CN115540858A - 高精度的井下车辆定位方法及其*** - Google Patents
高精度的井下车辆定位方法及其*** Download PDFInfo
- Publication number
- CN115540858A CN115540858A CN202211108291.7A CN202211108291A CN115540858A CN 115540858 A CN115540858 A CN 115540858A CN 202211108291 A CN202211108291 A CN 202211108291A CN 115540858 A CN115540858 A CN 115540858A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- uwb
- point cloud
- underground
- imu
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007499 fusion processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000000295 complement effect Effects 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 5
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S5/0257—Hybrid positioning
- G01S5/0263—Hybrid positioning by combining or switching between positions derived from two or more separate positioning systems
- G01S5/0264—Hybrid positioning by combining or switching between positions derived from two or more separate positioning systems at least one of the systems being a non-radio wave positioning system
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种高精度的井下车辆定位方法及其***,包括以下步骤:通过UWB定位标签卡获取车辆与UWB基站之间的相对位置坐标,通过IMU传感器获取车辆的位姿数据,通过激光雷达获取井下巷道点云数据,将车辆与UWB基站之间的相对位置坐标、车辆的位姿数据以及井下巷道点云数据进行融合处理,得到井下车辆的最终定位信息。本发明将UWB、IMU和激光雷达三种定位数据进行融合处理,激光雷达可以降低UWB因障碍物导致的定位误差,UWB可以提供粗定位,减小IMU和激光雷达的误差累计,IMU可以减小因环境因素导致的误差,三种定位方式相辅相成,最终实现井下高精度的车辆定位与轨迹跟踪,使井下车辆的自动驾驶成为可能。
Description
技术领域
本发明涉及井下车辆自动驾驶技术领域,尤其涉及一种高精度的井下车辆定位方法及其***。
背景技术
现阶段,自动驾驶车辆已逐渐成为研究的热点,在一些港口、园区、物流中心等物权明确且相对封闭的场景中,自动驾驶车辆已经有了相对成熟的商业案列。自动驾驶作为未来的一大科技重点,实现高精准度自主导航是最终目标,在自主导航***中,定位问题无疑是首先要解决的难题,准确的位姿估计是实现自主导航的关键技术。
在煤矿行业内,自动驾驶矿卡在露天煤矿的应用也逐渐成熟。但是,现阶段的自动驾驶车辆定位方案大多是基于GNSS(全球导航卫星***)信号,而井工煤矿处于地下封闭空间,GNSS信号弱,井下自动驾驶定位无法获取GNSS信号,并且井工煤矿环境复杂,巷道多、光线昏暗,地面自动驾驶相关定位方法无法直接应用于井下车辆。
为了解决井下车辆定位的问题,目前已有基于UWB、IMU或激光雷达的定位方案,但是,UWB属于有源定位方法,UWB信号容易受到遮挡物的影响,且当UWB信号受到干扰时,会产生较大的误差;IMU属于无源定位,IMU对于井下辅助运输车辆来说价格高昂,且长时间连续使用存在误差累积的问题,自身也存在漂移的问题;激光雷达在环境单一或车辆移动较快时,会产生数据错位、遮挡、速度快、视角不断变化等问题。因此,在复杂的煤矿井下环境中,现有的井下车辆定位只依靠某一种定位方法,很难取得高精度的定位结果,无法为井下车辆自动驾驶提供可靠的技术支撑。
发明内容
本发明要解决的技术问题是:为了解决现有的定位方法无法适用于井下车辆自动驾驶场景的技术问题,本发明提供一种高精度的井下车辆定位方法及其***,能够进一步提高井下车辆定位的精度。
本发明解决其技术问题所采用的技术方案是:一种高精度的井下车辆定位方法,包括以下步骤:
S1、通过UWB定位标签卡获取车辆与UWB基站之间的相对位置坐标;
S2、通过IMU传感器获取车辆的位姿数据;
S3、通过激光雷达获取井下巷道点云数据;
S4、将所述车辆与UWB基站之间的相对位置坐标、车辆的位姿数据以及井下巷道点云数据进行融合处理,得到井下车辆的最终定位信息。
进一步的,步骤S4中的融合处理,包括以下步骤:
根据所述车辆与UWB基站之间的相对位置坐标构建UWB位置预测值;
根据所述车辆的位姿数据构建IMU位置预测值;
根据所述井下巷道点云数据构建雷达位置预测值;
根据所述UWB位置预测值、IMU位置预测值、雷达位置预测值、相对位置坐标、位姿数据和井下巷道点云数据,构建融合函数F(p),p表示车辆位置坐标;
计算融合函数F(p)的最优解,得到井下车辆的最终定位信息。
进一步的,构建融合函数F(p)包括以下步骤:
融合函数F(p)的公式为:
进一步的,构建UWB位置预测值,具体包括:
获取车辆与m个UWB基站之间的距离Rm;
计算车辆与第A个UWB基站之间的距离RA,计算车辆与第B个UWB基站之间的距离RB,计算距离RA与RB之间的差值RA,B=RA-RB;
根据距离Rm以及差值RA,B能够获得以下关系式:
RA,1 2+2RA,1R1=KA-2xA,1x-2yA,1-K1
其中,(x,y)表示UWB位置预测值,KA=(xA 2+yA 2),K1=(x1 2+y1 2),xA,1=xA-x1,yA,1=yA-y1,R1表示车辆与第1个UWB基站之间的距离。
进一步的,构建雷达位置预测值,具体包括:
通过激光雷达扫描获取井下巷道的点云数据集;
获取井下巷道地图的点云匹配集;
计算点云数据集和点云匹配集之间的相对变换函数E(Q,G),Q表示旋转矩阵,G表示平移矩阵;
对所述相对变换函数E(Q,G)进行闭环检测,若E(Q,G)小于设定阈值,则表明点云数据集和点云匹配集之间匹配良好,符合闭环要求;否则,重新计算相对变换函数;
利用符合闭环要求的相对变换函数E(Q,G)对所述点云数据集进行空间变换,确定车辆在井下巷道地图中的预测位置,即雷达位置预测值。
进一步的,计算融合函数F(p)的最优解,具体包括:
当F(p)=0时,解出的p值即为最优解;
对所述融合函数F(p)进行非线性优化,得到优化函数:
F(p+Δp)≈F(p)+J(p)Δp
令F(p+Δp)≈F(p)+J(p)Δp=0,利用最小二乘法求解出最优增量Δp*,则p+Δp*即为最优解。
进一步的,获取车辆与m个UWB基站之间的距离Rm,包括:
通过UWB标签卡发送UWB信号,在UWB信号覆盖范围内的所有UWB基站均能够接收到该UWB信号;
获取UWB标签卡与m个UWB基站之间的报文飞行时间差;
根据报文飞行时间差计算UWB标签卡与UWB基站之间的距离。
进一步的,构建IMU位置预测值,具体包括:
获取车辆在ti时刻的位置Pwbi以及在世界坐标系下的速度Vi w;
车辆当前在tj时刻的IMU位置预测值为:
其中,表示车辆在第tj时刻的预测位置,Vj w表示车辆在第tj时刻在世界坐标系下的预测速度,gw表示世界坐标系下的车辆重力加速度,Δt表示tj和ti的时间间隔,分别表示在ti、tj时刻位姿的旋转矩阵,和表示tj时刻相对于ti时刻的IMU预积分量。
本发明还提供了一种高精度的井下车辆定位***,使用所述的高精度的井下车辆定位方法,所述***包括:
UWB标签卡,所述UWB标签卡安装在车辆上;
IMU传感器,所述IMU传感器安装在车辆上;
激光雷达,所述激光雷达安装在车辆上;
UWB基站,所述UWB基站安装在井下巷道内,所述UWB基站与所述UWB标签卡通讯连接;
控制器,所述UWB标签卡、IMU传感器、激光雷达及UWB基站均与所述控制器通讯连接,所述控制器用于执行如权利要求1-9任一项所述的高精度的井下车辆定位方法的步骤。
本发明的有益效果是,本发明将UWB、IMU和激光雷达三种定位数据进行融合处理,激光雷达可以降低UWB因障碍物导致的定位误差,UWB可以提供粗定位,减小IMU和激光雷达的误差累计,IMU可以减小因环境因素导致的误差,三种定位方式相辅相成,最终实现井下高精度的车辆定位与轨迹跟踪,使井下车辆的自动驾驶成为可能。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的高精度的井下车辆定位方法的流程图。
图2是本发明的高精度的井下车辆定位方法的具体流程框图。
图3是本发明的高精度的井下车辆定位***的示意图。
图中:1、UWB标签卡;2、IMU传感器;3、激光雷达;4、UWB基站;5、控制器。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1至图2所示,本发明的高精度的井下车辆定位方法,包括以下步骤:
S1、通过UWB定位标签卡获取车辆与UWB基站之间的相对位置坐标。
S2、通过IMU传感器获取车辆的位姿数据。
S3、通过激光雷达获取井下巷道点云数据。
S4、将车辆与UWB基站之间的相对位置坐标、车辆的位姿数据以及井下巷道点云数据进行融合处理,得到井下车辆的最终定位信息。
换言之,本发明将UWB、IMU和激光雷达三种定位数据进行融合处理,激光雷达可以降低UWB因障碍物导致的定位误差,UWB可以提供粗定位,减小IMU和激光雷达的误差累计,IMU可以减小因环境因素导致的误差,三种定位方式相辅相成,最终实现井下高精度的车辆定位与轨迹跟踪,使井下车辆的自动驾驶成为可能。
具体的,步骤S4中的融合处理,包括以下步骤:根据车辆与UWB基站之间的相对位置坐标构建UWB位置预测值;根据车辆的位姿数据构建IMU位置预测值;根据井下巷道点云数据构建雷达位置预测值;根据UWB位置预测值、IMU位置预测值、雷达位置预测值、相对位置坐标、位姿数据和井下巷道点云数据,构建融合函数F(p),p表示车辆位置坐标;计算融合函数F(p)的最优解,得到井下车辆的最终定位信息。
也就是说,首先可以通过UWB、IMU和激光雷达获得各自的测量数据(即相对位置坐标、车辆的位姿数据、井下巷道点云数据),然后构建三种定位方式的预测值,根据三种测量数据和三种预测值,可以构建融合函数F(p)。融合函数的作用是找到误差最小情况下的车辆位置,进而确定井下车辆的定位信息。
构建融合函数F(p)包括以下步骤:计算相对位置坐标与UWB位置预测值之间的残差计算位姿数据与IMU位置预测值之间的残差计算井下巷道点云数据与雷达位置预测值之间的残差分别获取相对位置坐标、位姿数据和井下巷道点云数据的权重和融合函数F(p)的公式为:
可以理解的是,残差是指测量值与预测值之间的差,残差越小,表明预测值越准确。测量值与预测值之间的残差计算公式采用现有技术。此处字母p实际表示的是坐标(x,y),即,融合函数可以有两种表达式F(x)和F(y),分别可以解出x方向的最优解和y方向的最优解,进而得到车辆的定位信息。其中,权重 和的比值为1:1:1,表明对这三种方法的信任度相同,这样能够提高最终的定位精度。
例如,构建UWB位置预测值,具体包括:获取车辆与m个UWB基站之间的距离Rm;计算车辆与第A个UWB基站之间的距离RA,计算车辆与第B个UWB基站之间的距离RB,计算距离RA与RB之间的差值RA,B=RA-RB;根据距离Rm以及差值RA,B能够获得以下关系式:
RA,1 2+2RA,1R1=KA-2xA,1x-2yA,1-K1
其中,(x,y)表示UWB位置预测值,KA=(xA 2+yA 2),K1=(x1 2+y1 2),xA,1=xA-x1,yA,1=yA-y1,R1表示车辆与第1个UWB基站之间的距离。
例如,可以通过UWB标签卡发送UWB信号,在UWB信号覆盖范围内的所有UWB基站均能够接收到该UWB信号;获取UWB标签卡与m个UWB基站之间的报文飞行时间差;根据报文飞行时间差计算UWB标签卡与UWB基站之间的距离。需要说明的是,UWB基站在井下巷道的位置坐标是已知的,通过获取车辆与各个UWB基站之间的距离推算出车辆当前的位置坐标。其中,Rm的计算公式为:(x,y)表示UWB位置预测值(即井下车辆的位置坐标),(xm,ym)表示UWB基站的坐标,由此,可以得到车辆与不同UWB基站之间的距离。例如,车辆与第A个UWB基站之间的距离为RA,车辆与第B个UWB基站之间的距离为RB,计算距离RA与RB之间的差值RA,B=RA-RB=ctA,B,c为光速,tA,B表示UWB信号飞行到A基站、B基站的飞行时间差(A不等于B)。由此,根据公式和RA,B=RA-RB=ctA,B,可以得到关系式:
RA,1 2+2RA,1R1=KA-2xA,1x-2yA,1-K1,其中,KA、xA,1、yA,1为已知量,x,y,R1为未知量。根据该关系式可以解算出(x,y)。
具体的,构建雷达位置预测值,具体包括:通过激光雷达扫描获取井下巷道的点云数据集;获取井下巷道地图的点云匹配集;计算点云数据集和点云匹配集之间的相对变换函数E(Q,G),Q表示旋转矩阵,G表示平移矩阵;对所述相对变换函数E(Q,G)进行闭环检测,若E(Q,G)小于设定阈值,则表明点云数据集和点云匹配集之间匹配良好,符合闭环要求;否则,重新计算相对变换函数;利用符合闭环要求的相对变换函数E(Q,G)对所述点云数据集进行空间变换,确定车辆在井下巷道地图中的预测位置,即雷达位置预测值。
需要说明的是,激光雷达的点云数据是指在一个三维坐标***中的一组向量的集合,点云数据除了具有几何位置以外,有的还包含有颜色信息或反射强度信息,利用点云数据可以构建井下巷道的3D模型。点云匹配集即为井下巷道地图的标准点云数据。点云数据集和点云匹配集进行匹配时,需要先计算两个点云集之间的旋转矩阵Q和平移矩阵G,假设点云数据集为{q1,q2,q3,...,qi},点云匹配集为{p1,p2,p3,...,pi},每一个数据点qi均可以在点云匹配集中找到一个最接近的点pi,该数据点qi与pi可以组成最接近点对。计算点云数据集和点云匹配集的均值,根据均值构建两个数据集间的协方差矩阵,由协方差矩阵构建对称矩阵,将对称矩阵做特征值分解,可以获得旋转向量,由旋转向量可以计算出旋转矩阵Q。根据两个点云集的均值和旋转矩阵Q可以平移矩阵G。根据旋转矩阵Q和平移矩阵G可以对点云数据集中的数据点qi做坐标变换,得到一个新点qi new=Qqi+G。由此,可以得到两个集合之间的相对变换函数:相对变换函数E(Q,G)可以计算出点云数据集的数据点和点云匹配集中的数据点之间的距离,记设定阈值为dmin(例如可以设为5cm),将E(Q,G)与dmin进行比较,若E(Q,G)>dmin,,则表明点云数据集与点云匹配集之间的匹配效果不好,若E(Q,G)<dmin,,则表明点云数据集和点云匹配集之间匹配良好,符合闭环要求,该相对变换函数E(Q,G)为最优的相对变换函数。利用相对变换函数E(Q,G)可以将点云数据集的数据点空间变换到井下巷道地图中,从而得到车辆的预测位置。
具体的,构建IMU位置预测值,具体包括:获取车辆在ti时刻的位置Pwbi以及在世界坐标系下的速度Vi w;车辆当前在tj时刻的IMU位置预测值为:
其中,表示车辆在第tj时刻的预测位置,表示车辆在第tj时刻在世界坐标系下的预测速度,gw表示世界坐标系下的车辆重力加速度,Δt表示tj和ti的时间间隔,分别表示在ti、tj时刻位姿的旋转矩阵,和表示tj时刻相对于ti时刻的IMU预积分量。需要说明的是,IMU定位是从一个已知坐标的位置点出发,根据连续测得的车辆的航向角和加速度推算出车辆当前位置的坐标。例如,ti时刻的车辆位置是已知的,可以推算出下一时刻tj的车辆位置。其中,
需要说明的是,融合函数中包含了UWB、IMU、激光雷达三种方式的数据,融合处理的目的是为了解出一组最优的(x,y)。计算融合函数F(p)的最优解,具体包括:当F(p)=0时,解出的p值即为最优解,对融合函数F(p)进行非线性优化,得到优化函数:F(p+Δp)≈F(p)+J(p)Δp,其中,表示F(p)的雅可比矩阵,Δp表示增量;令F(p+Δp)≈F(p)+J(p)Δp=0,利用最小二乘法求解出最优增量Δp*,则p+Δp*即为最优解。
例如,可以给定一个初始值p,通过添加增量Δp,使得F(p+Δp)达到最小(为0或接近0),通过多次迭代,可以找到一组最优解p+Δp*,该最优解即表示车辆位置坐标,由此可以实现对车辆的定位。
如图3所示,本发明还提供了一种高精度的井下车辆定位***,使用高精度的井下车辆定位方法,***包括:UWB标签卡1,UWB标签卡1安装在车辆上;IMU传感器2,IMU传感器2安装在车辆上;激光雷达3,激光雷达3安装在车辆上;UWB基站4,UWB基站4安装在井下巷道内,UWB基站4与UWB标签卡1通讯连接;控制器5,UWB标签卡1、IMU传感器2、激光雷达3及UWB基站4均与控制器5通讯连接,控制器5用于执行高精度的井下车辆定位方法的步骤。也就是说,本发明在井下车辆上安装了UWB标签卡1、IMU传感器2和激光雷达3,三种方式采集的数据可以发送给控制器5,控制器5将三种定位数据进行融合处理,得到一个最终的车辆位置坐标。
综上所述,本发明将三种定位数据进行融合处理,激光雷达可以降低UWB因障碍物导致的定位误差,UWB可以提供粗定位,减小IMU传感器和激光雷达的误差累计,IMU传感器还可以减小因环境因素导致的误差;本发明利用融合处理的方式,有利于更加提高井下车辆定位的精度,为井下车辆实现自动驾驶提供支持。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要如权利要求范围来确定其技术性范围。
Claims (10)
1.一种高精度的井下车辆定位方法,其特征在于,包括以下步骤:
S1、通过UWB定位标签卡获取车辆与UWB基站之间的相对位置坐标;
S2、通过IMU传感器获取车辆的位姿数据;
S3、通过激光雷达获取井下巷道点云数据;
S4、将所述车辆与UWB基站之间的相对位置坐标、车辆的位姿数据以及井下巷道点云数据进行融合处理,得到井下车辆的最终定位信息。
2.如权利要求1所述的高精度的井下车辆定位方法,其特征在于,步骤S4中的融合处理,包括以下步骤:
根据所述车辆与UWB基站之间的相对位置坐标构建UWB位置预测值;
根据所述车辆的位姿数据构建IMU位置预测值;
根据所述井下巷道点云数据构建雷达位置预测值;
根据所述UWB位置预测值、IMU位置预测值、雷达位置预测值、相对位置坐标、位姿数据和井下巷道点云数据,构建融合函数F(p),p表示车辆位置坐标;
计算融合函数F(p)的最优解,得到井下车辆的最终定位信息。
5.如权利要求3所述的高精度的井下车辆定位方法,其特征在于,构建UWB位置预测值,具体包括:
获取车辆与m个UWB基站之间的距离Rm;
计算车辆与第A个UWB基站之间的距离RA,计算车辆与第B个UWB基站之间的距离RB,计算距离RA与RB之间的差值RA,B=RA-RB;
根据距离Rm以及差值RA,B能够获得以下关系式:
RA,1 2+2RA,1R1=KA-2xA,1x-2yA,1-K1
其中,(x,y)表示UWB位置预测值,KA=(xA 2+yA 2),K1=(x1 2+y1 2),xA,1=xA-x1,yA,1=yA-y1,R1表示车辆与第1个UWB基站之间的距离。
6.如权利要求3所述的高精度的井下车辆定位方法,其特征在于,构建雷达位置预测值,具体包括:
通过激光雷达扫描获取井下巷道的点云数据集;
获取井下巷道地图的点云匹配集;
计算点云数据集和点云匹配集之间的相对变换函数E(Q,G),Q表示旋转矩阵,G表示平移矩阵;
对所述相对变换函数E(Q,G)进行闭环检测,若E(Q,G)小于设定阈值,则表明点云数据集和点云匹配集之间匹配良好,符合闭环要求;否则,重新计算相对变换函数;
利用符合闭环要求的相对变换函数E(Q,G)对所述点云数据集进行空间变换,确定车辆在井下巷道地图中的预测位置,即雷达位置预测值。
8.如权利要求5所述的高精度的井下车辆定位方法,其特征在于,获取车辆与m个UWB基站之间的距离Rm,包括:
通过UWB标签卡发送UWB信号,在UWB信号覆盖范围内的所有UWB基站均能够接收到该UWB信号;
获取UWB标签卡与m个UWB基站之间的报文飞行时间差;
根据报文飞行时间差计算UWB标签卡与UWB基站之间的距离。
10.一种高精度的井下车辆定位***,其特征在于,使用如权利要求1-9任一项所述的高精度的井下车辆定位方法,所述***包括:
UWB标签卡,所述UWB标签卡安装在车辆上;
IMU传感器,所述IMU传感器安装在车辆上;
激光雷达,所述激光雷达安装在车辆上;
UWB基站,所述UWB基站安装在井下巷道内,所述UWB基站与所述UWB标签卡通讯连接;
控制器,所述UWB标签卡、IMU传感器、激光雷达及UWB基站均与所述控制器通讯连接,所述控制器用于执行如权利要求1-9任一项所述的高精度的井下车辆定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108291.7A CN115540858A (zh) | 2022-09-13 | 2022-09-13 | 高精度的井下车辆定位方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108291.7A CN115540858A (zh) | 2022-09-13 | 2022-09-13 | 高精度的井下车辆定位方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115540858A true CN115540858A (zh) | 2022-12-30 |
Family
ID=84726784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211108291.7A Pending CN115540858A (zh) | 2022-09-13 | 2022-09-13 | 高精度的井下车辆定位方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115540858A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116067379A (zh) * | 2023-03-07 | 2023-05-05 | 青岛慧拓智能机器有限公司 | 一种基于动态点云的长隧道场景下多传感器融合定位方法 |
CN116518984A (zh) * | 2023-07-05 | 2023-08-01 | 中国矿业大学 | 一种煤矿井下辅助运输机器人车路协同定位***及方法 |
CN116908869A (zh) * | 2023-04-14 | 2023-10-20 | 南京航空航天大学 | 一种大工作空间下多运动目标的多感知融合定位方法 |
-
2022
- 2022-09-13 CN CN202211108291.7A patent/CN115540858A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116067379A (zh) * | 2023-03-07 | 2023-05-05 | 青岛慧拓智能机器有限公司 | 一种基于动态点云的长隧道场景下多传感器融合定位方法 |
CN116908869A (zh) * | 2023-04-14 | 2023-10-20 | 南京航空航天大学 | 一种大工作空间下多运动目标的多感知融合定位方法 |
CN116518984A (zh) * | 2023-07-05 | 2023-08-01 | 中国矿业大学 | 一种煤矿井下辅助运输机器人车路协同定位***及方法 |
CN116518984B (zh) * | 2023-07-05 | 2023-09-08 | 中国矿业大学 | 一种煤矿井下辅助运输机器人车路协同定位***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wan et al. | Robust and precise vehicle localization based on multi-sensor fusion in diverse city scenes | |
Chiang et al. | Performance enhancement of INS/GNSS/refreshed-SLAM integration for acceptable lane-level navigation accuracy | |
CN108983781B (zh) | 一种无人车目标搜索***中的环境探测方法 | |
EP3497405B1 (en) | System and method for precision localization and mapping | |
Chiang et al. | Seamless navigation and mapping using an INS/GNSS/grid-based SLAM semi-tightly coupled integration scheme | |
CN106969768B (zh) | 一种无轨导航agv的精确定位及停车方法 | |
US10365363B2 (en) | Mobile localization using sparse time-of-flight ranges and dead reckoning | |
CN103926925B (zh) | 一种基于改进的vfh算法的定位与避障方法及机器人 | |
CN115540858A (zh) | 高精度的井下车辆定位方法及其*** | |
CN105547305B (zh) | 一种基于无线定位和激光地图匹配的位姿解算方法 | |
US20170023659A1 (en) | Adaptive positioning system | |
CN109416256B (zh) | 行驶车道推定*** | |
US11237005B2 (en) | Method and arrangement for sourcing of location information, generating and updating maps representing the location | |
CN110208842A (zh) | 一种车联网环境下车辆高精度定位方法 | |
CN104848867A (zh) | 基于视觉筛选的无人驾驶汽车组合导航方法 | |
CN111426320B (zh) | 一种基于图像匹配/惯导/里程计的车辆自主导航方法 | |
Pfaff et al. | Towards mapping of cities | |
Kealy et al. | Collaborative navigation as a solution for PNT applications in GNSS challenged environments–report on field trials of a joint FIG/IAG working group | |
US20200249695A1 (en) | Method for localizing a vehicle | |
WO2016196717A2 (en) | Mobile localization using sparse time-of-flight ranges and dead reckoning | |
Qian et al. | A LiDAR aiding ambiguity resolution method using fuzzy one-to-many feature matching | |
Gao et al. | Towards autonomous wheelchair systems in urban environments | |
Gustafsson et al. | Navigation and tracking of road-bound vehicles | |
Wang et al. | UGV‐UAV robust cooperative positioning algorithm with object detection | |
Chiang et al. | Semantic proximity update of GNSS/INS/VINS for seamless vehicular navigation using smartphone sensors |
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 |