【摘要】：AGV(Automated Guided Vehicles,自動(dòng)導(dǎo)引車)是一種配備了自動(dòng)導(dǎo)引裝置,在沒有人工指引或是駕駛的前提下,可以按照指定的路徑行進(jìn),能夠進(jìn)行貨物的裝卸及搬運(yùn)等一系列功能的自動(dòng)化設(shè)備。AGV作為一種智能機(jī)器人,因其在貨物搬運(yùn)、目標(biāo)牽引及生產(chǎn)線裝配等領(lǐng)域的特殊用途,越發(fā)成為了各種工業(yè)生產(chǎn)中必不可少的重要工具。AGV以輪式移動(dòng)作為主要的移動(dòng)方式,它具有結(jié)構(gòu)簡(jiǎn)單、快速高效、安全性及可控性良好等優(yōu)點(diǎn)�？偟膩碚f,AGV系統(tǒng)需要三項(xiàng)重要技術(shù):定位、路徑規(guī)劃和導(dǎo)引方式。其中定位技術(shù)作為AGV導(dǎo)航最重要的組成部分,是進(jìn)行后續(xù)操作的基礎(chǔ)。只有在準(zhǔn)確地確定了當(dāng)前的位置與姿態(tài),才有可能根據(jù)生產(chǎn)過程中的實(shí)際需求,規(guī)劃處一條有效行駛路徑,為AGV完成后續(xù)任務(wù)做出詳細(xì)的指引和保障。本文針對(duì)AGV中的定位技術(shù)展開相關(guān)研究。在常用的AGV設(shè)備中,經(jīng)常使用卡爾曼濾波(Kalman filtering,KF)算法將傳感器上獲取到的信息進(jìn)行融合,對(duì)AGV的位置和姿態(tài)做出估計(jì)。作為一種最優(yōu)估計(jì)算法,KF算法可以對(duì)目標(biāo)信息做出較為精確的估計(jì)。然而,使用KF算法的時(shí)候,存在一定的限制。如果不能預(yù)先確定噪聲的統(tǒng)計(jì)特性,那么在AGV的運(yùn)動(dòng)過程中,KF算法難以對(duì)目標(biāo)維持精確的估計(jì)。但是當(dāng)外部環(huán)境復(fù)雜多變時(shí),噪聲的統(tǒng)計(jì)特性極易隨外部的影響而發(fā)生改變,僅僅依靠KF算法是難以維持對(duì)位置和姿態(tài)的精確估計(jì)的。為了解決上述問題,本文將深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN)和KF算法結(jié)合到一起。通過使用訓(xùn)練好的DBN模型產(chǎn)生調(diào)節(jié)因子,對(duì)噪聲的協(xié)方差矩陣做出調(diào)整,從而維持KF算法對(duì)AGV的精確估計(jì)。最后,針對(duì)實(shí)際AGV的結(jié)構(gòu)模型,建立AGV的運(yùn)動(dòng)學(xué)模型。使用KF算法對(duì)AGV的定位問題做出仿真,然后引入DBN對(duì)AGV的定位問題做出相應(yīng)的仿真,并將兩次的仿真結(jié)果作出分析。從分析結(jié)果可以看出,當(dāng)噪聲統(tǒng)計(jì)特性發(fā)生改變時(shí),使用基于DBN的KF算法較之KF算法具有更好的魯棒性,能夠維持對(duì)AGV狀態(tài)的精確估計(jì)。
[Abstract]:The AGV (Automated Guided Vehicles, (Automated guidance vehicle) is an automated guidance device that allows you to travel along a given path without manual guidance or driving. AGV, as an intelligent robot, has special applications in the fields of cargo handling, target traction and assembly of production lines. AGV takes wheeled movement as the main moving mode, which has the advantages of simple structure, fast and high efficiency, good safety and controllability and so on. In general, AGV systems require three important technologies: positioning, path planning, and guidance. As the most important part of AGV navigation, positioning technology is the basis of subsequent operation. Only when the current position and attitude are accurately determined can it be possible to plan an effective driving path according to the actual demand in the production process to provide detailed guidance and guarantee for AGV to complete its follow-up tasks. In this paper, the positioning technology in AGV is studied. In common AGV devices, Kalman filter (Kalman filtering,KF) algorithm is often used to fuse the information obtained from the sensor to estimate the position and attitude of AGV. As an optimal estimation algorithm, KF can estimate the target information accurately. However, there are some limitations when using KF algorithm. If the statistical characteristics of the noise can not be determined in advance, it is difficult for the KF algorithm to maintain an accurate estimation of the target in the process of AGV motion. However, when the external environment is complex and changeable, the statistical characteristics of noise can easily change with the external influence. It is difficult to maintain accurate estimation of position and attitude by using KF algorithm alone. In order to solve the above problems, this paper combines the deep belief network (Deep Belief Networks,DBN) and the KF algorithm. The covariance matrix of the noise is adjusted by using the trained DBN model to generate the adjustment factor, so as to maintain the accurate estimation of the AGV by the KF algorithm. Finally, the kinematics model of AGV is established according to the structure model of actual AGV. The localization problem of AGV is simulated by using KF algorithm, and then the corresponding simulation of AGV location problem is made by introducing DBN, and the results of twice simulation are analyzed. It can be seen from the analysis results that the KF algorithm based on DBN is more robust than the KF algorithm when the statistical characteristics of the noise change, and it can maintain the accurate estimation of the AGV state.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP23;TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范洪達(dá),李相民;卡爾曼濾波算法的幾何解釋[J];火力與指揮控制;2002年04期

2 蘭義華;任浩征;張勇;趙雪峰;;一種基于“當(dāng)前”模型的改進(jìn)卡爾曼濾波算法[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2012年05期

3 史百舟;鄔齊斌;;擬自適應(yīng)推廣卡爾曼濾波算法[J];青島化工學(xué)院學(xué)報(bào);1992年04期

4 萬建偉,皇甫堪,梁甸農(nóng);基于推廣卡爾曼濾波算法的聲測(cè)定位技術(shù)[J];國(guó)防科技參考;1997年04期

5 程進(jìn)偉;李建勛;;卡爾曼濾波算法評(píng)估平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[J];系統(tǒng)仿真學(xué)報(bào);2013年11期

6 夏建濤,任震,陳立,景占榮;極坐標(biāo)下卡爾曼濾波算法的研究[J];西北工業(yè)大學(xué)學(xué)報(bào);2000年03期

7 李振營(yíng),沈毅,胡恒章;帶未知時(shí)變?cè)肼曄到y(tǒng)的卡爾曼濾波算法研究[J];系統(tǒng)工程與電子技術(shù);2000年01期

8 楊春玲,余英林,劉國(guó)歲;轉(zhuǎn)換坐標(biāo)卡爾曼濾波算法分析[J];計(jì)算機(jī)工程與設(shè)計(jì);2001年05期

9 吳文華;丁子明;談?wù)怪?;卡爾曼濾波算法工程化設(shè)計(jì)[J];電子測(cè)量技術(shù);2003年04期

10 高磊,崔鑫水;一種自適應(yīng)協(xié)方差矩陣旋轉(zhuǎn)變換卡爾曼濾波算法及其應(yīng)用[J];航天控制;2004年03期

相關(guān)會(huì)議論文 前9條

1 劉棟;王惠林;;卡爾曼濾波算法在目標(biāo)定位系統(tǒng)中的應(yīng)用[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（上冊(cè)）[C];2010年

2 周紅波;耿伯英;;基于目標(biāo)跟蹤的無偏轉(zhuǎn)換測(cè)量卡爾曼濾波算法研究[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

3 陳婧;謝磊;李備;;水路交通中的卡爾曼濾波算法綜述[A];第七屆中國(guó)智能交通年會(huì)論文集[C];2012年

4 趙汝祺;趙祚喜;趙汝準(zhǔn);;基于多項(xiàng)式卡爾曼濾波算法的車輛定位試驗(yàn)研究[A];中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C];2011年

5 曾翠娟;杜傳利;;動(dòng)態(tài)GPS自適應(yīng)卡爾曼濾波算法的FPGA實(shí)現(xiàn)[A];第13屆全國(guó)計(jì)算機(jī)、網(wǎng)絡(luò)在現(xiàn)代科學(xué)技術(shù)領(lǐng)域的應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2007年

6 李鵬;宋申民;陳興林;;自適應(yīng)平方根無跡卡爾曼濾波算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第八分冊(cè)）[控制理論與應(yīng)用（專刊）][C];2009年

7 程慧俐;王紀(jì)文;張洪鉞;;在未知噪聲統(tǒng)計(jì)情況下的一種新的自適應(yīng)卡爾曼濾波算法[A];1994中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1994年

8 劉健;劉忠;玄兆林;;純方位目標(biāo)運(yùn)動(dòng)分析的自適應(yīng)擴(kuò)展卡爾曼濾波算法[A];2005年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

9 朱寧;錢偉康;郭強(qiáng);;基于嵌入式XP的光譜分析系統(tǒng)[A];全國(guó)第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

相關(guān)博士學(xué)位論文 前5條

1 孫景榮;X射線脈沖星導(dǎo)航及其增強(qiáng)方法研究[D];西安電子科技大學(xué);2014年

2 葛磊;容積卡爾曼濾波算法研究及其在導(dǎo)航中的應(yīng)用[D];哈爾濱工程大學(xué);2013年

3 馮波;線性濾波估計(jì)算法研究及在慣性導(dǎo)航系統(tǒng)中的應(yīng)用[D];北京理工大學(xué);2014年

4 孟軍英;基于粒子濾波框架目標(biāo)跟蹤優(yōu)化算法的研究[D];燕山大學(xué);2014年

5 周聰;基于非線性估計(jì)理論的線控轉(zhuǎn)向汽車狀態(tài)估計(jì)研究[D];西南交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 龐瀛洲;關(guān)于電池BMS系統(tǒng)SOC估測(cè)算法的研究[D];長(zhǎng)安大學(xué);2015年

2 張冬梅;基于改進(jìn)卡爾曼濾波算法的SOC估計(jì)方法研究[D];西南交通大學(xué);2015年

3 林燕平;長(zhǎng)基線導(dǎo)航系統(tǒng)濾波算法的研究與實(shí)現(xiàn)[D];沈陽理工大學(xué);2015年

4 唐鵬;基于ADS-B數(shù)據(jù)監(jiān)視性能評(píng)估技術(shù)研究[D];中國(guó)民航大學(xué);2015年

5 陳辰;基于卡爾曼濾波算法的短期風(fēng)電功率預(yù)測(cè)[D];新疆大學(xué);2015年

6 馬康健;基于分布式共識(shí)的無線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

7 周暄承;可穿戴計(jì)算中能效提高策略研究[D];南京郵電大學(xué);2016年

8 杜振新;基于無跡卡爾曼濾波算法的動(dòng)力電池剩余電量估算[D];長(zhǎng)安大學(xué);2016年

9 張弛;基于無跡卡爾曼濾波算法的某民航發(fā)動(dòng)機(jī)性能衰退分析[D];中國(guó)民航大學(xué);2016年

10 張兵;基于突變擾動(dòng)的SOC估算研究[D];重慶郵電大學(xué);2016年

，

本文編號(hào)：2281555