CN106908762A - 一种针对uhf‑rfid***的多假设ukf目标跟踪方法 - Google Patents
一种针对uhf‑rfid***的多假设ukf目标跟踪方法 Download PDFInfo
- Publication number
- CN106908762A CN106908762A CN201710021764.2A CN201710021764A CN106908762A CN 106908762 A CN106908762 A CN 106908762A CN 201710021764 A CN201710021764 A CN 201710021764A CN 106908762 A CN106908762 A CN 106908762A
- Authority
- CN
- China
- Prior art keywords
- particle
- mobile robot
- uhf
- weights
- tracking target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/12—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种针对UHF‑RFID***的多假设UKF目标跟踪方法,包括以下步骤:步骤1)利用VIRE方法估计得到移动机器人的初始位置,确定机器人初始位置所在的标签区域,在区域内均匀布置粒子,并通过这些粒子来描述移动机器人的初始状态;步骤2)收集各超高频天线的量测信息,生成移动机器人的位置估计作为观测输入,然后应用无迹卡尔曼滤波方法分别对各粒子状态进行预测和更新,并计算各粒子的权值;步骤3)根据粒子的权值,对其进行筛选,再对其进行重采样;步骤4)融合筛选之后的粒子得到移动机器人的当前状态估计,重复执行步骤1)—4),以实现UHF‑RFID环境下的移动机器人跟踪。本发明具有更好的定位精度和收敛速度。
Description
技术领域
本发明涉及的是移动机器人定位领域,尤其是一种UHF-RFID环境下移动机器人定位的方法。
背景技术
无线定位是军事活动和保障人类正常的交通安全的必要手段。对于经济发展迅速的中国,无线定位对社会发挥着越来越重要的作用,如机场大厅、展厅、仓库、超市、图书馆、地下停车场、矿井、航空的安全航行和交通管制、车辆的运输调度、空间飞行器的定位和测控、搜索救援、移动通信等领域都要用到无线定位。定位是指确定物体在某一参考坐标系中的位置。因此存在重要的应用价值。常用的无线定位技术有红外线,超声波,WIFI,蓝牙,UWB,ZIGBEE,RFID等,其中,RFID因其抗干扰能力强,可在恶劣环境下进行工作,鉴于其非视距和非接触的优点,将其运用于定位能实现高精度的定位需求。
基于场景识别的LANDMARC经典定位***,通过对定位场景的训练和现场的信息采集,并将所得的信息进行分析以后存入数据库,利用相近性原理来以实现移动目标的跟踪。然而,在该情景下要提高定位精度,则需要增加参考标签的数量。VIRE方法就是在不增加额外的参考标签情况下,有效地提高了***的定位精度。如果VIRE方法阈值的选取不准确,将造成某区域中没有产生共同的选择标签集合,从而造成方法的发散。特别地,在模糊地图的契合度不满足要求的情况下,将导致整个定位***的崩溃。目前在UHF-RFID定位***中,还没有技术能够通过融合虚拟参考标签和内部传感器(如里程计,陀螺仪,加速度计等)实现移动机器人位姿估计,从而提高整个定位***的定位精度。
发明内容
为了克服现有方法误差大且易发散、以及对插值所产生的虚拟信号强度值依赖性过强导致定位发散的问题的不足,本发明提供了一种在保证对环境的适应性以及定位的实时性前提下,能有效提高定位精度和鲁棒性的基于多假设UKF的UHF-RFID全局定位方法,更适合室内复杂环境下对移动机器人的定位。
本发明解决技术问题所采用的技术方案是:
一种针对UHF-RFID***的多假设UKF目标跟踪方法,所述方法包括以下步骤:
步骤1)利用VIRE方法估计得到移动机器人的初始位置S(x0,y0),确定机器人初始位置所在的标签区域,在区域内均匀布置粒子,并通过这些粒子来描述移动机器人的初始状态;
步骤2)收集各超高频天线的量测信息,通过VIRE方法生成移动机器人的位置估计作为观测输入,然后,应用无迹卡尔曼滤波方法UKF分别对各粒子状态进行预测和更新,并计算各粒子的权值;
步骤3)根据粒子的权值,对其进行筛选,再对其进行重采样;
步骤4)融合筛选之后的粒子得到移动机器人的当前状态估计,重复执行步骤1)—4),以实现UHF-RFID环境下的移动机器人跟踪。
进一步,所述步骤1)中,初始位置所在的区域表示成Ω,然后在Ω内均匀选取M个粒子,给定这些粒子初始状态为其中 为随机产生的,把这些粒子状态作为移动机器人的初始状态。
再进一步,所述步骤2)中,所述的量测信息为应用VIRE算法对移动目标位置的估计结果,初始粒子均匀采样,粒子i初始状态分量x,y由VIRE方法估计出,给定任意航向角初始协方差矩阵为权值利用 获得2n+1个sigma点。
所述步骤2)中,***的观测为zk=[xp,k yp,k]T,则得 由卡方分布概率密度函数,得每个粒子在各个时刻的权值其中,χ2(2)表示自由度为2的卡方分布,xp,k+1,yp,k+1分别为k+1时刻***观测量zk+1在x方向和y方向上的坐标分量,和分别为粒子i在k时刻预测观测量在x方向和y方向上的分量,分别为k+1时刻粒子在x方向和y方向上观测协方差矩阵。
所述步骤3)中,当粒子权值舍去该粒子;反之,则称该粒子有效并保留,有效粒子数记为nc;同时将对粒子进行重新采样,当有效粒子数nc<η,保留的粒子,并在方差为σ2范围内进行重新采样,使有效粒子数始终保持在η;反之,则跳过重采样阶段。
所述步骤4)中,对筛选、重采样后的粒子进行归一化处理,通过采用加权平均的方法融合筛选后的粒子,从而得到移动机器人状态估计。
本发明的有益效果主要表现在:在初始位姿未知情况下,实现了UHF-RFID环境下的移动机器人定位。传统采用VIRE方法对移动机器人进行定位时,并未有效地移动机器人内部传感器信息(如里程计,陀螺仪等)。定位精度很大程度上依赖于UHF-RFID所处的定位环境,且该算法无法对移动机器人姿态角进行估计。针对这个问题,本发明提供了一种基于多假设UKF的移动机器人定位方法,充分利用了UHF-RFID与机器人内部传感器的信息,有效地克服了单一UKF滤波器不稳定和易发散的缺点。该方法首先通过VIRE算法将非线性观测转化为线性观测,然后采用多假设UKF方法实现移动机器人的定位。该方法相比于现有的VIRE目标定位方法,该方法可以有效提高***的定位精度,并对移动机器人姿态角进行跟踪,同时,相对于传统UKF方法,具有更好的定位精度和收敛速度。
附图说明
图1超高频定位***的场景布置示意图。
图2采用带里程计移动小车移动状态分析图。
图3无线传感器网络的目标定位***示意图。
图4单假设状态估计流程图。
图5针对UHF-RFID***的多假设UKF目标跟踪***流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种针对UHF-RFID***的多假设UKF目标跟踪方法,所述方法包含以下步骤:
图1中描述了UHF-RFID下移动机器人的定位环境。图中1代表超高频天线,2代表参考标签,3代表移动机器人。该定位区域为8*8,区域内含有四个超高频天线分布于待定位区域边界,16个参考标签,参考标签如图1中均匀布置在监视区域内。其中,四个天线通过轮询方式采集各参考标签的RSSI数据。移动机器人携带里程计、移动便签。
结合图2所示,移动机器人运动学模型可描述为如下的状态空间模型:
xk+1=f(xk,uk)+wk+1 (10)
zk=Hxk+vk (11)
其中,k为离散时间,***状态xk=[xp,k,yp,k,θk]T。xp,k、yp,k分别为k时刻机器人在x轴和y轴上的坐标,θk为姿态角,为状态转移矩阵。uk***输入矩阵,状态观测zk=[xp,k yp,k]T,观测矩阵wk为过程噪声,服从零均值、方差阵为Q的高斯分布,vk为***观测噪声,服从零均值方差为R的高斯分布。nX为***状态的维数,nZ为观测向量的维数.假设移动机器人初始位姿和初始方差分别为x0|0和P0|0,且x0|0与wk,vk统计意义上不相关。
如图4所示,计算粒子一步预测状态和方差,其中粒子数i=1,2,...M,。
更新
结合图4,式(13)中,为粒子i在k时刻取的Sigma点集,是粒子i取的Sigma点在k+1的状态预测值。缩放比例参数λ=a2(n+κ)-n,用来降低总得预测误差,a的选取控制了采样点的分布状态,κ为待选参数,其具体取值没有界限,通常要确保矩阵半正定。通过式(14)-(16)加权求均值,得到***状态预测值和状态预测协方差矩阵。式(17)获得粒子i的观测预测值。是粒子在k+1时刻的状态预测值,分别为Sigma点计算均值和方差的权值。为第i个粒子在k时刻状态预测方差矩阵,Q为***的过程噪声方差矩阵。结合式(18)-(20)可求得粒子i的估计值。
结合图5,在更新过程中,zk+1为k+1时刻***观测值,为粒子在k+1时刻预测观测值,H为观测矩阵,且 为粒子在k+1时刻新息矩阵。R分别表示第i个粒子在k+1时刻新息方差矩阵和观测噪声方差矩阵。表示第i个粒子在k+1时刻的卡尔曼增益矩阵,表示第i个粒子在k+1时刻的状态估计误差方差矩阵。当粒子权值舍去该粒子。反之,则称该粒子有效并保留,有效粒子数记为nc,同时,为了避免粒子退化,将对粒子进行重新采样。当有效粒子数nc<η,保留的粒子,并在(权值最大粒子)方差为σ2范围内进行重新采样,使有效粒子数始终保持在η。反之,则跳过重采样阶段。
通过采用加权平均的方法融合筛选、重采样后的粒子。
其中n为筛选、重采样后的粒子数,为移动机器人位姿估计,为粒子归一化权值。
Claims (6)
1.一种针对UHF-RFID***的多假设UKF目标跟踪方法,其特征在于:所述方法包括以下步骤:
步骤1)利用VIRE方法估计得到移动机器人的初始位置S(x0,y0),确定机器人初始位置所在的标签区域,在区域内均匀布置粒子,并通过这些粒子来描述移动机器人的初始状态;
步骤2)收集各超高频天线的量测信息,通过VIRE方法生成移动机器人的位置估计作为观测输入,然后,应用无迹卡尔曼滤波方法UKF分别对各粒子状态进行预测和更新,并计算各粒子的权值;
步骤3)根据粒子的权值,对其进行筛选,再对其进行重采样;
步骤4)融合筛选之后的粒子得到移动机器人的当前状态估计,重复执行步骤1)—4),以实现UHF-RFID环境下的移动机器人跟踪。
2.如权利要求1所述的针对UHF-RFID***的多假设UKF目标跟踪方法,其特征在于:所述步骤1)中,初始位置所在的区域表示成Ω,然后在Ω内均匀选取M个粒子,给定这些粒子初始状态为其中 为随机产生的,把这些粒子状态作为移动机器人的初始状态,初始给定状态变量为二维或多维参数。
3.如权利要求1或2所述的针对UHF-RFID***的多假设UKF目标跟踪方法,其特征在于:所述步骤2)中,所述的量测信息为应用VIRE算法对移动目标位置的估计结果,初始粒子均匀采样,粒子i初始状态分量x,y由VIRE方法估计出,给定任意航向角初始协方差矩阵为权值利用 获得2n+1个sigma点。
4.如权利要求3所述的针对UHF-RFID***的多假设UKF目标跟踪方法,其特征在于:所述步骤2)中,***的观测为zk=[xp,k yp,k]T,则得由卡方分布概率密度函数,得每个粒子在各个时刻的权值其中,χ2(2)表示自由度为2的卡方分布,xp,k+1,yp,k+1分别为k+1时刻***观测量zk+1在x方向和y方向上的坐标分量,和分别为粒子i在k时刻预测观测量在x方向和y方向上的分量,分别为k+1时刻粒子在x方向和y方向上观测协方差矩阵。
5.如权利要求1或2所述的针对UHF-RFID***的多假设UKF目标跟踪方法,其特征在于:所述步骤3)中,当粒子权值舍去该粒子;反之,则称该粒子有效并保留,有效粒子数记为nc;同时将对粒子进行重新采样,当有效粒子数nc<η,保留的粒子,并在方差为σ2范围内进行重新采样,使有效粒子数始终保持在η;反之,则跳过重采样阶段。
6.如权利要求1或2所述的针对UHF-RFID***的多假设UKF目标跟踪方法,其特征在于:所述步骤4)中,对筛选、重采样后的粒子进行归一化处理,通过采用加权平均的方法融合筛选后的粒子,从而得到移动机器人状态估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710021764.2A CN106908762B (zh) | 2017-01-12 | 2017-01-12 | 一种针对uhf-rfid***的多假设ukf目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710021764.2A CN106908762B (zh) | 2017-01-12 | 2017-01-12 | 一种针对uhf-rfid***的多假设ukf目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106908762A true CN106908762A (zh) | 2017-06-30 |
CN106908762B CN106908762B (zh) | 2019-10-22 |
Family
ID=59206497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710021764.2A Active CN106908762B (zh) | 2017-01-12 | 2017-01-12 | 一种针对uhf-rfid***的多假设ukf目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106908762B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109159112A (zh) * | 2018-07-09 | 2019-01-08 | 天津大学 | 一种基于无迹卡尔曼滤波的机器人运动参数估计方法 |
CN109870716A (zh) * | 2017-12-01 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 定位方法和定位装置及计算机可读存储介质 |
CN110225458A (zh) * | 2019-01-14 | 2019-09-10 | 北京理工大学 | 一种基于混合滤波的uwb定位***与方法 |
CN110263905A (zh) * | 2019-05-31 | 2019-09-20 | 上海电力学院 | 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 |
CN110296706A (zh) * | 2019-07-11 | 2019-10-01 | 北京云迹科技有限公司 | 用于室内机器人的定位方法及装置、机器人 |
CN112613222A (zh) * | 2021-01-04 | 2021-04-06 | 重庆邮电大学 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
CN113688258A (zh) * | 2021-08-20 | 2021-11-23 | 广东工业大学 | 一种基于柔性多维聚类的信息推荐方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644758A (zh) * | 2009-02-24 | 2010-02-10 | 中国科学院声学研究所 | 一种目标定位跟踪***及方法 |
CN102103815A (zh) * | 2009-12-17 | 2011-06-22 | 上海电机学院 | 移动机器人的粒子定位方法及其装置 |
CN103206954A (zh) * | 2013-04-25 | 2013-07-17 | 佳木斯大学 | 一种基于ukf的移动机器人多传感器信息融合方法 |
CN103529424A (zh) * | 2013-10-23 | 2014-01-22 | 北京工商大学 | 一种基于rfid及ukf实现室内目标快速跟踪的方法 |
-
2017
- 2017-01-12 CN CN201710021764.2A patent/CN106908762B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644758A (zh) * | 2009-02-24 | 2010-02-10 | 中国科学院声学研究所 | 一种目标定位跟踪***及方法 |
CN102103815A (zh) * | 2009-12-17 | 2011-06-22 | 上海电机学院 | 移动机器人的粒子定位方法及其装置 |
CN103206954A (zh) * | 2013-04-25 | 2013-07-17 | 佳木斯大学 | 一种基于ukf的移动机器人多传感器信息融合方法 |
CN103529424A (zh) * | 2013-10-23 | 2014-01-22 | 北京工商大学 | 一种基于rfid及ukf实现室内目标快速跟踪的方法 |
Non-Patent Citations (2)
Title |
---|
BYOUNG-SUK CHOI 等: "Localization and Map-building of Mobile Robot Based on RFID Sensor Fusion System", 《THE IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL INFORMATICS(INDIN 2008)》 * |
王勤: "基于RFID技术与航迹推测的移动机器人融合定位方法和路径规划", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870716A (zh) * | 2017-12-01 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 定位方法和定位装置及计算机可读存储介质 |
CN109159112A (zh) * | 2018-07-09 | 2019-01-08 | 天津大学 | 一种基于无迹卡尔曼滤波的机器人运动参数估计方法 |
CN109159112B (zh) * | 2018-07-09 | 2022-03-29 | 天津大学 | 一种基于无迹卡尔曼滤波的机器人运动参数估计方法 |
CN110225458A (zh) * | 2019-01-14 | 2019-09-10 | 北京理工大学 | 一种基于混合滤波的uwb定位***与方法 |
CN110225458B (zh) * | 2019-01-14 | 2020-10-09 | 北京理工大学 | 一种基于混合滤波的uwb定位***与方法 |
CN110263905A (zh) * | 2019-05-31 | 2019-09-20 | 上海电力学院 | 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 |
CN110263905B (zh) * | 2019-05-31 | 2021-03-02 | 上海电力学院 | 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 |
CN110296706A (zh) * | 2019-07-11 | 2019-10-01 | 北京云迹科技有限公司 | 用于室内机器人的定位方法及装置、机器人 |
CN112613222A (zh) * | 2021-01-04 | 2021-04-06 | 重庆邮电大学 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
CN112613222B (zh) * | 2021-01-04 | 2023-09-15 | 重庆邮电大学 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
CN113688258A (zh) * | 2021-08-20 | 2021-11-23 | 广东工业大学 | 一种基于柔性多维聚类的信息推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106908762B (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106908762B (zh) | 一种针对uhf-rfid***的多假设ukf目标跟踪方法 | |
Beuchat et al. | Enabling optimization-based localization for IoT devices | |
CN103298156B (zh) | 基于无线传感器网络的无源多目标检测跟踪方法 | |
CN108120438A (zh) | 一种基于imu和rfid信息融合的室内目标快速跟踪方法 | |
Bhattacherjee et al. | Experimental study of outdoor UAV localization and tracking using passive RF sensing | |
Wang et al. | A UPF-PS SLAM algorithm for indoor mobile robot with NonGaussian detection model | |
Silva et al. | TrackInFactory: A tight coupling particle filter for industrial vehicle tracking in indoor environments | |
Goharimanesh et al. | Optimum parameters of nonlinear integrator using design of experiments based on Taguchi method | |
Birsan | Unscented particle filter for tracking a magnetic dipole target | |
Li et al. | Magnetic field positioning technology of indoor sports bodies | |
Souli et al. | Adaptive frequency band selection for accurate and fast positioning utilizing SOPs | |
CN109379716A (zh) | 一种用于安防监控项目的室内定位方法及*** | |
Wang et al. | Rf based target search and localization with microuva | |
Tripathi et al. | Robust target localization and tracking using Kalman filtering for UGV-UAV coordinated operation | |
Abdellatif et al. | An improved indoor positioning based on crowd-sensing data fusion and particle filter | |
Golovan et al. | Efficient localization using different mean offset models in Gaussian processes | |
Yao et al. | Robust Magnetic Field Loop Closure Detection for Low-Cost Robot’s Localization and Mapping | |
Ulmschneider | Cooperative multipath assisted positioning | |
Taghizadeh et al. | Low-cost integrated INS/GNSS using adaptive H∞ Cubature Kalman Filter | |
Gudipati | Application of Kalman Filter to estimate position of a mobile node in Indoor environments | |
CN113359837B (zh) | 一种使用单架无人机追踪移动源的方法 | |
Dressel et al. | Using neural networks to generate information maps for mobile sensors | |
Sanda et al. | Kalman filters for reducing error in RFID real-time localization systems | |
Kuevor | Magnetic Field Mapping for Indoor Aerial Navigation | |
Mandal | Advanced methods for object localization in constrained environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |