基于UWB和IMU融合的果园采摘机器人定位的研究和设计.pdf

中国科技期刊数据库 工业 A 收稿日期：2023 年 12 月 24 日 作者简介：姚竣铧（2002），男，汉族，广东肇庆人，研究方向为电子信息。-44-基于UWB和IMU融合的果园采摘机器人定位的研究和设计 姚竣铧 华南农业大学，广东 广州 510642 摘要：摘要：为了提高果园采摘效率，实现机器人自主定位，本文提出了一种基于 UWB 和 IMU 融合的定位方案，并论证了其可行性和优越性。本文首先介绍了 UWB 和 IMU 的原理和特点，然后设计了系统的硬件组成和软件流程，使用卡尔曼滤波进行数据融合，最后通过实验验证了方案的定位精度和稳定性，与单独使用 UWB 或 IMU 的定位方法相比，有显著的改善。本文的研究对于果园采摘机器人的定位技术的发展有一定的参考价值和指导意义。关键词：关键词：UWB；IMU；数据融合；卡尔曼滤波；果园采摘机器人；定位 中图分类号：中图分类号：TD42 0 引言 果园在我国农业中扮演着重要的角色，果实则是人们生活中不可或缺的食品之一1。然而，传统的人工采摘方式效率低、成本高，容易受到环境和人力的制约，难以满足市场需求。为了提升果园采摘的效率和质量，实现机械智能化和自动化，有必要研究并开发适用于果园环境的采摘机器人2。果园采摘机器人是一种能够在果园中自主或协同进行果实识别、定位、抓取和运输的机器人。其中，定位技术是其核心，能够准确确定机器人自身位置、姿态以及相对果树和果实的位置和姿态3。定位技术是机器人导航、控制和协作的基础，对机器人的性能和效果有着至关重要的影响。当前常用的室外定位技术主要包括全球定位系统（GPS）、超宽带（UWB）和惯性测量单元（IMU）。尽管GPS 具有全球覆盖、无需基础设施、低成本等优点，但在果园等复杂环境中存在大量遮挡物，导致信号衰减和干扰，进而降低了定位精度和可靠性。UWB 以其抗干扰、抗多径和高精度等特点而受到关注，但其固定基站发出的信号同样会受到遮挡物的影响，引起定位误差4。IMU 则是一种基于惯性传感器的导航技术，具有实时性好和无需外部信号等优势，但其数据容易受到零偏、温漂和噪声等因素的干扰，从而导致定位误差随时间逐渐增大5。本文提出了一种创新的果园采摘机器人定位方案，利用 UWB 和 IMU 融合技术，通过卡尔曼滤波算法实现高精度和高稳定性的机器人定位。在果园实验中，与单独采用 UWB 或 IMU 相比，融合定位方案显著减小了误差，提升了定位的精度和稳定性。本文通过清晰的结构，包括综述、设计方案、实验验证等环节，系统性地阐述了提出方案的可行性和优越性，为果园采摘机器人的智能化和自动化提供了可行的技术支持。1 相关工作综述 本文详细介绍了 UWB 和 IMU 两种定位方法以及它们各自的优缺点。UWB 利用超宽带无线电信号进行测距和定位，具有高精度、高带宽、低功耗等特点，但需要多个基站且容易受遮挡物影响。IMU 则通过惯性传感器实现导航和定位，具有高实时性、无需外部信号等特点，但由于积分运算误差随时间累积，容易导致定位误差增大。文献还提及了一种基于 UWB 的果园采摘机器人定位系统和一种基于 IMU 的系统，分别使用了TDOA 方法和卡尔曼滤波进行定位，但在遮挡物存在的情况下，定位精度仍受限6。为解决 UWB 的遮挡误差和 IMU 的漂移误差，文献讨论了 UWB 和 IMU 数据融合的两种主要方法：紧耦合和松耦合7。对比实验结果显示，紧耦合方法在果园采摘机器人定位中表现更出色，能有效减小 UWB 的遮挡误差和 IMU 的漂移误差。进一步，文献引入了自适应卡尔曼滤波算法，根据 UWB 和 IMU 数据的可信度动态调整滤波器参数，优化了定位精度和稳定性，相较于传统卡尔曼滤波算法，表现更为优越。这一研究为果园采摘机器人的定位技术提供了新的方法和改进方向。综上所述，UWB 和 IMU 的融合方法是一种有效的果园采摘机器人定位技术，已有一些研究和应用的案例，但是仍然存在一些问题和挑战，如 UWB 和 IMU 的数据中国科技期刊数据库 工业 A-45-的同步和对齐，UWB 和 IMU 的数据的可信度的评估，卡尔曼滤波器的参数的选择和优化等，需要进一步的研究和探索。2 UWB 和 IMU 融合的定位方案设计 本部分主要介绍了本文的定位方案的系统的硬件组成和功能，系统的软件流程和算法，以及系统的参数设置和优化。2.1 系统的硬件组成和功能 本文的定位系统硬件组成主要包括 UWB 基站和移动节点、IMU 传感器、机器人平台以及数据处理单元。UWB 基站在果园中固定，通过无线方式与移动节点通信，实现测距和定位功能。IMU 传感器安装在机器人上，测量机器人的加速度和角速度，用于导航和定位。机器人平台具备自主或协同进行果实识别、定位、抓取和运输的功能，配备摄像头、抓手和电池等设备。数据处理单元是一台笔记本电脑，负责融合和处理 UWB 和IMU 的数据，通过无线与 UWB 移动节点和机器人平台通信，通过有线连接 IMU 传感器，运行定位软件，实现数据融合、定位、机器人控制和显示等功能。2.2 系统的软件流程和算法 UWB 测距：UWB 的移动节点和基站之间进行无线电信号的发送和接收，根据信号的到达时间差（TDOA），计算出移动节点和基站之间的距离，然后将距离数据发送给数据处理单元。IMU 数据预处理：IMU 传感器测量机器人的加速度和角速度，然后将数据发送给数据处理单元。数据处理单元对 IMU 的数据进行预处理，包括滤波、校正、坐标变换等操作，得到机器人的速度和位移，以及机器人的姿态。卡尔曼滤波数据融合：数据处理单元使用卡尔曼滤波算法对 UWB 的距离数据和 IMU 的速度、位移和姿态数据进行融合，得到机器人的位置和姿态。卡尔曼滤波算法的原理和步骤如下：原理：卡尔曼滤波算法是一种基于状态空间模型的最优估计方法，旨在通过考虑系统动力学模型、观测模型、先验状态分布和观测数据噪声分布，计算系统状态的后验分布，包括最优估计值和最优估计误差。该算法基于线性假设，要求系统动力学和观测模型均为线性，并且先验状态和噪声分布为高斯分布。对于非线性系统，可采用扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）等方法进行线性化处理。步骤：卡尔曼滤波算法包含两个阶段：预测和更新。预测阶段根据系统动力学模型和先验状态分布，预测状态的先验估计值和误差。更新阶段则利用观测模型和观测数据，结合先验估计值和误差，更新状态的后验估计值和误差。卡尔曼滤波算法的具体公式如下：状态方程：xk=Fkxk1+Bkuk+wk 观测方程：zk=Hkxk+vk 预测方程：x k=Fkx k1+Bkuk Pk=FkPk1FkT+Qk 更新方程：Kk=PkHkT(HkPkHkT+Rk)1 x k=x k+Kk(zk Hkx k)Pk=(I KkHk)Pk 其中，xk是系统的状态向量，zk是系统的观测向量，uk是系统的控制向量，wk是系统的状态噪声向量，vk是系统的观测噪声向量，Fk是系统的状态转移矩阵，Bk是系统的控制输入矩阵，Hk是系统的观测矩阵，Qk是系统的状态噪声协方差矩阵，Rk是系统的观测噪声协方差矩阵，x k是系统的状态的先验估计值，x k是系统的状态的后验估计值，Pk是系统的状态的先验估计误差协方差矩阵，Pk是系统的状态的后验估计误差协方差矩阵，Kk是卡尔曼增益矩阵，I是单位矩阵。接下来，数据处理单元根据机器人的位置和姿态，以及果园的地图和果实的位置，计算出机器人的运动目标和路径，然后发送给机器人平台，实现机器人的控制和导航。最后，数据处理单元根据机器人的位置和姿态，以及果园的地图和果实的位置，绘制出机器人的运动轨迹和状态，以及果园的环境和果实的分布，显示在数据处理单元的屏幕上，实现机器人运动轨迹的可视化和监控。2.3 系统的参数设置和优化 本文的定位系统参数设置和优化涵盖了多个方面。首先是UWB基站的布置和校准，通过避免遮挡物影响，确保信号传输质量，以及采用自校准算法或已知位置的参考节点进行基站的坐标和时钟偏差校准。其次是中国科技期刊数据库 工业 A-46-IMU 传感器的标定和校正，通过基于椭球拟合的标定算法确定零偏、温漂、噪声、灵敏度等参数，并利用这些参数进行滤波、补偿、变换等操作，实现传感器的校正。最后是卡尔曼滤波器的参数调节，包括状态转移矩阵、控制输入矩阵、观测矩阵、状态噪声协方差矩阵等，采用基于遗传算法的自适应调节方法进行参数的优化。这些步骤综合考虑了理论分析和实际数据，以提高定位系统的性能和效果。3 UWB 和 IMU 融合的定位方案实验验证 3.1 实验的环境和条件 本文的定位方案实验在一个 45 米10 米的荔枝园场景中进行，包括 36 棵荔枝树，树间距为 2.5 米或10 米。荔枝园的实景图如图 1 和图 2 所示，其中图 1为俯瞰图，图 2 为平视图（机器人在两列树之间的道上直线移动）。实验在晴朗白天进行，荔枝园温度为25，光照为 1000 勒克斯，风速为 2 米/秒，噪声为40 分贝。机器人以 0.5 米/秒的速度，沿直线路径移动，从一个角落到另一个角落，最终返回初始位置。整个实验在真实荔枝园环境下，考虑了温度、光照、风速等多重因素，旨在测试定位方案在实际场景中的性能表现。图 3 展示了机器人的移动路径，四个红色三角形表示四个固定基站，黑色虚线表示机器人实际行走的直线轨迹，粉色轨迹为纯 UWB 定位下的定位轨迹，蓝色轨迹为将 UWB 和 IMU 融合后的定位轨迹。图 1 荔枝园俯瞰图 图 2 荔枝园平视图 图 3 机器人移动路径图 3.2 实验的方法和指标 本文实验旨在验证定位方案的精度和稳定性，并与单独采用 UWB 或 IMU 的定位方法进行比较。采用三种方法进行实验：UWB 单独定位、IMU 单独定位以及 UWB和 IMU 融合定位。对机器人的位置进行 10 次重复测量，并计算每种方法的平均值和标准差，以得出实验结果。评估定位方法性能和效果的指标包括定位误差和定位稳定性。定位误差通过欧氏距离表示，衡量定位方法测量结果与真实位置的差异；定位稳定性则通过标准差表示，反映定位方法测量结果的变化程度。通过这些方法和指标，研究得出了定位方案的实验效果及性能对比。3.3 实验的结果和分析 本文的定位方案的实验的结果如表 1 所示，其中每个单元格的数字表示定位误差或定位稳定性的平均值和标准差，单位为米。表 1 实验结果 定位方法 定位误差（位置）/m 定位稳定性（位置）/m UWB 0.290.11 0.110.06 IMU 0.510.32 0.320.25 UWB+IMU 0.150.06 0.060.03 根据表 1 的数据，对定位方案进行了分析。UWB单独定位显示出较高的测距精度，优于 IMU 的导航精度，但受到遮挡物影响导致定位误差和不稳定性仍较大。然而，通过 UWB 和 IMU 的融合定位，成功减小了UWB 的遮挡误差和 IMU 的漂移误差，显著提升了定位精度和稳定性。最终，融合定位达到了厘米级水平，表明本文方案在荔枝园采摘机器人的定位需求上取得了令人满意的性能和效果。综上所述，本文的定位方案的实验验证了本文方案的可行性和优越性，证明了本文方案是一种有效的荔枝园采摘机器人定位技术。中国科技期刊数据库 工业 A-47-4 结论 本文提出了一种采摘机器人定位方案，基于 UWB和 IMU 融合，通过实验证明其可行性和优越性。介绍了果园采摘机器人的需求和发展，分析了 UWB 和 IMU的原理和特点，并说明了二者融合的意义。设计了定位系统，包括硬件和软件，采用卡尔曼滤波算法进行数据融合，实现了高精度和高稳定性的机器人定位。在果园实验中，与单独使用 UWB 或 IMU 相比，融合定位方案显著减小了定位误差，验证了其有效性。然而，文章指出了一些不足之处，包括适应性和鲁棒性的提升、扩展性和通用性的改善，以及创新性和前瞻性的加强。这些改进将为果园采摘机器人的定位技术提供更多参考和指导。参考文献 1孟晓峰,马超,张明,等.果园采摘平台的应用和发展J.果农之友,2021(2):35-37.2王甲甲,程志强,张伏,等.果园采摘机械手研究现状综述J.农机化研究,2020,42(5):258-262.3李会宾,史云.果园采摘机器人研究综述J.中国农业信息,2019,31(6):1-9.4胡文 龙,周宇飞,宋全 军,等.基于 UWB 和 IMU 信息 融合的室 内定位 算法研究 J.制造 业自 动化,2023,45(2):193-197.5杨秀建,皇甫尚昆,颜绍祥.基于改进 UKF 的 UWB/IMU/里程计融合定位方法J.中国惯性技术学报,2023,31(5):462-471.6郁露,唐 超礼,黄友锐,等.基于 UWB 和 IMU 的煤矿机 器人紧组 合定 位方法研 究 J.工 矿自动化,2022,48(12):79-85.7张忠超,高同跃,丁昭,等.基于 UWB 与 IMU 的多传感器融合室内定位技术研究J.工业控制计算机,2022,35(4):45-48.