您目今的位置： 首页 > 案例新闻 > 新闻动态 > yd2333云顶电子游戏动态

基于曲线拟合的物流仓储自动扶引车远程定位算法

来源：本站 | 宣布日期：2023-03-02

0 引言

面对电子商务的应用需求,物流仓储行业得以快速壮大,各大物流公司在智能化、自动化等方面进行了猛烈的角逐,而这一切都是建立在精准的位置定位及扶引基础之上的。在物流仓储的特殊情况下,古板定位系统及定位要领的应用受限,如GPS在货仓情况中定位禁绝,WiFi受到密集漫衍的货架、物料的阻断等因素的影响。同时为满足差别的应用场景,人们建设了种类多样的现代物流货仓,差别货仓接纳差别结构,配备了大宗器具,这就增大了仓储自动扶引车的定位难度,虽然单目视觉的定位要领能够解决这一问题,可是却很难实现规�；�;古板的基于陀螺仪、里程计的惯性导航要领,始终未能解决累计误差的问题,随着时间的延长,这一要领的导航效果变差;RFID、WiFi无线传感器可以凭据信号强度进行测距,可是检测精度不高,无法满足车辆扶引的要求。而UWB技术是基于纳秒至微纳秒的非正弦波窄脉冲进行数据传输,由多个接收器接收到参考标签所发射的超宽带脉冲信号进行定位,具有穿透力强,结构简单、适应性强、带宽极宽、造价低廉等优点,从而被广泛应用在无线定位中。但利用UWB技术进行定位受非视距流传(NLOS)、多径滋扰等的影响,导致定位精度差。因此本研究以UWB为配景,在结合UWB常用的TDOA测距要领中,构建联合定位算法,并通过仿真验证其正确性和可行性[1,2,3,4,5]。

1 基本要领

1.1 TDOA测距原理

在基于TOA的UWB测距基础上,人们创立了双曲线定位法(TDOA法)。该要领的基来源理是:首先监测各个基站接收到由标签发射的脉冲信号的时间差,然后凭据时间差盘算出距离差,从而抵达定位目的。TDOA要领要求各基站的时钟必须同步,以包管时间差的准确性。

假设3个基站BS1、BS2、BS3,它们的坐标体现为[xi,yi](i=1,2,3),标签的坐标{x,y},那么,TDOA定位原理如图1所示。

图1 TDOA定位要领原理图

在图1中,3个基站与标签的间距依次是r1、r2、r3,将基站BS1设定为基准基站,那么,基站BS1、BS2与标签的距离差r21算式如下:

$r_{21} = r_{2} - r_{1} = \sqrt{(x_{2} - x)^{2} + (y_{2} - y)^{2}} - \sqrt{(x_{1} - x)^{2} + (y_{1} - y)^{2}} (1)$

标签一定位于以BS1、BS2为焦点,以与2个焦点之间的距离差为r21的双曲线对上。相应地,基站BS1、BS3与标签的距离差r31,算式如下:

$r_{31} = r_{3} - r_{1} = \sqrt{(x_{3} - x)^{2} + (y_{3} - y)^{2}} - \sqrt{(x_{1} - x)^{2} + (y_{1} - y)^{2}} (2)$

此时,标签一定位于以BS1、BS3为焦点,以与2个焦点之间的距离差为r31的双曲线对上。

综上,标签的位置一定是两组双曲线的交点。综合上式(1)、(2)以及速度时间公式,建立以下方程组:

${\begin{cases} \sqrt{(x_{2} - x)^{2} + (y_{2} - y)^{2}} - \sqrt{(x_{1} - x)^{2} + (y_{1} - y)^{2}} = r_{21} \\ \sqrt{(x_{3} - x)^{2} + (y_{3} - y)^{2}} - \sqrt{(x_{1} - x)^{2} + (y_{1} - y)^{2}} = r_{31} \\ r_{21} = t_{21} \times C \\ r_{31} = t_{31} \times C \end{cases} (3)$

凭据上式(3)看出,只要确定了基站BS1、BS2接收脉冲信号的时间差t21和基站BS1、BS3接收脉冲信号的时间差t31,即可确定标签位置坐标。结合上图1,两组双曲线有2个交点,每一个交点坐标都是方程组的一组解,但其中一个是无效解,需要凭据先验信息做出判断,剩余的交点坐标就是最终的标签位置[6,7,8]。

1.2 Taylor算法

UWB无线脉冲信号的流传保存两种情形:其一,视距流传(LOS),即标签与各基站之间并无任何阻碍,信号可以沿着“直线”进行流传,在此情形中的定位精度较高;其二,非视距流传(NLOS),即标签与基站之间保存障碍,信号通过衍射或反射进行流传,流传路径保存“绕路”的现象,因此,增大了信号流传的距离和时间,并最终损害了定位精度,这部分定位误差被称为“NLOS误差”。而在非视距流传定位算法中,常用的算法为Taylor定位算法。其具体的实现历程为:

首先对标签的初始位置进行预计,并以预计值作为初始值,然后凭据最小平方误差准则对初始值进行修正,如此循环多次,直到修正后的结果处于预设的门限值以内,随机结束迭代历程�？杉�,Taylor算法是典范的迭代型算法。

Taylor算法的盘算历程,展示如下:

在平面坐标系中,标签坐标是[x,y],建立迭代函数fi(x,y),算式如下:

$\begin{array}{l} f_{i} (x, y) = \sqrt{(x_{i + 1} - x)^{2} + (y_{i + 1} - x)^{2}} - \sqrt{(x_{1} - x)^{2} + (y_{1} - x)^{2}} (4) \\ f_{i} (x, y) = \overset{⌢}{R}_{i + 1, 1} + ε_{i + 1, 1} (5) \end{array}$

式中, $i = 1, 2, \dots, Ν - 1, \overset{⌢}{R}_{i, 1}$ 体现标签到基站距离差的预计值,εi,1体现对应的距离差的误差的协方差矩阵。

预计的标签的初始坐标是[xg,yg],满足:

${\begin{cases} x = x_{g} + δ_{x} \\ y = y_{g} + δ_{y} \end{cases} (6)$

式中,δx、δy体现标签坐标的误差。

对迭代函数fi(x,y)进行Taylor级数展开,前两项约即是:

$f_{i, g} + α_{i}_{, 1} δ_{x} + α_{i}_{, 2} δ_{y} \approx \overset{⌢}{R}_{i + 1, 1} + ε_{i + 1, 1}, i = 1, 2, \dots, Ν - 1 (7)$

将上式改写成矩阵形式:

e=D-Aδ

其中,

$e = [\begin{matrix} ε_{2, 1} \\ ε_{3, 1} \\ \dots \\ ε_{Ν, 1} \end{matrix}], δ = [\begin{matrix} δ_{x} \\ δ_{y} \end{matrix}], D = [\begin{matrix} \overset{⌢}{R}_{2, 1} - f_{1, g} \\ \overset{⌢}{R}_{3, 1} - f_{2, g} \\ \dots \\ \overset{⌢}{R}_{Ν, 1} - f_{Ν - 1, g} \end{matrix}], A = [\begin{matrix} a_{1, 1} & a_{1, 2} \\ a_{2, 1} & a_{2, 2} \\ \dots & \dots \\ a_{Ν - 1, 1} & a_{Ν - 1, 2} \end{matrix}]$

对上式执行加权最小二乘预计,得出:

$δ = [A^{Τ} R^{- 1} A]^{- 1} A^{Τ} R^{- 1} D (8)$

式中,R体现TDOA丈量值的协方差矩阵。

迭代凭据如下方法进行:

${\begin{cases} x^{(k + 1)} = x^{(k)} + δ_{x} \\ y^{(k + 1)} = y^{(k)} + δ_{y} \end{cases} (9)$

式中,[x(k),y(k)]体现进行k次迭代后标签的位置坐标,如果 $| ε_{x} | + | ε_{y} |$ 小于门限值,随机终止迭代历程,由此得出标签预计坐标[x,y]�？杉�,在已知预计初值以后,适当调低门限值能够通过牺牲盘算时间或者增加迭代次数等方法来提高定位精度。简言之,在实操中应当凭据现实需要来合理设定门限值。在应用方面,Taylor算法适用于差别的信道情况,并且发挥理想的定位功效�？�Taylor算法不可提供明确的表达式解,并且预计初始值不可与标签实际位置的偏差过大,不然会影响算法的收敛历程,最终损害定位精准度。

1.3 Fang算法

Fang算法为TDOA测距的一种,主要通过双曲线方程的方法来获取最优解。该要领的特点在于盘算量小,且在视距条件下,获得的定位精度较高。具体盘算历程为:

凭据图1的TDOA原理,同样标签用[x,y]体现,三个定位基站的坐标可划分体现为 $[x_{i}, y_{i}], i = 1, 2, 3$ 。设三个基站到标签的距离划分为r1,r2,r3,以图1中的BS1作为准基站,那么标签到BS2和BS3的距离查划分为r21、r31,由此有:

$r_{i} = \sqrt{(x - x_{i})^{2} + (y - y_{i})^{2}} (i = 1, 2, 3) (10)$

对上式平方:

ri2=(x-xi)2+(y-yi)2 (11)

令Mi=x2+y2

同时由:

ri2=(r1+ri1)2 (12)

由此获得:

r $_{i}^{2}$ =(x-xi)2+(y+yi)=Mi-(2xxi+2yyi)+x2+y2 (13)

取i=1,则有:

r $_{1}^{2}$ =Mi-(2xx1+2yy1)+x2+y2 (14)

由式(13)减去式(14),则可以获得:

r $_{1}^{2}$ +2r1ri1=Mi-M1-2x(x1-x1)-2y(y1-y1) (15)

由于基站已知,那么只有x,y,r1未知,那么可以将(15)简化为:

${\begin{cases} - 2 r_{1} r_{21} = r_{21}^{2} - x_{2}^{2} + 2 x x_{2} \\ - 2 r_{1} r_{31} = r_{31}^{2} - (x_{3}^{2} + y_{3}^{2}) + 2 (x x_{3} + y y_{3}) \end{cases} (16)$

消去r1,获得:

y=ux+v (17)

其中,

${\begin{cases} U = \frac{r_{31} x_{2} - r_{21} x_{3}}{r_{21} y_{3}} \\ V = \frac{x_{3}^{2} + y_{3}^{2} - r_{31}^{2} + r_{21} r_{31} - \frac{r_{31}}{r_{21}} x_{2}^{2}}{2 y_{3}} \end{cases}$

将式(17)、式(14)带入式(16),从而获得:

Ax2+Bx+c=0 (18)

其中,

${\begin{cases} A = 4 r_{21}^{2} (1 + U^{2}) - 4 x_{2}^{2} \\ B = 8 U V r_{21}^{2} - 4 r_{21}^{2} x 2 + 4 x_{2}^{2} \\ C = 4 V^{2} r_{21}^{2} - (x_{2}^{2} - r_{21}^{2})^{2} \end{cases}$

通过式(18)的求解,可获得两个解,接纳先验信息消去一个x,并带入式(17),由此可以获得y,即为标签的坐标值[9,10,11,12]。

2 Taylor算法革新

在实际的物流中心运作中,不间断地进行装箱、补货、发货等操作,以及场内叉车、人员、箱体等物体的运动,使得基于TDOA的定位保存NLOS误差。为消除NLOS误差及其影响,需对定位算法进行革新。古板的要领是首先通过Fang算法进行开端定位,然后再通过泰勒级数进行精确定位。但由于UWB通信对信道要求不高,所以通常设定一个接近标签真实位置的预计值,然后再通过泰勒级数进行精确定位。这种设定接近标签真实位置的要领在实际中往往保存很大的主观性。由此,建立Fang-Taylor联合算法,利用Fang算法盘算出TDOA丈量值,从而预计标签的大致位置,然后以预计坐标充当Taylor算法的初始预计值进行定位迭代运算,最终定位出标签的准确坐标。这种联合算法不但在LOS情况下的定位精度较高,且适用于NLOS情形中的定位,能够有效控制NLOS误差。具体实现历程如图2所示。

图2 革新Taylor算法流程

3 Matlab仿真试验

3.1 仿真情况安排

为验证上述革新算法的优劣,选用Matlab R2014a软件进行仿真。设定仿真空间是30 m×30 m的室内情况,将三个基站随机布设在室内空间的边沿,坐标依次是(0,0)、(0,30)、(30,30)。标签位置在空间中随机生成。

3.2 LOS情况下的仿真

在LOS情况中,丈量数据都接纳误差听从u=0,σ2=0.252的正态漫衍。设定Fang-Taylor联合算法的门限值是0.01,最大迭代次数是50次,如果经过50次迭代后,Fang-Taylor联合算法仍未收敛,就把第50次的迭代运算结果进行反响。两算法在种种情况下都执行500次,并对每次的标签定位误差结果进行比照剖析。评价工具选择RMSE宁静均时延。RMSE盘算公式为:

$R Μ S E = \sqrt{\frac{1}{m} \sum_{i = 1}^{m} (h (x_{i}) - y_{i})^{2}} (19)$

仿真结果展示如图3和图4。

图3 Fang算法仿真结果

图4 联合算法在LOS情况中的仿真结果

比照结果如图5所示。

图5 两种算法在LOS情况中仿真结果的比照图

综合上图3、图4进行剖析,在视距条件下,挣脱了NLOS误差的影响,相较于Fang算法,Fang-Taylor联合算法的平均RMSE与之相近,说明革新算法在定位精度方面并无显著改善,虽然,革新算法的定位精度是优于Fang算法的,但这是以花费更多时间为价钱的。究其成因,LOS条件下的Fang算法能够实现较高的定位精度,Fang-Taylor联合算法无法继续改善定位精度,并且增大耗时的危害[13,14,15]。

3.3 NLOS情况下的定位仿真

同样以上述的实验情况进行仿真,在NLOS情况下,把丈量数据的误差设为听从u=0,σ2=0.252的正态漫衍的情况,并且对部分丈量数据增加听从u=0.2,σ2=0.252的正态漫衍的非视距误差。Fang-Taylor算法的门限值设定成0.01,最大迭代次数设定为50次。两算法在种种情况下都执行500次,并对每次的标签定位误差结果进行比照剖析。通过实验获得图6和图7的结果。

图6 Fang算法在NLOS情况中的仿真结果

图7 联合算法在NLOS情况下的仿真结果

上述差别算法的比照结果如图8所示。

图8 两种算法仿真结果比照

综合上图6、图7的剖析看出,在非视距条件下,受到NLOS误差的影响,Fang算法的定位精度并不睬想,而革新后的Fang-Taylor联合算法的定位精度通过图8的结果比照,具有明显优势,说明革新算法能够有效抑制NLOS误差,从而改善对标签的定位精度[16]。

3.4 现场试验结果

3.4.1 试验情况安排

模拟150 m(L)×50 m(W)×10 m(H)的物流货仓,并在其中随机布设多个可以移动的0.5 m(L)×0.01 m(W)×1.9(H)m的挡板,用以塑造NLOS情况。为包管AGV实际坐标的精确度,接纳人工操作的方法控制AGV的运行。仿真实验中各物体的布设点如表1所示。

表1 物体位置坐标

	横坐标/m	纵坐标/m
基站1	0	0
基站2	12.73	0
基站3	9.35	15.40

3.4.2 测距误差拟合修正

测距数据是定位算法的基础,通过修正3个基站与标签的丈量距离,就能够实现测距误差的拟合修正。在实验厂内,牢固标签的位置,随机布设3个基站的位置。在完成试验以后,各基站与标签的实际值和测距值,汇总如表2所示。

表2 丈量值与实际值比照

基站1		基站2		基站3
实际值/m	丈量值/m	实际值/m	丈量值/m	实际值/m	丈量值/m
0.5	0.340	0.5	0.337	0.5	0.261
1.0	0.809	1.0	0.766	1.0	0.732
1.5	1.294	1.5	1.232	1.5	1.175
2.0	1.753	2.0	1.692	2.0	1.635
2.5	2.225	2.5	2.140	2.5	2.116
3.0	2.679	3.0	2.576	3.0	2.568
4.0	3.650	4.0	3.468	4.0	3.492
5.0	4.575	5.0	4.365	5.0	4.428

凭据上述结果看出,丈量值相关于实际值是线性漫衍的,可以利用线性方程的要领进行拟合,由此绘制出各基站测距值的拟合曲线,具体如图9所示。

图9 各基站测距值拟合曲线

由此列出各基站的拟合公式,如下:

${\begin{cases} L_{1} = 0.944 2 l_{1} - 0.123 2 \\ L_{2} = 0.894 6 l_{2} - 0.107 7 \\ L_{3} = 0.923 7 l_{2} - 0.201 9 \end{cases}$

其中,l1、l2、l3与L1、L2、L3划分体现基站1、2、3的测距初始值与测距修正值。而在对数据修正以后,UWB�？榈牟饩嗑鹊执锝细咚�。

3.4.3 静态定位结果与剖析

在试验场内,随机选定10个位置,其中,前5个位置切合LOS条件,后5个位置切合NLOS条件,这些位置用作AGV定位点,测试基站-标签距离,并代入Fang算法、Fang-Taylor联合算法进行定位盘算。各组定位数据的获取方法是,选择7组基站-标签距离数据,删除7组数据中的最大值、最小值,以剩余5组数据作为样本进行定位盘算,求算出多次定位盘算的平均值,并确定为最终的定位数据。通过定位盘算,获得联合算法关于各个位置的定位结果及误差见表3所示。

表3 定位算法误差

	Fang算法误差	Fang-Taylor联合算法误差
1	0.044 5	0.037 8
2	0.045 8	0.035 3
3	0.046 9	0.039 5
	0.044 2	0.033 0
5	0.041 7	0.034 3

凭据表3剖析,联合算法在NLOS条件下的定位精度保存明显差别,其中,Fang算法的定位精度大幅降低,Fang-Taylor联合算法的定位精度依旧较高。据此推断,基于UWB的定位系统能够在AGV静态定位情形中发挥理想效果,而革新的Fang-Taylor联合算法能够满足静态NLOS情况中的定位需求。

4 结语

通过上述的研究,革新后的定位算法在UWB通信定位中具有较高的精度,该结果无论是通过仿真验证,照旧通过实际的试验验证,定位精度都要明显高于古板的定位算法。而通过研究也可以看出,Taylor级数展开的实质就是减少误差,进而提高盘算的精度,可应用于其他的精度盘算中。

【本文标签】

【责任编辑】yd2333云顶电子游戏云仓

上一篇：基于概率并行计划的自动物流仓储建模与调理

下一篇：物流仓储资源公共效劳平台研究与设计

电商一件代发冷链配送社区团购仓配食品仓储代发货增值效劳

返回列表

yd2333云顶电子游戏

接待来到上海yd2333云顶电子游戏云仓,竭诚为您提供:电商仓储配送,冷链仓储配送,货仓外包等仓配一体化效劳!收藏我们 电商云仓 网站地图

全温区食品仓配物流效劳商20万㎡自营仓+AAAA级物流+全国冷链物流百强

基于曲线拟合的物流仓储自动扶引车远程定位算法

0 引言

1 基本要领

1.1 TDOA测距原理

1.2 Taylor算法

1.3 Fang算法

2 Taylor算法革新

3 Matlab仿真试验

3.1 仿真情况安排

3.2 LOS情况下的仿真

3.3 NLOS情况下的定位仿真

3.4 现场试验结果

3.4.1 试验情况安排

3.4.2 测距误差拟合修正

3.4.3 静态定位结果与剖析

4 结语

最新资讯

上海食品云仓，一站式仓储解决计划2024.03.30

上海食品仓储公司，为您提供优质的仓储效劳2024.03.29

专业食品云仓，为您的食品保驾护航2024.03.28

专业食品货仓治理，包管食品宁静与流通2024.03.27

冷冻品云仓效劳，包管食品新鲜与品质2024.03.26

海内食品仓储配送效劳，确保食品实时送达2024.03.25

电商食品仓储解决计划，助力电商企业高效运营2024.03.24

电商食品货仓治理，让您的货仓运营更高效2024.03.23

yd2333云顶电子游戏

接待来到上海yd2333云顶电子游戏云仓,竭诚为您提供:电商仓储配送,冷链仓储配送,货仓外包等仓配一体化效劳!收藏我们 电商云仓 网站地图

全温区食品仓配物流效劳商20万㎡自营仓+AAAA级物流+全国冷链物流百强

基于曲线拟合的物流仓储自动扶引车远程定位算法

0 引言

1 基本要领

1.1 TDOA测距原理

1.2 Taylor算法

1.3 Fang算法

2 Taylor算法革新

3 Matlab仿真试验

3.1 仿真情况安排

3.2 LOS情况下的仿真

3.3 NLOS情况下的定位仿真

3.4 现场试验结果

3.4.1 试验情况安排

3.4.2 测距误差拟合修正

3.4.3 静态定位结果与剖析

4 结语

推荐产品+

一件代发云仓

冷冻云仓一件代发

冷链仓储物流配送

热门搜索+

相关推荐

yd2333云顶电子游戏冷链携手茶百道，开启三温仓配新征程

2023年yd2333云顶电子游戏物流再次通过中物联授牌

最新资讯

上海食品云仓，一站式仓储解决计划2024.03.30

上海食品仓储公司，为您提供优质的仓储效劳2024.03.29

专业食品云仓，为您的食品保驾护航2024.03.28

专业食品货仓治理，包管食品宁静与流通2024.03.27

冷冻品云仓效劳，包管食品新鲜与品质2024.03.26

海内食品仓储配送效劳，确保食品实时送达2024.03.25

电商食品仓储解决计划，助力电商企业高效运营2024.03.24

电商食品货仓治理，让您的货仓运营更高效2024.03.23

接待来到上海yd2333云顶电子游戏云仓,竭诚为您提供:电商仓储配送,冷链仓储配送,货仓外包等仓配一体化效劳!收藏我们电商云仓网站地图

yd2333云顶电子游戏冷链携手茶百道，开启三温仓配新征程

上海食品云仓，一站式仓储解决计划2024.03.30

上海食品仓储公司，为您提供优质的仓储效劳2024.03.29

专业食品云仓，为您的食品保驾护航2024.03.28

专业食品货仓治理，包管食品宁静与流通2024.03.27

冷冻品云仓效劳，包管食品新鲜与品质2024.03.26

海内食品仓储配送效劳，确保食品实时送达2024.03.25

电商食品仓储解决计划，助力电商企业高效运营2024.03.24

电商食品货仓治理，让您的货仓运营更高效2024.03.23