基于DBN的卡尔曼滤波算法研究及在AGV定位中的应用

  • 基于DBN的卡尔曼滤波算法研究及在AGV定位中的应用已关闭评论
  • 69 views
  • A+
所属分类:AGV设计资料
摘要

AGV(Automated Guided Vehicles,自动导引车)是一种配备了自动导引装置,在没有人工指引或是驾驶的前提下,可以按照指定的路径行进,能够进行货物的装卸及搬运等一系列功能的自动化设备。AGV作为一种智能机器人,因其在货物搬运、目标牵引及生产线装配等领域的特殊用途,越发成为了各种工业生产中必不可少的重要工具。AGV以轮式移动作为主要的移动方式,它具有结构简单、快速高效、安全性及可控性良好等优点。总的来说,AGV系统需要三项重要技术:定位、路径规划和导引方式。其中定位技术作为AGV导航最重要的组成部分,是进行后续操作的基础。只有在准确地确定了当前的位置与姿态,才有可能根据生产过程中的实际需求,规划处一条有效行驶路径,为AGV完成后续任务做出详细的指引和保障。本文针对AGV中的定位技术展开相关研究。在常用的AGV设备中,经常使用卡尔曼滤波(Kalman filtering,KF)算法将传感器上获取到的信息进行融合,对AGV的位置和姿态做出估计。作为一种最优估计算法,KF算法可以对目标信息做出较为精确的估计。然而,使用KF算法的时候,存在一定的限制。如果不能预先确定噪声的统计特性,那么在AGV的运动过程中,KF算法难以对目标维持精确的估计。但是当外部环境复杂多变时,噪声的统计特性极易随外部的影响而发生改变,仅仅依靠KF算法是难以维持对位置和姿态的精确估计的。为了解决上述问题,本文将深度信念网络(Deep Belief Networks,DBN)和KF算法结合到一起。通过使用训练好的DBN模型产生调节因子,对噪声的协方差矩阵做出调整,从而维持KF算法对AGV的精确估计。最后,针对实际AGV的结构模型,建立AGV的运动学模型。使用KF算法对AGV的定位问题做出仿真,然后引入DBN对AGV的定位问题做出相应的仿真,并将两次的仿真结果作出分析。从分析结果可以看出,当噪声统计特性发生改变时,使用基于DBN的KF算法较之KF算法具有更好的鲁棒性,能够维持对AGV状态的精确估计。

目录

基于DBN的卡尔曼滤波算法研究及在AGV定位中的应用

图 2.1 KF 计算更新过程

第 1 章 绪论

1.1AGV 研究的背景及意义
1.2AGV 的发展现状
1.3AGV 定位技术存在的问题
1.4 深度学习的发展历程
1.5 本文主要内容及结构安排

第 2 章 卡尔曼滤波算法与多传感器融合定位

2.1 随机线性离散卡尔曼滤波算法
2.2 拓展卡尔曼滤波算法
2.3 无迹卡尔曼滤波算法
2.4 基于卡尔曼滤波算法的多传感器融合定位
2.5 本章小结

第 3 章 深度学习与深度信念网络

3.1 深度学习的基本思想
3.2 深度信念网络
3.2.1 受限玻尔兹曼机
3.2.2BP 神经网络
3.2.3 深度信念网络的结构和训练方式
3.3 本章小结

第 4 章 基于DBN 的卡尔曼滤波算法及在 AGV 中的应用

4.1 卡尔曼滤波算法的优化方法
4.2 基于深度信念网络的自适应卡尔曼滤波算法
4.3DBNKF 在 AGV 的应用及仿真分析
4.3.1AGV 的模型结构
4.3.2DBNKF 的仿真分析
4.4 本章小结

第 5 章 总结与展望

5.1 工作内容总结
5.2 展望

参考文献

作者简介
致谢

恭喜,此资源为免费资源,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。