基于适应性重量扩展卡尔曼波器的叉车AGV多传感器融合定位的研究

科学领域:

• 机器人技术 机器人技术 机器人技术
• 传感器融合式传感器
• 导航系统 导航系统

背景情况:

• 累积的车轮测距错误在复杂的工业环境中显著影响AGV定位精度.
• 现有的本地化方法与摩擦和不均地形等动态环境因素作斗争,导致偏差.

研究的目的:

• 为 AGV 开发一种自适应的多传感器聚变定位方法,以减轻测距误差.
• 在具有挑战性的操作环境中提高AGV导航的稳定性和准确性.

主要方法:

• 实施了扩展卡尔曼波器 (EKF) 框架,将内部传感器预测与外部定位数据集成在一起.
• 使用自适应权衡算法来动态调整传感器贡献,抑制地面摩擦和地形变化的错误.
• 结合LiDAR和测距数据,实现协同的准确性和稳定性.

主要成果:

• 在现实世界复杂的环境中实现了13mm的实验定位精度.
• 在理想条件下,模拟精度为10毫米.
• 经过验证的对非视线 (NLOS) 障碍物和低光条件的坚固性.

结论:

• 拟议的自适应本地化方法有效地抑制了测距误差,显著提高了AGV定位精度.
• 多传感器融合方法为高要求的工业应用中AGV提供了强大而可靠的导航解决方案.
• 该方法对环境挑战和传感器限制的弹性证实了其实际可行性.