对于AGV(Automated Guided Vehicle)传统导航定位方式存在的维护成本高、鲁棒性低,以及原始AMCL(Adaptive Monte Carlo Localization)激光定位方法位姿跟踪精度低、全局定位及机器人“被绑架”问题成功率低的问题,提出了一种基于改进AMC...对于AGV(Automated Guided Vehicle)传统导航定位方式存在的维护成本高、鲁棒性低,以及原始AMCL(Adaptive Monte Carlo Localization)激光定位方法位姿跟踪精度低、全局定位及机器人“被绑架”问题成功率低的问题,提出了一种基于改进AMCL算法的AGV激光定位方法。首先在位姿、权重更新阶段,采用最优粒子滤波器(OPF)取代原始AMCL中用于计算粒子新姿态和权重的传统蒙特卡洛定位方法,提高位姿跟踪精度;其次在重采样阶段,在原始AMCL算法KLD(Kullback-Leibler distance)采样粒子滤波器的基础上,新添加自适应粒子滤波器(SAPF)算法,提高全局定位及机器人“被绑架”问题成功率;最后,针对AGV工作时的特性,在真实车间环境中进行重复定位精度测试,改进后的算法比原算法均方根误差分别提高了54.5%、53.1%、44.7%,且位姿误差可以控制在4 cm、2°以内,满足实际使用要求。展开更多
文摘对于AGV(Automated Guided Vehicle)传统导航定位方式存在的维护成本高、鲁棒性低,以及原始AMCL(Adaptive Monte Carlo Localization)激光定位方法位姿跟踪精度低、全局定位及机器人“被绑架”问题成功率低的问题,提出了一种基于改进AMCL算法的AGV激光定位方法。首先在位姿、权重更新阶段,采用最优粒子滤波器(OPF)取代原始AMCL中用于计算粒子新姿态和权重的传统蒙特卡洛定位方法,提高位姿跟踪精度;其次在重采样阶段,在原始AMCL算法KLD(Kullback-Leibler distance)采样粒子滤波器的基础上,新添加自适应粒子滤波器(SAPF)算法,提高全局定位及机器人“被绑架”问题成功率;最后,针对AGV工作时的特性,在真实车间环境中进行重复定位精度测试,改进后的算法比原算法均方根误差分别提高了54.5%、53.1%、44.7%,且位姿误差可以控制在4 cm、2°以内,满足实际使用要求。
