基于ＬＡＢＯ３的移动机器人定位研究

摘 要：定位是确定机器人在其工作环境中所处位置的过程。移动机器人通过传感器感知环境和自身状态，进而实现自主运动。简单地说就是在一个未知的环境中，获取信息、分析环境，确定自己在该环境中的具体位置。利用Matlab与LebVEIW相结合实现对数据的采集，提出一种基于地图的EKF定位方法，从而实现精确定位。结合LABO3的特点对机器人的定位问题进行研究，达到在实际中的应用。

关键词：定位问题；EKF定位方法；数据采集;传感器信息；LABO3

中图分类号：TP183 文献标识码：A 文章编号：1004373X(2008)1806103

Research on Mobile Robot′s Localization Based on the LABO3

ZHAO Lina,TANG Mingxin,Hanajima

(Dalian Jiaotong University,Dalian,116028,China)

Abstract：Localization is a process to ensure the location of robot in its working environment.The robot can do automatic motion by the sensor get the information of environment and the condition of robot itself.In another words,in an unknown environment,the robot can get the information,analyse the condition and ensure the location by itself.this article uses both of the Matlab and LebVEIW to realize the data acquisition，and brings forward a method of EKF localization based on the map,and then to achieve precise localization.The originality of this paper is based on the character of Labo3 and make this mothed can be carried out.

Keywords：localization;methods of EKF location;data acquisition;information of sensor;LABO3

移动机器人由于其在各行业广阔的应用前景，已经成为机器人研究领域的一个重要分支。移动机器人的定位问题是提高移动机器人自主能力的关键问题之一。在多种情况下，机器人的位置信息是完成任务的前提。目前，解决定位问题的方法通常是利用机器人内部传感器与外部传感器信息的融合来得到机器人位置信息。但是，传感器的误差积累(如编码器)以及缺乏未知环境的先验知识，往往使机器人不能有效地获得其位置信息。机器人在行走过程中通常会碰到并且需要解决如下3个问题：我（机器人）现在何处；我要往何处走；我要如何到达该处。其中第一个问题是其导航系统中的定位及其跟踪问题，第二、三个是导航系统的路径规划问题。移动机器人导航与定位技术的任务就是解决上面的3个问题。而定位问题又是自主移动机器人导航的基本问题,是确定机器人在其作业环境中所处位置的过程。因此本文提出了机器人在完全未知的环境中利用传感器的信息，精确定位的可行性方案。

1 LABO3简介

LABO3是一种多功能的自主移动机器人平台，为需要大量有效载荷的研究和开发提供开发平台，如图1所示。强大的马达结合高性能电池及摩擦自由轮，可以持续使用跨度达数小时之久，而成为有效的高载荷试验平台，被广泛应用。

在LABO3的平台上可以随意配置试验载体，完成相关试验目的。在该试验平台内部包括9个红外线向传感器，分别位于平台的前面，侧面和后面，从而可以达到近270°的环境测量。它的主要功能是光源跟踪、避障系统、可视导航等。本文主要实现测量导航作用。其特点如下：

(1) 实验室试验和发展应用的理想平台；

(2) 从完全控制到完全自治的操作；

(3) 其顶部是平面设计的，可以带到最大载荷30 kg；

(4) 两轮不同的驱动器，而且是零转矩半径；

(5) 采用红外传感器在现实环境中感测无噪声障碍物等；

(6) 在自由空间导航或者是有参考物体导航时可以采用操作可视系统；

(7) 大部分的AAI智能机器人操作都是可行的。

2 移动机器人的定位

2.1 定位方法的选择

目前关于机器人定位的方法有很多可以选择，移动机器人定位是提高移动机器人自主能力的关键问题之一。目前，解决定位问题的方法大致可分为2类 ：

2.1.1 基于构造地图的定位方法

地图是环境的模型，当前主要有拓扑结构描述地图和几何地图2种。基于这2种地图又可以分为以下2种方法：

(1) 使用拓补地图和直接推理的定位方法。此类方法都使用拓扑地图表示结构化的外界环境，在定位过程中也往往采用直接式的推理方法，以广义Voronoi图(Generalized Voronoi Graph，GVG)方法为典型。

(2) 使用几何地图和概率推理的定位方法。由于机器人机械制造误差、里程计、外部传感器受测量噪声以及运动控制中误差的影响，机器人运动的真实位置具有一种不确定性，因而概率论是定位分析的重要工具，基于概率的推理方法因其数学上的严密性得到了广泛的应用。在近年的研究中，应用这种推理的定位方法往往使用基于栅格描述的环境几何地图。基于扩展Kalman滤波(Extended Kalman Filter，EKF)的扫描匹配定位方法和马可夫(Markov)定位方法在此类方法中非常有代表性而且有成功的应用。

2.1.2 基于路标的定位方法

(1) 基于超声波测距的路标定位

移动机器人首先凭借自身的概略位姿确定路标的位姿，当移动机器人识别到这些路标后，通过传感器测量机器人与这些路标的距离与方向，在通过三角法等几何运算获得移动机器人的位姿。

(2) 基于激光和红外测距的路标定位

此种方法的局限是机器人必须走直线。而本文鉴于LABO3的特点，利用红外线传感器测量获取信息，采用基于地图的EKF的定位方法来实现精确的定位。

2.2 扩展卡尔曼滤波器(EKF)的方法

卡尔曼滤波器是一种递推形式的状态和参数估计方程，它以测量误差为依据，进行估计和校正，不断逼近真实值对于非线性系统，需将其输人方程和输出方程进行线性化，而后采用扩展卡尔曼滤波器进行估计。当需要对低级的、冗余数据进行融合时，扩展卡尔曼滤波器提供了一个很好的框架。如果系统模型误差及传感器测量误差能用高斯白噪声来建模，则卡尔曼滤波器能为被融合数据提供统计意义上的最优估计并且，它的递归本质使得系统不需要很大的存储空间。

基于EKF的方法采用数学上更加严密的置信度和方差矩阵处理不确定性问题得到非常广泛的应用。EKF方法是为了处理机器人定位过程中的不确定性，机器人的姿态向量使用高斯分布描述，而在机器人运动过程中姿态的更新也表现为机器人姿态空间中姿态向量分布的数学期望和方差的更新。这个更新过程用的是扩展Kalman滤波。此方法包括2个方面：扫描识别和基于EKF位置计算。扫描识别的目的在于获得根据机器人传感器读数推断的当前位置假设坐标和此假设的误差矩阵；EKF位置计算按照不同的信息来源计算以高斯分布表示的机器人姿态估计(包括姿态的数学期望和方差)。此方法的效率和位置估计精度都很高。

通过已知的环境地图和机器人的状态预测X(k+1|k)和方差P(k+1|k)来产生k+1 时刻环境特征的观测预测,它和k+1 时刻环境特征的实际观测Z(k+1)和方差R(k+1)进行数据匹配,得到的匹配结果用来进行移动机器人的自主定位的更新。本文采用了扩展的卡尔曼滤波方法(EKF)对机器人进行自主定位,最后得到k+1 时刻机器人的修正位X(k+1|k+1)和相应的方差P(k+1|k+1)。然后开始下一步的循环计算。EKF算法一直以来是移动机器人自主定位的首选方法之一,在EKF中将机器人运动与环境特征之间的关系描述为2个重要模型:X(k+1|k)=F(X(k|k),U_k)+v(k)(1)

Z(k+1)=H(X(k|k))+w(k)(2)其中，式（1）为v(k)和w(k)机器人运动模型；式（2）为观测模型；分别表示系统的动态噪声和传感器的观测噪声以及2个模型本身的不确定性；U_k 表示输入的控制命令或者是里程计的输出数据。这里假设噪声是均值为零的高斯白噪声。应用上述2个模型,EKF可以归纳为一个循环迭代的估计和校正过程,其定位原理如图2所示。在图2中,机器人首先将控制信息或里程计的信息输入到系统的状态方程,也叫机器人运动方程,完成对机器人位姿和环境特征的观测预测。而通过观测模型估计环境特征的实际观测,然后计算实际观测与原先的观测预测之间的差异,再综合系统的协方差计算卡尔曼增益w,并用w对前面预测的机器人位姿进行更新,最后将新观测的环境特征加入到地图中。在这里预测与观测之间,要进行特征匹配或数据相关,只有匹配的环境特征才能用来更新机器人位姿和环境特征地图。机器人就是按照这个顺序进行循环估计,尽量消除累计误差,最后得到尽可能准的定位信息。

3 实现数据采集

LabVIEW语言具有丰富的扩展函数库，集成了大量的可生成图形界面的模板，如各种表头、旋钮、开关、LED指示灯、图表等，界面直观、形象，相对于传统的编程方式而言，它简单易学而且执行效率高。与传统的编程方式相比，使用LabVIEW设计的虚拟仪器，可以提高效率4~10倍。用LabVIEW实现采集数据同时利用ActiveX组件使得程序与数据的连结更简单。

在 LabVIEW中实现与Matlab混合编程的原因很简单:Matlab是世界上最优秀的数学软件之一，功能强大。它的特点是语法结构简明、数值计算高效、易学易用。Matlab现在已经成为国际认可(IEEE)的最优化的科技应用软件。2004年推出的Matlab 7.0包括12个新增模块，同时升级了28个原有模块，从而更加方便用户进行算法开发。然而，Matlab也有不足之处。例如，用户界面开发能力较差，数据输人、网络通信、硬件控制等方面编程都比较繁琐。鉴于此，在混合编程中通常使用LabVIEW设计用户图形界面，负责数据采集和网络通信，Matlab提供算法供LabVIEW调用，从而充分发挥两者各自的优势，达到快速开发虚拟仪器的目的。

4 利用Matlab Script节点调用Matlab算法

LabVIEW 和Matlab混合编程的基础是它们都支持ActiveX自动化技术。通过使用Matlab自动化服务器功能，可以在其他应用程序中执行Matlab命令，并与Matlab的工作空间(Workspace)进行数据交换，可以借助这一特性，把LabVIEW与Matlab结合在一起。为了简化调用过程，LabVIEW提供MatlabScript节点。LabVIEW使用ActiveX技术执行该节点，启动一个Matlab进程。这样用户就可以很方便地在自己的LabVIEW应用程序中使用Matlab编写的算法，包括执行Matlab命令，使用功能丰富的工具箱。值得注意的是两者之间的数据通信仅支持Real,Real Vector,Real Matrix,Complex,Vector Complex,Matirx 六种格式的数据，而且还必须根据具体情况进行选择Matlab Script节点具有简单易用和多输人、多输出的特点，一次处理的信息量可以很大。Matlab脚本可以先在Matlab环境下调试无误后，再导入到Matlab Script节点中。Matlab Script节点对输入、输出数据的类型有明确的要求。只有LabVIEW中的数据类型与Matlab中的数据类型相匹配，才能够进行数据传输。

5 结 语

本文提出了基于Labo3利用扩展卡尔滤波器实现定位的可行性方案。目前，由于机器人的导航应用越来越受到大家的关注，关于机器人定位的研究也很多。同时也提出了很多新的研究方法供大家学习参考。本文在学习了机器人定位方面的知识后，结合实际提出了一种可行的定位方案。通过在实验室里进行仿真实验，证明该方案确实可行，并且较好的可靠性和准确性。在此基础上可以结合导航控制理论，对机器人实现进行进一步控制。

参 考 文 献

［1］胡劲草.室内自主式移动机器人定位方法研究［J］.传动技术,2006,12(20):1418.

［2］赵翊捷,陈卫东.基于地图的移动机器人定位技术新进展［J］.上海交通大学学报,2002,10(36):1 4351 447.

［3］郑向阳,熊蓉,顾大强.移动机器人导航和定位技术［J］.机电工程,2003,5(20):3537.

［4］王海龙,陈珊杰.基于Matlab的数据采集系统的研究［J］.中国农学通报，2007,1(23):381384.

［5］李南，陈家轩，吴艳花.移动机器人的定位算法EJ3\.机械设计与制造，2004,12(6):1718.

［6］陈卫东,张飞.移动机器人的同步自定位与地图创建研究进展［J］.控制理论与应用，2005,6(22):455460.

［7］王正林,王盛开,陈国顺.Matlab／Simulink与控制系统仿真［M］.北京：电子工业出版杜,2005.

［8］杨义伟，蒋大明，戴胜华．驼峰信号微机监测系统的数据采集［J］．武汉理工大学学报:交通科学与工程版,3005，29(1)：154156.

［9］Thrun S,Fox D,Burgard W.A Probabilistic Approach to Concurrent Mapping and Localization for Mobile Robots［J］．Machine Learning,1998，1(31)：2953.

［10］Tsumura T,Hashimoto M,Fujiwara N．New Method for Position and Heading Compensation on Ground Vehicle\．Int． Conf．on Advaneed Robotics,1985：429436.

［11］Borenstein J,Everett H R,Feng L.Where am I Sensors and Methods for Mobile Robot Positioning\.Technical Report,Univ.of Michigan,APR.1996.

作者简介 赵丽娜 女，1982年出生，辽宁本溪人，硕士，大连交通大学电气信息学院，控制理论控制工程专业。主要研究方向为机器人同时定位与地图构建。

唐明新 男，1961年出生，汉族，教授。主要研究方向为现场总线控制系统的开发与应用。

花岛直彦 男，日本室兰工业大学机械系准教授。主要研究方向为机器人的控制。