基于無線電移動機(jī)器人定位系統(tǒng)技術(shù)分析

對于移動機(jī)器人，定位技術(shù)是保證移動機(jī)器人軌跡/運(yùn)動作業(yè)的前提技術(shù)，特別是跟蹤作業(yè)的基礎(chǔ)。

與自動駕駛車輛定位不同，小型移動機(jī)器人更需要的是定位精度。根據(jù)作業(yè)環(huán)境，小型移動機(jī)器人定位技術(shù)可以視為室內(nèi)定位系統(tǒng)（Indoor Location System, ILS）。小型移動機(jī)器人定位技術(shù)不同于機(jī)械加工領(lǐng)域的定位技術(shù)，從關(guān)鍵詞上可以明顯區(qū)別“Location/Localization”與“Position/Positioning”。Localization 指的是機(jī)器人在作業(yè)空間內(nèi)的自身的位置關(guān)系問題，position 是會指向更精密的點(diǎn)問題。

本文的主要內(nèi)容包括：室內(nèi)定位測量原理（物理屬性）[1]，室內(nèi)定位技術(shù)，定位模型方法，定位算法，定位系統(tǒng)評價因子，基于慣導(dǎo)的定位系統(tǒng)，基于無線電網(wǎng)絡(luò)的定位技術(shù)，集群定位算法。

室內(nèi)定位測量原理

無線電頻譜與電磁波

（1）個人或區(qū)域互聯(lián)網(wǎng)，包括IEEE 802.11, Ultra-Wideband (UWB)，ZigBee, 或者 Bluetooth。

采指紋基定位方法

鄰近技術(shù)

貝葉斯統(tǒng)計(jì)匹配

極大似然估計(jì)

關(guān)聯(lián)判決（Correlation discriminant kernel selection）

神經(jīng)網(wǎng)絡(luò)

非采指紋基定位方法

幾何學(xué)

（2）區(qū)域廣播網(wǎng)絡(luò)，包括定位目的的網(wǎng)絡(luò)，例如GPS/GNSS，以及具有定位功能多的網(wǎng)絡(luò)，例如智能手機(jī)網(wǎng)絡(luò)、電視廣播信號。

電視信號

胞元網(wǎng)絡(luò)（智能手機(jī)）

（3）?RFID 標(biāo)簽 （4）雷達(dá) 光子能場 （1）圖像分析，自然特征提取與識別（場景圖片）

移動相機(jī)系統(tǒng)

固定相機(jī)系統(tǒng)

（2）圖像分析與特征點(diǎn)標(biāo)記（二維碼定位）

此外，還有聲波、機(jī)械能（慣性/接觸）、地球磁場、大氣壓。

無線電室內(nèi)定位系統(tǒng)分類[2]

室內(nèi)定位技術(shù)

室內(nèi)定位服務(wù)系統(tǒng)Indoor Location Based Services (ILBS)可以簡單地分為三類[3]：

1、網(wǎng)絡(luò)系統(tǒng)：基于無線網(wǎng)絡(luò)

2、慣性系統(tǒng)：機(jī)載慣導(dǎo)系統(tǒng)預(yù)估定位

3、混合系統(tǒng)：融合無線網(wǎng)絡(luò)與慣性系統(tǒng)的混合系統(tǒng)

RSS-IMU 混合系統(tǒng)

基于地圖的混合系統(tǒng)

基于智能手機(jī)的混合系統(tǒng)

室內(nèi)定位模擬方法分類

1、angle of arrival(AoA) 技術(shù)：根據(jù)到達(dá)信號角度

2、time of arrival(ToA) 技術(shù)：根據(jù)到達(dá)信號時間（類似雷達(dá)測距）

3、fingerprinting 技術(shù)，即特征技術(shù)

? ?

室內(nèi)定位模擬算法

1、三角定位（Triangulation），需要借助固定基站或者已知基站位置信息，GPS等無線網(wǎng)絡(luò)定位法。

2、鄰近（Proximity）， 使用具有有限的感知范圍和分析能力的傳感器，RFID。

3、場景分析（Scene analysis），利用場景畫面中的特征完成定位分析，點(diǎn)云和3D重構(gòu)技術(shù)，機(jī)器視覺。

4、航位推算（Dead reckoning），基于先驗(yàn)信息推算出運(yùn)動軌跡，慣導(dǎo)、捷聯(lián)慣導(dǎo)。

定位算法

按照文獻(xiàn)[5]，基于靜態(tài)傳感器節(jié)點(diǎn)的定位技術(shù)廣泛應(yīng)用于移動機(jī)器人跟蹤功能，定位算法可總結(jié)為：

1、范圍基定位（Range-based localization）

time-of-arrival (TOA) – based 定位. 聯(lián)合最小二乘估計(jì)?the Least-Square Estimate

time-difference-of-arrival (TDOA) – based 定位. 協(xié)同定位

Angle-of-arrival (AOA) – based 定位.

received signal strength (RSS) – based 定位，聯(lián)合最大似然估計(jì)Maximum likelihood estimate

MDS Based 定位，聯(lián)合奇異值分解 Singular Value Decomposition (SVD)

Channel Impulse Response Based fingerprinting 定位

2、無范圍基定位（Range-free localization）

Approximate Point in Triangle Test (APIT)

Centroid-based 定位

Monte-Carlo 定位

DV-Hop based 定位

Closer point based 定位

Based Coordinates (ABC) localization method

定位計(jì)算補(bǔ)償方法Implementation methods

1、機(jī)器學(xué)習(xí)方法?Machine Learning Based Methods：

least square support vector machine and Gaussian processes ,Semi-supervised Laplacian regularized least squares method and HMM based RSS-EKF (Extended Kalman Filter) method using RSS

2、集中和分布式方法Centralized and Distributed Methods

3、多傳感器數(shù)據(jù)融合方法Multi-Sensor Data Fusion Methods

4、采指紋方法Fingerprinting Based Methods

跟蹤算法分類（Broad classification of tracking methods）：

1、聚類跟蹤算法?Cluster-based tracking methods, dynamic clustering algorithm for target tracking

2、預(yù)測跟蹤算法?Prediction-based tracking methods

3、樹基跟蹤算法?Tree-based tracking methods

4、主動跟蹤算法?Activation-based tracking method

5、Mobicast基跟蹤算法?Mobicast-based tracking method

室內(nèi)定位方法評價

1、精度與誤差

2、環(huán)境適應(yīng)性。場景對定位系統(tǒng)測量精度影響，一個高性能框架能夠避免對重復(fù)定位差異

3、消耗：帶寬、壽命、能耗、權(quán)重與額外設(shè)備

4、基站數(shù)量

基于慣導(dǎo)的定位系統(tǒng)

慣性導(dǎo)航與定位技術(shù)可以分為兩類：

捷聯(lián)慣導(dǎo)系統(tǒng)Strapdown systems: 采用兩次積分預(yù)測運(yùn)動

步進(jìn)與航向系統(tǒng)Step and Heading Systems (SHS): 通過表示步進(jìn)長度與航向的慣性定位向量預(yù)測位置

參考下圖，慣導(dǎo)定位系統(tǒng)通過二次積分獲得定位信息[6]

一個經(jīng)典的具有定位功能的移動機(jī)器人控制系統(tǒng)架構(gòu)如下圖所示，該系統(tǒng)通過無線電、里程計(jì)以及慣性測量單元實(shí)現(xiàn)自定位功能[7]。

微型慣性測量單元，包括陀螺儀、加速度計(jì)、磁偏角計(jì)、溫度和氣壓等功能，通過物理模型和誤差模型推算。

擴(kuò)展卡爾曼濾波算法EKF與粒子濾波器是移動機(jī)器人群體定位中最為廣泛，尤其在RoboCup等機(jī)器人大賽[7]。

基于無線電定位系統(tǒng)

最流行的室內(nèi)無線電點(diǎn)位技術(shù)方法為RSSI定位算法，是采用AP終端設(shè)備組件的網(wǎng)絡(luò)，通過檢測信號功率推算距離，再利用定位模型獲取定位信息，最常見的終端是ZigBee。

參考[8]

基于ZigBee組件的微型定位系統(tǒng)

集群定位系統(tǒng)

參考文獻(xiàn)[9][10]，集群類機(jī)器人定位技術(shù)，不僅可以依靠靜態(tài)基站進(jìn)行定位，還可以利用機(jī)器人之間無線電終端輔助其它終端進(jìn)行定位。

算法1 [9]

因?yàn)榧憾ㄎ淮嬖诤艽蟮脑肼暩蓴_，因此需要對采集到的信息進(jìn)行去噪處理，或者提高系統(tǒng)抗干擾能力，采用統(tǒng)計(jì)算法提高定位系統(tǒng)精度。如在文獻(xiàn)[10]，采用了卡爾曼濾波器對定位優(yōu)化。

文獻(xiàn)[10]-算法1

文獻(xiàn)[10]-算法2

文獻(xiàn)[10]-算法3

總結(jié)

本文大部分內(nèi)容是根據(jù)綜述文章對現(xiàn)用的室內(nèi)定位進(jìn)行總結(jié)，考慮到微型運(yùn)動機(jī)器人的工程成本以及計(jì)算力，本文所討論的室內(nèi)定位技術(shù)并不是應(yīng)用于自動駕駛的SLAM和VSLAM技術(shù)。

同時，本文提到了定位跟蹤技術(shù)，在尋跡控制中個人傾向采用視覺方向。對于粗精度的定位系統(tǒng)，可以采用基于ZigBee的RSSI定位系統(tǒng)，此外可以融合IMU單元提高系統(tǒng)定位精度。

參考文獻(xiàn)：

[1] Torres-Solis, J., H., T., and Chau, T., 2010, “A Review of Indoor Localization Technologies: Towards Navigational Assistance for Topographical Disorientation,”?Ambient Intelligence, F.J. Villanueva Molina, ed., InTech.

[2] Kivim?ki, T., Vuorela, T., Peltola, P., and Vanhala, J., 2014, “A Review on Device-Free Passive Indoor Positioning Methods,” International Journal of Smart Home,?8(1), pp. 71–94.

[3] Alejandro Correa, Marc Barcelo, Antoni Morell, and Jose Vicario, 2017, “A Review of Pedestrian Indoor Positioning Systems for Mass Market Applications,” Sensors,?17(8), p. 1927.

[4] Mrindoko, N. R., and Minga, D. L. M., 2016, “A Comparison Review of Indoor Positioning Techniques,”?21(1), p. 9.

[5] Kumar, S., and Hegde, R. M., “A Review of Localization and Tracking Algorithms in Wireless Sensor Networks,” p. 12.

[6] Lv, W., Kang, Y., and Qin, J., 2019, “Indoor Localization for Skid-Steering Mobile Robot by Fusing Encoder, Gyroscope, and Magnetometer,” IEEE Transactions on Systems, Man, and Cybernetics: Systems,?49(6), pp. 1241–1253.

[7] Li, D., Chen, Q., and Zeng, Z., 2018, “Self-Localization Algorithm of Mobile Robot Based on Unscented Particle Filter,”?2018 37th Chinese Control Conference (CCC), IEEE, Wuhan, pp. 5459–5464.

[8] Hernández, N., Alonso, J. M., and Oca?a, M., 2017, “Fuzzy Classifier Ensembles for Hierarchical WiFi-Based Semantic Indoor Localization,” Expert Systems with Applications,?90, pp. 394–404.

[9] Safavi, S., and Khan, U. A., 2017, “An Opportunistic Linear–Convex Algorithm for Localization in Mobile Robot Networks,” IEEE Transactions on Robotics,?33(4), pp. 875–888.

[10] Sun, Q., Tian, Y., and Diao, M., 2018, “Cooperative Localization Algorithm Based on Hybrid Topology Architecture for Multiple Mobile Robot System,” IEEE Internet of Things Journal,?5(6), pp. 4753–4763.

編輯：黃飛

?