基于多传感器数据融合的AGV定位方法研究

杨惠，周小燕

（兰州文理学院传媒工程学，甘肃兰州，730000）

关键字：传感器；AGV定位；数据融合

0 引言

AGV（Automated Guided Vehicles）是一种集环境感知，路径规划，智能决策等多种技术的智能工业用移动机器人[1]，具有承重，自动导航，避障等功能，因功能灵活，运行稳定，高度智能化等优势，具有良好的应用前景。

定位导航技术是AGV实现自动化智能化的前提条件，传统的AGV以光学和电磁导航为代表，这类定位导航智能在预设好的路径上运行，无法实现实时的位姿调整，无法自适应环境地图。随着激光雷达和摄像头定位导航技术[2]的逐步应用，使得AGV具备了定位精度高，运行智能化等优点，但也出现了一些亟待解决的问题，如视觉导航技术鲁棒性不足，激光导航定位精度较低等问题。

为了解决上述问题，提出了基于循环神经网络的AGV定位方法，以激光雷达，摄像头和IMU传感器数据为输入，以AGV的位置为输出，将多传感器的数据进行融合处理，训练传感器数据与AGV位置信息的关系。针对AGV运动轨迹连续的特点，将前序输入结果作为后续计算的输入，实现AGV的持续定位计算。

1 多传感器数据融合定位方法

在实际AGV定位过程中，激光雷达获取AGV周围障碍的距离，然而激光雷达获取的数据缺乏对运动过程中传感数据的校准，导致AGV定位不准。摄像头容易受到光线的影响，一般出现剧烈光线变化，如进出隧道时的忽明忽暗[3]。IMU姿态传感器获取的三轴角速度和三轴加速度具有一定的噪声，需要对该数据进行降噪[4]。为了实现AGV通过环境数据的感知实现准确定位，采用多传感器数据融合的方式，利用多传感器数据相互校正，提高系统定位的稳定性和精确性。融合摄像头，激光雷达，IMU姿态传感器的AGV方法如图1所示。

图1 多传感器数据融合定位方法结构图

多传感器数据融合定位方面的数据主要包括三部分：

（1）姿态估计值的获取

IMU传感器获取到加/角速度数据后，通过重力加速度在加速度计各轴上的分布情况获取AGV的加速度，通过角速度累积获得AGV的角速度。由于AGV运动过程中加速度数据受震动的干扰[5]，所以其高频段的数据不可靠，但重力加速度在一定海拔范围内基本保持稳定，因此低频数据比较可靠。而AGV的角速度是通过累积的方式获得，所以高频数据较为可靠，而低频数据不可靠。

在利用加速度和角速度获取AGV姿态估计的过程中，通过互补滤波器去除获取加速度中的高频噪声，通过互补滤波器去除获取角速度中的低频噪声，假设高通滤波器为FH（s），低通滤波器为FL（s），其中FH（s）+FL（s）=1，因此AGV的姿态测量值m可表示为

其中e1，e2分别表示高低频噪声的测量误差。

（2）高精度位姿的获取

高精度位姿的获取依赖于摄像头的标志识别和激光雷达扫描匹配的结果[6]。在摄像头的标志识别中，首先奥将摄像头中的像素坐标xpixyOpixyypixy转换为以摄像头视野中心为坐标系xsignOsignysign的实际坐标。若当前摄像头监测的目标像素坐标为（xpixy,ypixy,wpixy），其中wpixy为标志物的旋转角度，因此转换后的实际坐标为

在本方案中，摄像头的定位结果需要激光雷达传感器的数据进行修正。假设激光雷达获取的位姿坐标向量为Pscan=（xscan,yscan,wscan）。假设第一个标志处于世界坐标原点，且每个标志与世界坐标系的x轴同方向，相邻标志之间纵横坐标的间隔为Sy和Sx，则摄像头视野中标志的全局坐标系的精确位姿坐标为：

其中round（）为四舍五入取整函数。设（xms,yms）是经过Pscan和Psign联合计算的粗略坐标，计算方法如下：

L是AGV坐标在摄像头坐标系上水平的投影距离，θ表示AGV的全局坐标系的角度姿态，因此摄像头全局地图的坐标为：

因此AGV在全局坐标系中的位姿坐标为：

（3）AGV位姿动态加权融合

在动态加权位姿融合过程中，需要考虑标志位姿的可靠程度，从而判断两个位姿的权重值。为了使定位系统能够实时调整上述权重，在摄像头捕获目标时，系统会获取该目标的尺寸信息，由于标志固定，因此当检测的标志尺寸接近于期望尺寸，则摄像头的定位输出区中就越高。假设标志面积为Ss，期望输出面积为Sq，则位姿输出坐标为：

如果检测的尺寸超出期望尺寸的容忍范围后，则摄像头获取的位姿信息失效，此时可以采用激光雷达的定位结果，有

2 定位效果测试和分析

由于实验环境受限，在测试过程中只提供了圆形，方形，椭圆三种地面标志，但结果足以反映多传感器数据融合AGV定位的实际效果。在AGV运行过程中，引入Pixy摄像头前后的定位数据[7]，同时用一条曲线拟合动态定位数据作为动态测量值的期望值[8]，对比有无摄像头与期望值的拟合状态，实验结果如图2所示。

图2 AGV定位效果对比

从图2中可以看出，融合了摄像头数据之后的x轴坐标数据波动范围更小，定位数据也相对稳定。为了更清楚的展示在融合摄像头数据后的定位数据与期望数据之间的差值，可以通过对比有无摄像头x轴位置数据的波动情况，结果如图3所示。

图3展示了100组数据分为两部分，前50组为AGV做匀速运动时的波动情况，后50组为静止状态是定位数据的波动情况。从图中可以看出，无摄像头数据时AGV定位的波动明显比有摄像头时更明显。相对来说，静态定位时融合了摄像头数据的定位非常稳定，而无摄像头数据时定位波动性依然很大。

图3 AGV定位数据波动情况

3 结束语

高精度的AGV定位方法是实现AGV自动化智能化的前提条件，针对当前激光雷达定位不精确的问题，提出了融合激光雷达，IMU和摄像头多种传感器数据融合的定位方法，使用激光雷达的扫描结果辅助摄像头标识定位的准确位姿，然后采用动态加权的方法融合两部分数据，从而实现AGV的高精度定位。