基于深度神经网络的扩展卡尔曼波器 (DNN-EKF) 方法在超宽带 (UWB) 定位中进行集成,以优化距离损失

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 准确的室内定位对于机器人在家庭和仓库等狭窄环境中的导航至关重要.
• 现有的本地化方法在动态或杂的室内环境中难以获得准确性和可靠性.
• 超宽带 (UWB) 技术提供了高精度测距的潜力,但需要复杂的处理.

研究的目的:

• 为移动机器人开发一个高精度和强大的室内定位算法.
• 为了提高机器人在具有挑战性的,狭窄的室内空间中的导航能力.
• 将深度神经网络 (DNN) 与扩展卡尔曼过器 (EKF) 集成,以获得卓越的本地化性能.

主要方法:

• 开发了一种新的算法,DNN-EKF,它结合了深度神经网络 (DNN) 和扩展卡尔曼波器 (EKF).
• 利用超宽带 (UWB) 技术进行精确的测距测量.
• 对DNN-EKF方法与传统和现有的NN-EKF和LPF-EKF方法进行了评估.

主要成果:

• 与NN-EKF,LPF-EKF和传统方法相比,DNN-EKF算法显示出更高的室内定位精度.
• 实现了最小的距离损失,表明了定位精度的最佳性能.
• 提出的方法即使在动态和杂的室内环境中也被证明是有效的.

结论:

• DNN-EKF方法在室内机器人定位准确性和可靠性方面取得了重大进展.
• 这种方法非常适合需要精确导航的实时机器人应用.
• 将DNN与EKF和UWB技术集成,为复杂的室内导航挑战提供了强大的解决方案.