1 引言
自动导引运输车(AutomatedGuidedVehicle，AGV)是一种先进制造系统中的重要设备。AGV工作运行环境不仅复杂，而且受到室内环境制约，因而在室内对其进行定位跟踪十分困难。进行室内定位GPS信号无法获取，蓝牙、Wi-Fi等方法定位精度低且距离较近。超宽带(UltraWide-Band，UWB)是一种使用1G以上带宽且无需载波的通讯技术［1］，该技术以低廉的成本获取相对较高的室内定位精度，可以实现对AGV的定位跟踪。
UWB定位中最常用的定位法为到达时间差法(TimedifferenceofArrival，TDOA)，其定位解法主要有两种:第一种定位需要4个基站，将定位问题转换为求线性方程组的解。第二种为SayedAH和ChanYT提出的定位算法［2-3］，该方法可以通过3个基站实现平面定位。为了节约建设成本，本文采用第二种定位算法。该经典算法解其中的距离方程时会有1正1负2个根，采用其中的正根即可得到正确解。但是在靠近定位基站及遮挡区时会出现2个正根，而正确根在其中切换，使得这些区域的错误定位的概率很高。本文提出将目标的运动信息作为约束加入到TDOA定位方法中，从而提高正确根的判断概率。
AGV在运动过程中采用激光雷达探测障碍物，并随时根据障碍物改变运动方向和速度，因而其运行会表现出机动的特征。多模型算法是一种应用广泛的机动目标跟踪算法［4］。当前最常用的是Blom提出的交互式多模型(InteractingMultipleModel，IMM)算法［5］以及X．ＲongLi等提出的变结构多模型(VariableStructureMultipleModel，VSMM)算法［6］。AGV运动受到室内环境制约，将环境约束信息引入到多模型算法中有助提高跟踪性能。例如文献［7-9］利用了道路信息来调整多模型算法中的模型集。此类算法利用先验信息，自适应更新跟踪中使用的模型集，适用于目标运动区域固定，容易建立建模的情形，比如道路，AGV可运动区域大，该类方法不适用。文献［10］提出了一种独立状态辅助的交互式多模型(State-DependentvariationsIMM，SDIMM)目标跟踪算法。该算法不需要事先对目标运动轨迹进行约束，假设障碍物区域为圆形，以目标到圆周的距离为辅助信息，利用该信息在模型概率(ModelProbability，MP)更新阶段辅助调整MP，在混合阶段调整转移概率矩阵(TransitionProbabilityMatrix，TPM)来提高跟踪算法的性能。但是由于该算法采用简单圆形描述障碍物，会把非障碍物区域划入到障碍物区域，使得目标实际的运动模型被判为不可能模型，当遇到小障碍物时会将可运动区域误判为不可运动区域。
本文是在文献［2-3］所提方法的基础上，针对3个基站TDOA定位方法中靠近定位基站及遮挡区高定位错误概率问题，利用量测序列的时间信息和目标的运动信息对定位方法中的错误定位进行排除。在文献［7-10］的基础上提出室内环境信息辅助的AGV多模型跟踪算法，利用室内环境信息对模型集进行自适应的更新裁剪，将不合实际模型去除，有效排除错误估计点。最后本文通过仿真实验对本文算法的有效性进行了验证。
2 目标定位模型及方法
本文中，AGV需要在设置3个基站的室内环境获取比较高的定位性能，定位系统采用TDOA量测定位。TDOA量测是指定位系统通过目标节点向基站节点发送无线电波信号，测量出目标节点到达不同基站节点的时间差，进而得到距离差进行定位［11］。这种方法只要求系统中基站之间同步，不要求基站与目标节点之间同步，便于工程实现。
TDOA 定位原理
暂无评论内容