本發(fā)明涉及機(jī)器人，具體為一種移動機(jī)器人的位置測定方法及系統(tǒng)。
背景技術(shù)：
1、一種移動機(jī)器人的位置測定旨在通過綜合應(yīng)用環(huán)境感知、歷史軌跡分析、實時傳感器信息、地圖更新以及無線信號等多種技術(shù)手段，實現(xiàn)高精度、魯棒的位置測定。
2、該方法的核心在于根據(jù)移動機(jī)器人所獲取的環(huán)境感知數(shù)據(jù)不斷優(yōu)化其位姿參數(shù)，從而有效解決定位誤差累積問題。同時，它結(jié)合歷史軌跡和實時傳感器信息對機(jī)器人的當(dāng)前位置進(jìn)行校正，減少在復(fù)雜地形中可能發(fā)生的定位漂移。為了提升動態(tài)障礙物繞行精度，該方法會根據(jù)已知的地圖信息和即時更新的地圖細(xì)節(jié)，適時調(diào)控路徑計劃變量，以適應(yīng)變化的環(huán)境需求。
3、此外，在室內(nèi)環(huán)境中，系統(tǒng)能夠依據(jù)無線信號強(qiáng)度的變化模式修正位置判定模型，避免因墻體阻擋引起的信號干擾而產(chǎn)生誤判。最后，為了增強(qiáng)在高動態(tài)環(huán)境下的魯棒性，通過融合來自多種傳感器的數(shù)據(jù)來更新不確定度估計矩陣，以此改進(jìn)位置測定結(jié)果。綜上所述，這些策略共同作用，確保移動機(jī)器人能在各種復(fù)雜的使用場景中保持精確的自定位能力。
技術(shù)實現(xiàn)思路
1、為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：
2、一種移動機(jī)器人的位置測定方法及系統(tǒng)，包括：
3、基于無線信號強(qiáng)度變化模式修正室內(nèi)機(jī)器人位置判定模型參數(shù)以補(bǔ)償墻體阻擋引起的信號干擾誤差,根據(jù)修正后的模型參數(shù)融合歷史軌跡與實時傳感器信息對機(jī)器人的當(dāng)前坐標(biāo)進(jìn)行校正；
4、利用校正后的當(dāng)前坐標(biāo)結(jié)合已知地圖信息及即時更新的地圖細(xì)節(jié)調(diào)控路徑計劃變量,通過多傳感器融合輸出的結(jié)果更新不確定度估計矩陣以提高高動態(tài)環(huán)境下的魯棒性定位；
5、所述基于無線信號強(qiáng)度變化模式修正室內(nèi)機(jī)器人位置判定模型參數(shù)進(jìn)一步包括：獲取室內(nèi)環(huán)境中每個參考節(jié)點(diǎn)i處接收信號強(qiáng)度指示(rssi)r_i；
6、計算加權(quán)平均rssi?r_avg＝σ(r_i*w_i)，其中w_i是權(quán)重，滿足σw_i＝1；通過與已知的標(biāo)準(zhǔn)信號衰減函數(shù)f(d)比較調(diào)整權(quán)重w_i，f(d)＝ab*log10(d)，a和b分別對應(yīng)常數(shù)、發(fā)射源距離因子d的函數(shù)結(jié)果；根據(jù)公式誤差δr_i＝|r_i?f(d_i)|判斷并修正位置參數(shù)，其中d_i是估計的距離。
7、優(yōu)選的，在選擇權(quán)重之前進(jìn)一步包括檢測各墻體材料及厚度t_j，并關(guān)聯(lián)到經(jīng)驗數(shù)據(jù)庫以確定相應(yīng)的修正系數(shù)k_j；
8、使用knn算法對當(dāng)前點(diǎn)進(jìn)行簇分類，獲得最近鄰的n個樣本{s_k}及其對應(yīng)的環(huán)境標(biāo)簽e_k；
9、構(gòu)建映射規(guī)則m(e,d)，用于決定在給定條件下如何動態(tài)分配權(quán)重w_i；
10、對于墻體影響區(qū)域內(nèi)的節(jié)點(diǎn)，應(yīng)用m(e_k,d_i)＝c/d_i^2+c，式中c為補(bǔ)償值，d_i代表i點(diǎn)距離最近墻面的距離。
11、優(yōu)選的，還包括：
12、針對非視距傳播造成的偏移采用卡爾曼濾波算法處理；
13、記錄前n次迭代中的預(yù)測偏差向量v＝{δp_t}，用作優(yōu)化過程中的先驗信息；
14、利用梯度下降方法最小化損失l(w)＝(p_obsp_est)^tσ^{1}(p_obsp_est)，σ表示協(xié)方差矩陣；
15、依據(jù)學(xué)習(xí)率η更新公式：使權(quán)重逐步趨于合理取值。
16、優(yōu)選的，定義一個閾值th，用來區(qū)分有效測量值e和無效值i.e.,e<rssi_aveth；
17、結(jié)合上述閾值篩選出高質(zhì)量數(shù)據(jù)點(diǎn)集q＝{(x,y)_k}形成子網(wǎng)絡(luò)sn；
18、將q劃分為主節(jié)點(diǎn)mn和從節(jié)點(diǎn)sn，然后設(shè)定同步時間戳st；
19、對于任何一對mn_m與sn_n，當(dāng)|rssi_{m}rssi_{ave}(sn)|≥τ√var(rssi_sn)時，則重新計算兩者之間的相對位置，確保準(zhǔn)確性。
20、優(yōu)選的，還包括當(dāng)遇到大面積金屬遮擋導(dǎo)致嚴(yán)重陰影效應(yīng)的情況下，啟用替代信標(biāo)beacon；
21、beacon發(fā)出特殊脈沖序列s，其持續(xù)時間和相位均經(jīng)過設(shè)計便于識別但不影響原有通信體系；
22、收集由各個beacon返回的信息p，以及實際位置差異δx和δy；
23、只有在絕對差異滿足(|δx|+|δy|)<ε(預(yù)先設(shè)置的小值)條件才信任該修正，以此過濾掉異常擾動的影響。
24、優(yōu)選的，建立基于模糊c均值聚類(fcm)的位置精度改進(jìn)框架；
25、從大量傳感器讀數(shù)中隨機(jī)選出一組中心μ_c，并賦予適當(dāng)?shù)碾`屬度μ_ij；
26、迭代計算j＝\sum\limits_{i＝1}^{c}\sum\limits_{j＝1}^{n}{\mu_{ij}}^{β}|v_ip_j|^2的值；
27、若某輪后j變化小于設(shè)定容限σ，認(rèn)為收斂，否則調(diào)整隸屬度再重復(fù)以上過程直至滿足收斂條件。
28、優(yōu)選的，包括引入多普勒頻移d_f來輔助辨識運(yùn)動狀態(tài)，特別是開始或結(jié)束階段出現(xiàn)的速度跳變；
29、每當(dāng)v>＝vmax*α或者d_f<＝d_min*(1±δ)，其中α是敏感系數(shù)，激活補(bǔ)充校核步驟來鎖定真實位置；
30、此操作能有效排除由于突然加速引起的位置估算偏差，提高整體定位精準(zhǔn)度；
31、在上述條件下產(chǎn)生的高可信數(shù)據(jù)被優(yōu)先用于反饋矯正，增強(qiáng)系統(tǒng)的實時響應(yīng)能力。
32、優(yōu)選的，包括添加如下機(jī)制：
33、采用滑動窗口策略管理最新m組歷史定位數(shù)據(jù)z；
34、設(shè)h(x)作為平滑處理后的累積誤差估計，h(z_(tm),...,z_t)＝γ*z+(1γ)*z_previous；
35、每次接收到新讀數(shù)即更新z的內(nèi)容，并執(zhí)行一次指數(shù)衰減平均(ema)，降低遠(yuǎn)期波動，一旦觀察到趨勢轉(zhuǎn)向——連續(xù)n代增長，立即觸發(fā)起始姿態(tài)重設(shè)，以防累積失真繼續(xù)擴(kuò)大。
36、優(yōu)選的，在復(fù)雜地形環(huán)境中，通過預(yù)訓(xùn)練的深度卷積網(wǎng)絡(luò)dcn提取視覺特征f；
37、用自適應(yīng)線性判別分析法alda映射到低維流形u；
38、評估u上任意兩點(diǎn)間歐氏距離d_{ab}＝sqrt(σ(u_b[j]u_a[j])^2)；
39、若d_{curr,prev}<ψ(預(yù)定界值),排除明顯不可能的狀態(tài)過渡從而簡化計算負(fù)載。
40、優(yōu)選的，包括針對高度復(fù)雜的動態(tài)場景如人流聚集區(qū)等引入人群行為模式識別；
41、借助社會力模型socialfm模擬群體動態(tài)交互規(guī)則并據(jù)此調(diào)整局部密度d_loc；
42、對于個體k而言，其目標(biāo)方向vector_v和速度vector_s受制于附近行人分布密度；
43、僅當(dāng)d_loc>ρ(設(shè)定上限)且|vs_ref|≤ν(穩(wěn)定指標(biāo))成立才會觸發(fā)額外監(jiān)控程序，避免過分關(guān)注安靜區(qū)間而浪費(fèi)計算資源。
44、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：
45、1、基于無線信號強(qiáng)度變化模式修正室內(nèi)機(jī)器人位置判定模型參數(shù)以補(bǔ)償墻體阻擋引起的信號干擾誤差；根據(jù)修正后的模型參數(shù)融合歷史軌跡與實時傳感器信息對機(jī)器人的當(dāng)前坐標(biāo)進(jìn)行校正；利用校正后的當(dāng)前坐標(biāo)結(jié)合已知地圖信息及即時更新的地圖細(xì)節(jié)調(diào)控路徑計劃變量；通過多傳感器融合輸出的結(jié)果更新不確定度估計矩陣以提高高動態(tài)環(huán)境下的魯棒性定位。通過本公開實施例的方案，能夠解決如何根據(jù)移動機(jī)器人獲取的環(huán)境感知數(shù)據(jù)對其位姿參數(shù)進(jìn)行優(yōu)化以解決定位誤差累積的問題。
46、2、通過采用了一種基于環(huán)境感知數(shù)據(jù)的學(xué)習(xí)與調(diào)整策略，旨在減少誤差對系統(tǒng)長期穩(wěn)定性的不利影響。這一階段中，機(jī)器人收集環(huán)境感知數(shù)據(jù)并進(jìn)行局部建圖，結(jié)合視覺、激光雷達(dá)等高精度傳感器獲得的信息作為輸入，構(gòu)建自適應(yīng)修正算法。此過程會周期性分析當(dāng)前狀態(tài)與預(yù)期模型之間的差異，并將這些差異反饋給核心控制程序，用于更新模型預(yù)測權(quán)重和校正機(jī)器人類似的未來行為。特別地，該方法利用強(qiáng)化學(xué)習(xí)框架不斷迭代尋找最優(yōu)調(diào)整方案，保證長時間運(yùn)行時仍維持較低水平的位置誤差。同時，它能自動適應(yīng)不同場景變化，進(jìn)一步增強(qiáng)系統(tǒng)魯棒性。