标就不能产生时钟信号和发送数据。在两个方向的传输中, 时钟信号都是由鼠标产生, 即主机不产生通信时钟信号[6]。PS/2鼠标的流程图如图7所示。

由于PAN 3 1 0 1存取的X、Y寄存器能表示的数据范围比较小[7], 所以处理器STM32需要不断的从X、Y寄存器里读取值, 累加并保存。Motionstion是PAN3101内部的一个寄存器, 它用来标志是否产生位移。处理器读取光电鼠标数据的流程图如下图8所示:

6 实验结果和分析

为了验证该定位系统的可行性和精确度, 将小车放置在平坦的室内地板上, 实验中, 分别输出了X和Y轴两个方向上的测量结果。如下图9所示。

该图9为小车沿X轴运动时采集到的数据, 经过E X C E L数据处理后得出的图形。

该图10为小车沿Y轴运动时采集到数据, 经过EX-CEL数据处理后得出的图形。为了更好的验证该定位系统的有效性, 下图为实际测试过程中的定位效果图11。

其中蓝色的方块图为小车得初始位置, 粉色的方块图为小车的目标位置, 下图1 2中蓝色的线为小车按照上位机发送的控制命令到达目标点走过的路线。

通过上面图9、图10、图11和图12可以看出, 利用光电鼠标进行室内定位精度比较高, 可以满足一般机器人的使用要求。

7 结束语

本文提出了一种利用光电传感器实现移动机器人的室内定位, 并搭建了硬件平台进行了软件编程, 通过实验验证了该定位系统和方法的可靠性。但是光电鼠标作为小车传感器, 其准确性依赖于传感器分辨率的准确与稳定, 因此仅适用于非常平整均匀、不反光的地面[8], 即应达到鼠标实际分辨率保持稳定状态的条件, 而且小车移动的速度也应低于某一标准。在满足上述条件时, 本设计的导航系统是可以适用小范围短距离内的导航, 能够测量细微的变化。

摘要：设计了一种基于光电鼠标和电子罗盘的机器人定位系统。通过放置在小车尾部中央位置的光电鼠标芯片测出X和Y的单位时间内的位移数据, 经过STM32处理得到坐标值, 并将小车的坐标值等信息显示在液晶屏上。通过电子罗盘得到小车的航向。在获取小车坐标与方向后, 上位机通过无线模块向小车发送控制命令, 从而控制小车的行驶轨迹, 并将行其显示在上位机界面。经实验测试, 测量位移的定位误差在0.45%, 可以达到满足机器人室内定位系统的要求。

关键词：移动机器人,光电鼠标,电子罗盘,PS/2协议

参考文献

[1]唐琎, 白涛, 蔡自兴.基于光电鼠标的移动机器人室内定位方法[J], 微型计算机, 2005, 21 (5) :20-21

[2]李少泽, 乔文文, 杨宇轩等, 光电鼠标在机器人定位中的应用.新器件新技术[J], 2012, (10) :36-39

[3]陈小君.光电技术的应用实例报告--光电鼠标[Z].2012

[4]张学民, 陈西平, 宋旭稳.机电产品开发与创新[J].2010, 23 (3) :8-10

[5]陈智博, 蔡钟山, 刘聃等.电子技术论坛[EB/OL].http://www.elecfans.com, 2012

[6]刘军.例说STM32[M].北京:北京航空航天大学出版社, 2011

[7]张天昀.基于光电传感器的机器人室内定位与自动充电[D].上海:复旦大学, 2012

基于环境模型的移动机器人路径规划 第2篇

介绍了一种新的移动机器人路径规划方法.采用链接图法,对工作空间建模.用Dijkstra算法决策出全局最短路径,然后用遗传算法对此路径进行优化,得到全局最优路径.最后提出了一种对路径几何改进的方法.仿真结果表明,该方法方便简单,对所规划的路径质量有所提高.

作 者：宋彩云 王明磊 刘肖琳 SONG Cai-yun WANG Ming-lei LIU Xiao-lin  作者单位：国防科技大学机电工程与自动化学院,长沙,410073 刊 名：电光与控制  ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 13(3) 分类号：V249 TP24 关键词：链接图法   Dijkstra算法   遗传算法   路径规划   移动机器人  

室内移动机器人 第3篇

随着物联网、计算机技术、智能机器人的发展, 移动机器人的应用场合也越来越受到人类的关注。移动机器人是集监测传感器、动态决策和控制于一体的复杂控制系统。在这过程中, 路径规划是移动机器人控制系统的核心技术之一[1]。上个世纪的60年代开始, 国内外的学者就开始对移动机器人的路径规划[2、3]进行了相关的研究, 主要的路径搜索算法有Dijkstra算法、A*算法[4]、人工势场法, 以及最近研究较多的神经网络算法[5]、蚁群优化算法[6、7]、遗传算法[8]等搜索技术。Dijkstra算法是荷兰计算机科学家艾兹格·迪科斯彻发现的, 是一种比较经典的求最短路径的算法, 采用的是广度优先的遍历算法, 时间复杂度为O (n2) , 当在大地图中使用该方法时, 搜索时间明显增加。蚁群算法、神经网络算法、遗传算法[5、6、7、8]等智能算法已经应用到机器人足迹规划中。这些算法本身存在着一些缺陷, 如局部寻优能力差、早熟现象等问题就很突出, 严重影响路径规划的计算效率和可靠性。

本文结合服务机器人越来越多的在智能家居中应用, 而提出在复杂的室内环境中运用机器人辅助完成各项任务的路径规划研究, 该过程中机器人采用事件驱动工作模式。通过路径算法机器人可以快速到达事发现场进行拍照和指令操作。这就要就机器人路径规划要有实时性, 因此本文提出了一种基于栅格模型下的机器人实时路径规划算法。

2 机器人的工作环境建模

在移动机器人工作环境中可以通过建立一个坐标系来具体描述, 并将建好的坐标系分割成一个个小单元, 形成栅格[9]。栅格边的大小可以根据机器人一步行走的距离来划分, 这样可以更精确地规划出行走路径, 再通过放缩因子就可以准确得到现实中的距离。划分的栅格分为两种, 自由栅格和障碍物栅格。自由栅格:栅格位置是可达的, 机器人可以没有约束地行走;障碍物栅格:机器人不能通过的场所。为了保证栅格的划分, 只要所分栅格中存在障碍物, 该栅格就抽象为一个满栅格块。在MATLAB2009版中编程建立机器人工作的环境模型如图1。图中每个栅格大小为一个单位长度的正方形, 其中黑色部分表示的是环境中的障碍物, 白色栅格表示为自由栅格。该模型近似于室内的家居环境。

虚拟栅格[9、10]是在机器人探知未知环境的同时所建立起来的环境信息, 能通过编程实现的模拟环境。本文是通过以下假设实现: (1) 机器人能对室内的二维环境进行全覆盖感知。 (2) 当机器人进入某一栅格时, 恰好是对该栅格的全覆盖。 (3) 机器人在环境中运动时忽略自身因机械损耗和摩擦带来的误差。 (4) 机器人在每个自由栅格中的移动选择是以当前栅格为中心的其它八个相邻自由栅格, 且每次一步运动为一个栅格, 具体运动关系如图2。

3 启发式算法理论及分析

3.1 路径规划

家庭服务机器人运用在智能家居环境中, 是为了能在家庭帮助户主管理家庭内部设备的控制。而这就要求该家庭服务机器人对事件处理要有实时性, 操作简单性。因此针对室内复杂环境研究出一种实时快速的室内机器人路径规划是十分必要的。在众多路径规划算法中, 蚁群算法、遗传算法等虽然能取得较好的最优路径或次优路径, 但这些算法都是以时间为代价来取得好的效果, 这不符合室内机器人快速达到现场查看的要求, 因此本文选择一种启发函数[12]并结合栅格设定的室内地图来实现机器人路径规划, 工作流程如图3。

3.2 A*算法的思想和启发函数的设计

A*算法[5、12]是对传统的Dijkstra算法的有效改进, Dijkstra算法只是对路径进行深度或广度搜索后, 选择代价函数值最小的链路, 因此对于节点数量多的网络连通图, 计算量会明显增加。为了解决这样一个问题, A*算法中引入了估价函数, 减少节点选择搜索的盲目性, 通过计算结果来选择候选节点, 这样在某种程度上能减少对节点的搜索范围, 增加节点的选择效率。

A*算法搜索过程中涉及到的每个节点的估价函数f (n) 其形式如公式 (1) 所示[5]:

在式 (1) 中, 其中f (n) 代表A*算法中从起点 (S) 经过中间节点N到终点 (T) 的最短路径的成本估计值;g (n) 表示从起点S到当前节点N的实际消费值, h (n) 则表示从当前节点N到达目标T点所需要的消费的预估值。而A*算法比Dijkstra算法优越性就体现在h (n) 这个启发函数上, 因此启发函数h (n) 设计越好, 所得的路径规划就越优越。

当室内设备发生故障时, 机器人可通过无线传感网络收到警报信息确定故障的具体位置 (因为机器人对室内环境已知) 设为目标T, 其坐标为 (tx, ty) , 为了进一步确认事故现场的情况及进行有效操作, 机器人需要快速爬到故障位置处进行处理 (主人通过终端发机器指令) 。因此本文对启发函数h (n) 进行了精心设计。

传统的A*算法所采用的启发函数有曼哈顿距离、欧氏距离信息作为路径搜索节点的信息, 当前节点的坐标为 (nx, ny) 曼哈顿距离计算公式如式 (2) :

由欧氏距离作为启发函数h (n) 的计算公式如式 (3) :

这种节点的选择作为评估方式存在一定的弊端, 因为实际距离远远会比所估计的距离相差很大, 其实在搜索过程中要得到快速且又近的路径, 不仅与所选择的距离函数作为预测有关, 还受到很多其他因素的影响, 但传统的方法只对距离因素进行了约束。本文就是在这基础上不但选择距离作为约束条件, 还增加了机器人对目标搜索的方向函数作为约束条件, 新设计的启发函数如式 (4) :

其中a为提高节点角度信息的一个权重因子, 表示该节点的重要程度, a的具体取值是根据地图的实际大小来确定, θ是当前节点与目标节点组成的矢量与起始节点和目标节点组成的矢量的夹角, 表示当前节点方向选择, 如果所得角度越小, 则预估价函数的方向性选择越强, 越容易趋向目标节点, 具体表示如图4。

由式 (5) 可以求得θ的取值, 且可以知道θ的取值范围为[0, 90]度之间:

通过 (5) 式求得θ的值后, 结合式 (4) 可知sinθ在[0, 90]内是单调递增的函数, 这样可以进一步保证代价函数f (n) 取得最小, 而使路径搜索方向更明确, 时间更快。

4 本文算法设计步骤

通过上述分析, 可以知道启发函数的好坏是路径搜索的关键, 在此详细介绍本文的算法步骤。

Step1算法初始化。建立栅格地图, 为地图中的每个栅格分配好坐标, 确定目标点位置 (T) , 起点位置就为机器人当时所在位置 (S) 。

Step2建立两个列表。一个为CLOSED列表, 用来储存已搜索的节点和障碍物节点;另一个为OPEN列表, 用来储存当前节点的相邻自由栅格。

Step3设定估价函数初始值。将step1中的起点位置S放入OPEN中, 并设估价函数初始值f (n) =0, g (n) =0。

Step4确定搜索方向。以机器人最原始位置S到目标点T的矢量作为参考方向, 计算当前节点的可选自由栅格 (N) 到目标节点组成的矢量与参考矢量的夹角, 同时计算相应的欧氏距离, 确定h (n) 。

Step5更新搜索节点。通过根据建立好的移动策略, 机器人移动到下一栅格并更新g (n) 、f (n) 。选择最小的f (n) 值点作为当前选择的点, 并将该点放入CLOSED列表中。

S t e p 6判断是否达到目标节点。如果达到则进入step7, 否则跳入step4。

Step7输出路径, 算法结束。

该算法的具体流程如图5。

5 仿真实验与分析

本文是在matlab2009版本软件, CPU (AMD) 处理频率为2.5GHz, 内存2GB的环境下进行的仿真, 并结合了蚁群算法的路径规划进行了对比, 针对不同的情况分别进行了三种不同的仿真分析。

仿真分析1:针对室内环境进行了栅格地图的创建, 该环境是20*20的栅格地图, 并在建好的地图中随机设置目标点和机器人的起始位置 (这样设置的目的是更能真实的反应机器人在巡逻时收到跌倒报警信息时, 可以自由的从室内任何一个位置快速到达跌倒位置进行查看) , 在系统中是把跌倒处理事件设置为优先级最高, 通过这样的规定能确保机器人第一反应的是对跌倒进行检测工作。在该环境下的仿真结果如图6, 其中图6中 (a) 表示本文算法, (b、c) 分别表示蚁群算法的仿真图。

由仿真可知本文算法能较好的得到一条通往目标点的路径, 相对蚁群算法能得到更好短的路径, 虽然蚁群算法经过多次迭代最终也能寻找到一条相对较优的路径, 但本文算法更能满足实时性的路径规划要求。

仿真分析2:为了验证本文算法对不同栅格数地图在路径搜索的实时性, 分别针对栅格数为10*10、15*15、20*20、30*30的地图进行仿真分析, 每一种相同栅格地图中障碍物相同, 并对每种栅格地图随机设置障碍物经过10次统计每种地图中路径搜索时间和再求均值, 10次平均搜索耗时如表1, 列出了本文算法同传统的A*算法以及蚁群算法在不同环境下的时间统计平均耗时。

仿真2通过对不同栅格数的地图进行分析, 从表1可以看到随着栅格数目的增加, 这几种算法在障碍物相同的情况下搜索时间都在不断变大, 但本文算法的搜索时间变化不是特别明显, 能很好的满足时间效率。这对机器人用于突发事件的实时性处理的路径规划非常有意义。

仿真分析3:为了讨论在固定栅格地图中障碍物所占比例不同, 对机器人路径规划搜索的影响。该仿真在同一种栅格地图 (20*20) 中, 随机设置障碍物比例分别为10%、20%、30%、50%四种情形, 仿真结果如图7a、7b、7c、7d所示。为了统计搜索时间, 每种情形通过10次仿真后对搜索时间进行统计平均, 搜索时间如表2。

通过仿真3可知, 在同一种栅格地图中, 随着障碍物的不断增大, 虽然都能找到一条到目标点的路径, 但蚁群算法的搜索时间在增大。由于本文算法中对设置的障碍物直接放入了不需要搜索的链表中, 从而保证了搜索节点相应减少, 因此搜索时间反而变快 (且这种情况在更大的栅格地图中更能体现这种优势) , 这更能说明本文算法能适用已知地图环境中更复杂、障碍物多的环境, 当然遗传算法、蚁群算法等在路径规划中也有它独特的优势。

6 结论

本文针对智能家居环境中服务机器人的发展, 从而针对室内服务机器人情形研究了一种运用栅格模型建立地图和采用启发函数作为搜索因子的快速路径规划算法。通过上述的三种仿真结果可以知道, 本文算法能有效的解决室内障碍物的影响, 并能快速针对目标位置进行搜索, 具有很好的鲁棒性。由于机器人是集成多传感器的一个整体, 机器人通过搜索的路径到达事发地点, 启用相应的设备完成检测任务。同时本文算法还可以应用到其他复杂环境, 特别是在已知环境地图、同时也有大量障碍物的路径搜索的情况下更能体现它的优势。

摘要：随着无线传感器及家庭服务机器人的出现, 现有的路径规划算法中大多不能满足实时性要求。文章提出一种针对室内环境的路径规划算法。该算法中通过采用栅格模型建立地图, 设定新的启发函数, 仿真结果表明该算法简单实用、且计算速度快, 且在已知家庭地图的情况下该算法搜索时间有明显的优势, 同时该算法能适用多障碍物的室内环境。

关键词：智能机器人,无线传感器,栅格法,路径规划

参考文献

[1] Soulignac M.Feasible and optimal path planning in strong current fileds[J].IEEE transactions on robotics, 2011, 27 (1) :89-98

[2] Alexopoulos C, Griffin P M.Path planning for a mobile robot[J].IEEE trans on system man and cybemetics, 1992, 22 (2) :318-322

[3] Tsai C C, Huang H C, Chan C K.Parallel elite genetic algorithm and its application to global path planning for autonomous robot navigation[C].In proceedings of IEEE international conference on computer applications, shipbuilding, 2011:4813-4821

[4] 漆阳华, 杨战平, 黄清华.A*的改进路径规划算法[J].信息与电子工程, 2009, 7 (4) :326-329

[5] 宋勇, 李贻斌, 栗春等.基于神经网络的移动机器人路径规划方法[J].系统工程与电子技术, 2008, 30 (2) :316-319

[6] 张美玉, 黄翰, 郝志峰等.基于蚁群算法的机器人路径规划[J].计算机工程与应用, 2005, 25:34-37

[7] 潘杰, 王雪松, 程玉虎.改进蚁群算法的移动机器人路径规划[J].中国矿业大学学报, 2012, 41 (1) :108-113

[8] 崔瑾娟.基于遗传算法的机器人路径规划[J].洛阳师范学院学报, 2013, 32 (2) :35-42

[9] 吴锋, 杨宜民.一种基于栅格模型的机器人路径规划算法[J].现代计算机, 2012, 02:7-13

[10] 周郭许, 唐西林.基于栅格模型的机器人路径规划快速算法[J].计算机工程与应用, 2006, 21:197-199

[11] Zhou Fengyu, Song Baoye, Tian Guohui.Bezier curve based smooth path planning for mobile robot[J].Journal of information&computational science, 2011, 12 (8) :2441–2450

移动教学机器人设计 第4篇

当前国内用于教学的机器人普遍为轮式机器人, 其有着结构简单、控制方便等特点, 易于初学者接触学习, 多用于巡线避障等实验。但是, 由于其功能比较单一, 在竞赛方面, 轮式移动机器人的适用范围比较狭窄, 除了在早期的比赛中有所展示之外, 渐渐地退出了竞赛范围。多自由度的机械臂也普遍被应用在机器人教学项目里, 被用来演示一定空间范围内物体的抓取, 用以运动学分析的教学。这种机械臂的优点在于由一台专门的上位机控制, 可通过相应的软件直接进行机械臂空间位置的调整。但是, 其缺点也很明显, 一般都是位置固定的, 而且普遍为封闭的, 不用于拆卸。

本文针对开放式教学的特点, 结合教学实际, 设计了一套基于本科教学实验用的轮臂式教学机器人, 搭建了具有较高的开放性、通用性和关节型结构的微型机器人的教学平台。

1 机器人整体设计方案

图1为机器人系统总设计框图。本教学用机器人的系统总体设计以控制系统模块化为主, 采用嵌入式系统为主要控制技术。控制系统主要由AVR核心模块、驱动电路模块、左右轮直流电机、超声波传感器模块、扩展插槽模块、红外及其他传感器模块、关节型机械臂机构和直流电源模块等组成。

主控器以ATmega 128嵌入式微处理器为核心, 在机器人智能控制中起主导作用。超声波传感器模块用于机器人避障, 利用超声波传感器采集反馈信息后, 将采集信号传送给ATmega128处理器, 通过嵌入式软件的计算, 实现对障碍物的识别避障。同时, 红外传感器模块一方面用来弥补超声波传感器模块的盲区, 另一方面可以采集路面信息, 收集寻迹信号, 实现对黑线或白线的寻迹。无线摄像头用于图像的采集。

行走机构使用四轮结构, 包括车身、车架以及4个车轮。其中ATmega128 核心板、控制器扩展板以及驱动板等总共3层电路板固定在移动机器人的车身上。供电电源为直流12V, 采用锂电充电电池。

主控器的控制软件基于AVR嵌入式开发环境, 使用相关的C应用程序开发。机器人通过无线模块向PC上位机发送超声波传感器、红外传感器以及其他传感器反馈的数据, 然后与无线摄像头得到的信息进行融合计算之后得到合适的决策。

2 机器人的本体结构设计

教学机器人主要由移动平台与机械手臂2大部分组成, 图2为机器人的移动平台布局, 由2个主动轮带动2个从动轮运动, 且在底板前方及左、右两侧安装传感器, 中部位置固定机械手臂。

该机器人需精确地将机械手移动到给定点, 由末端夹持机构开始工作, 完成抓取动作。基于此要求, 整个机械手臂设计为一个具有5自由度的关节型机械手臂, 各关节处皆有舵机控制, 如图3所示。其中, 1, 2, 3号关节控制机械手臂, 起机械手的定位作用, 1号关节连接旋转台和大臂, 做原地旋转运动;2号关节连接大臂和小臂, 做上下起俯运动;3号关节连接小臂和下端手腕 (4, 5号关节) 部分, 做上下起俯运动。4, 5号关节模拟腕关节功能, 4号关节做左右摆动, 5号关节做原地旋转运动, 同时连接末端夹持机构。

3 控制系统的硬件设计

3.1 主控制器

主控制器分为ATmega128核心电路板和附属的扩展主板两部分, 核心板通过双排插针与主板进行电气连接。

3.2 超声波传感模块

超声波传感器抗干扰能力强、体积小、使用便捷、实用性强。采用超声波传感器进行避障和路径规划时使用渡越时间法可测量传播距离。超声波发生器运行时开始计时, 传播时遇到障碍物会发生反射形成回波传递到接收端, 停止运行并记录时间。最终超声波传感器依据记录的时间以及路径计算出障碍物的距离, 确保避障及时。

3.3 红外传感器模块

红外传感器普遍采用的测量原理为三角测量原理和PSD测距法, 其三角测量原理如图4所示。红外发射器按照一定的角度发射红外光束, 当遇到物体以后, 光束会被反射回来。反射回来的红外光线被CCD检测器检测到以后, 会获得一个偏移值L, 利用三角关系, 在得知发射角度a、偏移值L、中心距X以及滤镜的焦距f后, 传感器到物体的距离D就可以通过几何关系计算得出。

PSD测距采用SHARP的GP2Y0A02YK0F传感器模块, 内置有红外LED和PSD (position sensitive detector) 检测器模块, 可将传感器前面放置物体的距离变换为直流电压输出。

3.4 驱动电路

功放驱动电路采用双极H桥型的集成电路L298N, 它是由SGS公司生产的高性能脉宽调制功率放大器, 具有体积小、驱动能力强等特点。内部包含两个H桥高电压大电流桥式驱动器, 单片即可实现电机全桥动, 可驱动46V、2A以下的电机。

3.5 电源电路

机器人运行时不需交流电源, 采用1组锂电池供电, 电压约12V。除舵机和传感器供电需要电源模块直接供电之外, 电源模块还须给控制器及控制器的外围设备供电, 因此必须对电压进行转换。由于本设计中所用的大部分芯片的工作电压是5V, 因此采用电压转换芯片LM7805将12V的电源电压转换成5V。另外, 如果舵机同时工作, 电流较大, 为增大稳压模块的最大负载电流, 本设计将5个LM7805并联后负责给舵机及舵机驱动板供电, 一个LM7805给最小系统板和直流电机驱动板供电。

通过对教学机器人的设计、制作、组装、测试和运行, 机器人能通过避障方式稳定行驶, 并且能准确抓取目标。教学机器人实物图如图5所示。

4 结语

本文设计的移动教学机器人通过最后的实验实现了避障、巡线、抓取等功能, 证实了方案的可行性和合理性, 并且在之后的大学生机器人兴趣小组上进行了详实的教学, 极大地提高了学生对于机械、电子和自动控制等多门机器人相关课程的认识及动手能力。

参考文献

[1]梁明亮, 赵成.基于嵌入式技术的四轮驱动教育机器人设计[J].实验室技术与管理, 2012, 29 (11) :82-86.

[2]陈义平, 时颖, 袁明明.多功能教学用机器人的设计与实现[J].实验室研究与探索, 2013, 32 (2) :84-87.

[3]肖晓萍, 廖青, 李自胜.基于机器人实验教学平台的研制[J].机电产品开发与创新, 2008, 21 (4) :19-21.

[4]卢伟宏, 王海波, 孟庆鑫.一种教学机器人控制系统研发[J].吉林化工学院学报, 2009, 26 (4) :65-69.

移动通信室内覆盖分布系统研究 第5篇

1.1 WCDMA系统

重要区域:边缘导频功率≥-85d Bm;

次重要区域:边缘导频功率≥-90d Bm, Ec/Io≥-10d B;

一般区域:边缘导频功率≥-95d Bm, Ec/Io≥-12d B。

移动台最大发射功率:目标区域内95%以上位置, 话音业务移动台发射信号总功率在地下层不超过+15d Bm, 其他区域应不超过+10d Bm;数据业务移动台发射信号总功率应不超过+20d Bm。

据业务, BLER≤10%。

上行噪声电平:在基站接收端位置收到的上行噪声电平小于-108d Bm/3.84MHz。

业务拥塞率:业务拥塞率≤2%

1.2 GSM系统

接通率:保证覆盖区域内信号强度基本均匀分布, 目标覆盖区域内98%的位置99%的时间移动台可以接入网络。

掉话率:忙时话务统计掉话率<0.8%。

1.3 WLAN系统

信号质量:目标覆盖区域内95%以上位置, 用户终端无线网卡接收到的下行信号C/I值应大于20d B。

数据速率:在目标覆盖区内, 要求单用户接入时峰值数据传输速率不低于4Mbps, 在多用户接入时数据传输速率不低于100kbps。并支持用户在覆盖区域内移动。

信号外泄:室内WLAN信号泄露至室外10米处的信号强度应不高于-75d Bm。

包丢失率:在信号强度>-75d Bm时, 与AP无连接中断现象发生。在信号强度>-75d Bm时, 与AP间包重传率小于10%, 包丢失率小于3%。Ping测试站点AP丢包率不大于3%。

2 方案规划

2.1 容量测算

(1) WLAN容量测算

考虑单个AP可支持的并发用户数为25个。

覆盖区域内需求的AP数量根据以下公式计算:

热点的AP数量=覆盖区域人数×覆盖区域数据业务渗透率×并发用户率/25。

(其中, 覆盖区域的数据业务渗透率一般取10%左右, 并发用户率取10%左右。相关系数的取定可根据具体热点的情况不同进行调整, 但是需做相应的分析说明。)

出口带宽需求测算公式如下:

带宽需求=覆盖区域人数×覆盖区域数据业务渗透率×并发用户率×每用户带宽需求。

(2) 移动通信容量测算

移动通信系统信道配置, 是通过“爱尔兰B公式”, 从所需覆盖区域的业务量中估算出来的。一个重要的参数是在峰值小时的给定时刻, 所有信道均被使用的概率, 阻塞概率用来衡量一次呼叫尝试由于没有空闲信道而失败的概率, “爱尔兰B公式”在假定呼叫建立时刻及通话持续时间都服从泊松公式的情况下, 建立了平均信道数目、信道数目和阻塞概率之间的关系。每个用户的业务量定义为峰值小时期间的某一给定时刻, 每一给定用户进行通话的平均概率, 其单位是爱尔兰。移动通信网络设计中所采用的值为0.02ERL/用户。表1给出了在不同信道数目和呼损率在2%时, 用爱尔兰表示的容量。

话务量预测:

预测话务量 (单位:ERL) =能容纳人数*网络手机拥有率*平均话务量[1]

2.2 链路预算

按设计的初步分析, 在多网合路室内覆盖分布天馈分布系统中, 每个天线覆盖半径为15米左右。该无线覆盖区域场强具体分析如下:

电磁场在自由空间传播损耗:

PL (d) [d B]=32.45+20logd (Km) +20logf (MHz) ;

PL (do) 距天线1米处的路径衰减, 典型值30d B;

f:890~960 (分别取900MHz、2100MHz和2400MHz)

代入上式可得:

(1) GSM900M信号

900MHz信号15m可视空间传播损耗:

室内吸顶天线增益为2.1d Bi;多径衰落15d B[2]

最小天线口功率为0.3d Bm, 距天线口最远处15m的场强为:

0.3d Bm+2.1d Bi-55d B-15d B=-67.6d Bm

此点信号为在最恶劣情况下的电平, 其余地方场强均大于此值, 故在最恶劣情况下, 基本能满足所有区域的室内覆盖场强大于-75d Bm的要求, 不会导致移动GSM900网络质量的下降。

(2) WCDMA2100MHz信号

2100MHz信号15m可视空间传播损耗:

室内吸顶天线增益为2.1d Bi;多径衰落20d B

最小天线口功率为-3.0d Bm, 距天线口最远处15m的场强为:

-3.0d Bm+2.1d Bi-62.4d B-20d B=-83.3d Bm

此点信号为在最恶劣情况下的电平, 其余地方场强均大于此值, 故在最恶劣情况下, 能满足所有区域的室内覆盖场强, 不导致3G网络的质量下降。

(3) WLAN2400MHz信号

2400MHz信号15m可视空间传播损耗:

室内吸顶天线增益为2.1d Bi;多径衰落20d B

最小天线口功率为10.0d Bm, 距天线口最远处15m的场强为:

10.0d Bm+2.1d Bi-65.2d B-20d B=-73.1d Bm

移动机器人定位方法概述 第6篇

随着工业自动化的发展, 生产加工的自动化程度越来越高。机器人技术的出现和发展使传统的工业生产面貌发生根本性的变化。移动机器人的定位是其执行其他任务的前提和基础, 也是评价机器人性能的关键指标之一。

移动机器人定位是指机器人通过感知获取环境信息, 经过相关的信息处理而确定自身及目标位姿的过程。自主移动机器人导航过程需要回答3个问题:“我在哪里?”, “我要去哪里?”和“我怎样到达那里?”。移动机器人定位技术就是要解决第1个问题。准确来说, 移动机器人定位的目的就是确定机器人在其运动环境中的世界坐标系的坐标。

根据机器人定位过程, 可分为相对定位和绝对定位。但在机器人定位过程中, 单独地使用其中任何一个定位方式都不能很好地解决移动机器人的定位问题。因而, 在目前的定位技术中主要是将两者结合在一起, 完成对移动机器人定位。本文对相对定位技术和绝对定位技术分别进行概述。

1 移动机器人相对定位研究

移动机器人的相对定位也称作位姿跟踪。假定机器人的初始位姿, 采用相邻时刻的传感器信息对机器人的位置进行跟踪估计。相对定位法分为里程计法和惯性导航法。

1.1 里程计法 (Odometry)

在机器人的导航技术中, 里程计法是使用最为广泛的定位方法。在移动机器人的车轮上装有光电编码器, 通过对车轮转动的记录来实现对机器人的位姿跟踪。在位置跟踪中, 机器人的当前位置是根据对它的以前的位置的知识而更新的, 而这需要假定机器人的初始位置已知, 并且机器人姿态的不确定性必须小。通过这种方式来实现机器人定位的方法也成为航位推算法。航位推算是一个累加过程, 在这个逐步累加的过程中, 测量值以及计算值都会累积误差, 使得定位精度不断下降。因而航位推算法只适用于短时间运动的或者短距离位姿跟踪。为了限定定位的不确定性, 我们在航位推算法的基础上采用一些绝对的信息。为此, 我们可以将航位推算法与其他传感器信息结合进行定位。

1.2 惯性导航法 (IN:Inertial Navigation)

在惯性导航法中, 我们采用陀螺仪和加速度计来实现定位。使用陀螺仪测得旋转速度的值, 使用加速度计测得加速度的值。机器人的位置信息可通过将测量值进行一次积分和二次积分得到。但在这个对测量值的积分操作中, 会引入惯性导航信息的时间漂移, 所以惯性导航法也不适合长时间的精确定位。但是, 惯性导航法能够及时地在检测到出现侧向误差时立即加以校正, 而这弥补里程计法最主要的缺点与不足。但是, 由于高精度的陀螺仪相当昂贵的价格, 会大大增加移动机器人的成本, 所以还不能够广泛使用。

2 移动机器人绝对定位研究

移动机器人的绝对定位又称为全局定位。完成机器人的全局定位需要预先确定好环境模型或者通过外部传感器直接向机器人提供外界位置信息, 计算机器人在全局坐标系中的位置。全局定位的主要方法有: (1) 导航信标 (Navigation Beacon) ; (2) 图形匹配 (Map Matching) ; (3) 全球定位系统定位 (Global Positioning Systems, GPS) (4) 概率定位。信标定位利用人工路标或自然路标和三角原理进行定位。地图匹配定位首先利用传感器感知环境信息创建好地图, 然后将当前地图与数据库中预先存储好的地图进行匹配, 最后计算出机器人在全局坐标系中的位姿。GPS是用于室外移动机器人导航与定位的技术。概率定位即基于概率地图的定位, 这个新的研究领域称为概率机器人学。概率机器人学的关键思想是用概率论来表示不确定性, 即概率机器人学不给出当前机器人方位的一个单独的最好估计, 而是将机器人方位表示为对所有可能的机器人位姿的一个概率分布。由于在许多现实应用中, 概率算法胜于别的技术, 因而概率机器人学理论能成功应用于机器人定位问题。在概率定位中, 最重要的是马尔科夫定位和卡尔曼滤波器定位。它们不仅能够实现全局定位和局部位置跟踪, 而且能够解决机器人的“绑架”问题。

2.1 马尔可夫定位 (Markov Localization, ML)

马尔可夫定位中, 机器人通常不知道它所处环境的确切位置, 而是用一个任意概率密度函数表示机器人位置。它持有一个可能在哪里的信任度并跟踪任意概率密度函数跟踪机器人的信任度状态。信任度是指机器人在整个位置空间的概率分布。在马尔可夫定位中, 地图的表示方法为栅格地图, 即机器人导航环境被划分为很多的栅格。其中每个栅格的值在0~1之间, 表示机器人在该栅格的信任度, 所有栅格信任度之和为1。信任度值的计算是马儿可夫定位的关键。

2.2 卡尔曼滤波器定位 (Kalman Filter, KF)

马儿可夫定位模型在机器人位置方面可以表示任何概率密度函数, 但通用性不强并且效能很差。卡尔曼滤波器定位算法是马尔可夫定位的一个特殊情况。卡尔曼滤波器不适用任何密度函数, 而是使用高斯代表机器人信任度、运动模型和测量模型。因为高斯简单地由它的均值μt和协方差σt来定义。在预测和测量阶段这两个参数更新。于是产生了与马尔可夫定位算法相比更为有效的算法。然而, 卡尔曼滤波器所作的假设限制了初始信任度以及高斯的选择。因而必须以一定的近似自导机器人的初始位置。

3 结束语

综上所述, 本文主要介绍了当前自主移动机器人定位方法, 对相对定位和绝对定位做了概述, 对以后研究自主移动机器人的定位具有较高的参考意义。

摘要：介绍了当前自主移动机器人的定位方法研究现状, 对相对定位和绝对定位做了概述, 对绝对定位中主要的研究方法做了介绍, 并对概率机器人学所采用的主要定位方法做了介绍。

关键词：移动机器人,相对定位,绝对定位,概率机器人学

参考文献

[1]朱莹, 洪炳镕.基于CBL的双目视觉自主机器人定位[J].哈尔滨工业大学学报, 2004 (07) .

[2]杨晓敏, 吴炜.图像特征点提取及匹配技术[J].光学精密工程, 2009 (09) .

[3]刘洞波.移动机器人粒子滤波定位与地图创建方法研究[D].湖南大学博士论文, 2012.

[4]李群明.室内自主移动机器人定位方法综述[J].机器人ROBOT, 2003 (11) .

[5]S.Se, D.Lowe, J.Little.Vision-based global localization and mapping formobile robots.IEEE Transactions on Robotics.2005 (21) .

[6]蔡自兴, 王勇.基于角点聚类的移动机器人自然路标检测与识别[J].智能系统学报, 2006 (03) .

轮式移动机器人研究综述 第7篇

1 轮式移动机器人的相关研究

1.1 单轮滚动机器人

从外观上看, 单轮滚动机器人只具有一个轮子, 主要运动方式为滚动式行走, 球形机器人也在单轮滚动机器人的范畴之内。关于单轮滚动机器人的研究应用前景是广阔的:单轮滚动机器人具有水陆两栖的特点, 适用于沼泽地和海滩等地, 因此可将其用于营救、运输、矿物探测等;单轮滚动机器人的外形纤细, 可以在狭窄地方作为监视机器人;单轮滚动机器人运动自如、受地形影响较小的特点, 可运用于航天领域。对单轮滚动机器人的研究过程中的主要问题有:建立单轮滚动机器人的动态模型, 操纵机构和推动力的参数化和耦合问题;获取位置传感器相关的运动信息的方法;控制静态不稳定和动态稳定的方案。

1.2 双轮移动机器人

双轮移动机器人可分为自行车式和两轮左右对称式两种。

1.2.1 自行车机器人

自行车机器人属于一种智能运输工具, 通常具有窄小的车体, 结构较简单, 运动较灵活, 可进行小半径的回转, 常被广泛用于森林作业和灾难救援等。然而, 由于自行车具有复杂的运动力学特征, 纵向布置的两轮本身就具有侧向不稳定性, 因此, 必须进行侧向控制, 其控制问题相对是有些难度的, 对于其研究和动力学控制探讨都颇具挑战。研究自行车机器人过程中的主要问题有:建立和分析自行车机器人的运动模型;不同载重下自行车机器人的平衡问题;自行车机器人的有关侧向稳定的控制机理;复杂地面下自行车机器人的适应能力。

1.2.2 两轮左右对称的双轮移动机器人

两轮移动机器人在不加装车体的前提下能够自由灵活转动, 如果加装车体则会影响机器人的平衡。两轮移动机器人的灵活性较强, 行走上与两足机器人比较相似, 行为类似于火箭飞行, 在机器人领域中两轮移动机器人的控制系统和理论颇受国内外高度重视, 并逐步成为研究热点。

1.3 三轮和四轮移动机器人

三轮和四轮移动机器人是轮式移动机器人中的常见机构, 尤其适合行走于平整地面上。目前, 有关三轮和四轮移动机器人的研究较多, 研究内容主要包括运动规划、机器人结构、跟踪控制、体系结构、定位与导航、交互技术、智能技术等。对这类机器人的研究为多轮和复合式机器人的发展提供了一定的基础, 且有利于现代汽车工业的进步和发展。

1.4 复合式移动机器人

充分利用和发挥各类机器人的优势, 避免或弥补其中的不足, 是研制复合式机器人的必要条件。复合式移动机器人在过沟、爬坡、上下楼梯和越障方面具有很强的优势与能力, 且运动稳定性较强, 现被普遍用于反恐防爆、复杂地形和空间探测等方面。

3 各种机器人的关系和对比

轮式移动机器人不同类型之间看似没有关系, 实际内部是存在一定联系的。例如, 单轮滚动机器人的半球轮及运动控制原理就被充分应用在两轮移动机器人的研制中;左右对称的两轮移动机器人又可被安装于三轮或四轮机器人上, 作为转向及移动机构。

通过对各类轮式移动机器人的性能进行比较, 如表1。

4 结论

机器人的行走精度和控制方式是由其构型选择决定的, 轮式移动机器人的研制以及新构型的出现, 严重影响着轮式移动机器人的路径规划和移动控制。不同类型的轮式移动机器人构建都是以其所在特定的环境为基础的, 随着对机器人性能和机器人技术要求的提高, 单类型的机器人已经远远不能满足现实的需要, 只有充分的考虑机器人的控制精度、工作环境和灵活性等及材料、环保、价格、功效等多个方面, 对机器人进行相适应的研究与设计, 才能更好地促进机器人领域的发展, 满足现代社会的要求。

摘要：伴随着社会的快速发展, 机器人被越来越多地应用于当前的生产和生活当中。本文在轮式移动机器人的相关研究基础上, 将轮式移动机器人进行了车轮数目的相应归类, 并对轮式移动机器人的控制方式和移动机构进行了一定讨论, 初步探讨和研究了轮式移动机器人不同类型之间的关系, 对不同类型的轮式移动机器人做了性能相关的比较, 一定程度上分析了轮式移动机器人研究过程中出现的问题, 并对其发展方向做出展望。

关键词：轮式移动机器人,探讨,研究

参考文献

[1]邓宗全, 岳明, 禹鑫燚, 方海涛.球形运动器动力学分析及控制系统设计[J].机器人, 2006 (06) .

[2]尚建忠, 罗自荣, 张新访, 范大鹏.基于构型组合的空间探测机器人移动机构设计[J].机械工程学报, 2007 (12) .

移动机器人定位技术研究综述 第8篇

关键词：移动机器人,定位技术,地图匹配,路标识别,概率估计

0 引言

移动机器人定位是确定其在已知环境中所处位置的过程, 是实现移动机器人自动导航能力的关键。依据机器人所采用传感器类型的不同, 其定位方式有所不同。目前应用较广泛的传感器有里程计、超声波、激光器、摄像机、红外线、深度相机、GPS定位系统等等。与其相对应的机器人定位技术可分成绝对定位、相对定位技术两大类。所谓的绝对定位是指采用导航标记、主 (被) 动标识、地图匹配[1]、GPS等技术进行定位, 精度较高。而相对定位是指通过度量机器人相对于起始位置的方向和距离来推断出机器人当前的位置信息, 又称为航位推算法。

1 基于地图匹配的定位技术

基于地图匹配的机器人定位问题主要侧重分析机器人在地图上可能所处的位置的搜寻和辨别, 其重点在于机器人能够感知获得所处局部环境的位置信息与已知地图中的位置环境信息相匹配。此外, 基于地图匹配的机器人定位通常需要和其他定位方法相结合进而实现定位。基于深度视觉[2]描述机器人所处环境的几何地图与基于卡尔曼滤波[3]、粒子滤波[4]的扫描匹配定位方法是与概率推断方法相结合的经典代表, 且有成功的应用。

2 基于路标标识的定位技术

路标[5]具体是指有显著特征的, 且能够被机器人上所安装传感器识别的一类物体的统称。人为设定的路标在机器人所处的三维空间中有自己本身固定的地理位置。因此, 机器人定位的核心任务就是要可靠地、快速地辨识出路标, 并计算出机器人所处地图中的实际地理位置。实际定位精度的高低主要取决于对路标标识的准确辨识以及对环境位置信息提取的准确快速程度。

3 基于概率估算的航位推算定位技术

在机器人定位过程中, 存在许多不确定因素。比如机器人本身就具有不确定性、里程计误差的累积、传感器的噪声干扰以及机器人所处环境的复杂性、未知性等等。总之, 由于这些不确定因素的存在, 使得机器人定位变得较为更加复杂。近些年, 许多研究学者把概率理论应用到机器人定位当中。核心思想就是根据当前为止所收集到的数据为已知条件, 然后递归估计状态空间后验概率密度。其中, 基于粒子滤波的概率估算实现机器人定位更加具有应用前景。粒子滤波, 也称为序列蒙特卡罗, 是20纪90年代中后期发展起来的一种崭新的滤波算法[6], 其核心思想就是用随机样本来表述概率分布。Dallert等人将粒子滤波算法同机器人运动、感知的概率模型相结合, 提出了机器人蒙特卡罗定位的思想。核心思想就是用一组滤波器去估计机器人的可能所处的位置, 即处于该位置的概率。每一个滤波器对应有一个位置, 再利用观测对每个滤波器加权处理, 进而使得最有可能所处的位置的概率越来越高。

4 结论与展望

至今为止, 室内机器人的定位问题仍是当前机器人学研究领域的核心问题之一, 而今后的工作重点则是提高机器人的定位精度以及机器人完全实现自主定位, 并且还要完善改进应用于定位算法的稳定性、快速性和有效性。机器人定位采用SLAM方法[7、8]实施对未知环境地图的实时构建应用于地图匹配的定位、以及研究更加高效的重采样和自适应采样的粒子滤波定位算法有较好的应用前景。

参考文献

[1]Kim, Hyongjin, et al."Image-based localization using prior map database and Monte Carlo Localization."Ubiquitous Robots and Ambient Intelligence (URAI) , 2014 11th International Conference on[Z].IEEE, 2014.

[2]Lee, Sangyun, Changkyung Eem, and Hyunki Hong.“Robot localization method based on visual features and their geometric relationship.” (2015) [Z].

[3]Faisal, Mohammed, et al."Robot localization using extended kalman filter with infrared sensor."Computer Systems and Applications (AICCSA) , 2014 IEEE/ACS11th International Conference on[Z].IEEE, 2014.

[4]顾文华, 周波, 戴先中.基于ICP匹配算法的室内移动机器人定位[J].华中科技大学学报:自然科学版, 2013, 1.

[5]Shimshoni, Ilan, and Igal Loevsky.“Localization method for mobile robots based on landmarks.”U.S.Patent No.8, 930, 127.6 Jan.2015[Z].

[6]Sobreira, Héber, et al.“Robust Robot Localization Based on the Perfect Match Algorithm.”CONTROLO’2014–Proceedings of the 11th Portuguese Conference on Automatic Control[Z].Springer International Publishing, 2015.

[7]Oh, Taekjun, et al.“Graph Structure-Based Simultaneous Localization and Mapping with Iterative Closest Point Constraints in Uneven Outdoor Terrain”Robot Intelligence Technology and Applications3.Springer International Publishing, 2015.27-34[Z].