室外监控机器人的微小型组合导航系统设计 - 开题报告

哈尔滨工程大学

攻读硕士学位研究生论文

开 题 报 告

专 业 导航、制导与控制

研究方向 组合导航系统技术

姓 名 刘 彪

指导教师审查意见： 审查合格，同意存档。 指导教师签字： 年 月 日 哈尔滨工程大学硕士学位论文开题报告 题 目：室外监控机器人的微小型组合导航系统设计 专 业：导航、制导与控制 硕 士：刘 彪 导 师：钱华明 教授

一． 课题研究的背景、目的和意义

目前，服务机器人正处于萌芽阶段。发达国家已经着手开发智能服务机器人相关的科技产业，根据日本机器人协会(JARA)对日本国内服务机器人需求的统计调查，预计2010年其服务机器人产值为249亿美元左右；韩国通信部(Korea Ministry of Information and Communication)调查研究报告也显示：2012年全球智能机器人的产值达2500亿美元，2015年市场需求介于1000亿美元至5000亿美元之间，预计2012年其服务机器人产业全球市场占有率达10%，成为第三大机器人制造国，创造2万个新的就业机会，整个出口值达100亿美元。

监控机器人作为服务机器人的一种广泛应用与室内、外环境下的陪护、看守、安保、巡逻以及后勤服务等，适用于机场、核电站、变电站、监狱以及边界巡逻等场所。发达国家对监控机器人的研究进行的较早，有较多的产品问世如。目前，在伊拉克和阿富汗战场上，美军总共使用着大约5000多台机器人，它们能够广泛地执行各种任务。“剑”式武装巡逻机器人和防爆机器人就是其中的佼佼者。“剑”式机器人的全称是“观察、侦察与探测特种武器系统”，这种机器人身高0.9米，最高时速9公里，配备有5.56毫米口径的M249机枪，外加M16系列突击步枪与M202-A16毫米榴弹发射器。除此之外“剑”式机器人还拥有摄像机、夜视镜、变焦设备等光学侦察以及高精度导航设备，这些装备可以保证机器人在任何时候、任何天气状况下都能轻易通过楼梯、岩石堆和铁丝网，在雪地及河水中行走自如，并可在关键时候执行情报侦察任务。iRobot防爆机器人主要用于扫清充满简易爆炸物的道路，它可以利用其2米长的操作臂，进入车辆内部以及底盘处探测炸弹，同时其控制器上会显示危险系数以及被测目标的数码图像。

随着监控机器人的推广应用，对机器人的性能要求也是越来越高，在未知环境中自主行走成为了监控机器发展的必然趋势。因此对机器人导航系统和传感器信息融合提出了更高的要求，表1.1给出了近些年来机器人的导航系统所使用的传感器和信息融合手段，从表中可以看出随着机器人使用环境的变化，机器人导航系统使用的传感器越来越多，信息融合手段也越来越复杂化、智能化。特别是在未知环境中的机器人导航系统由于其涉及环境认知、优化决策、知识表达、运动控制等多项关键技术成为未来导航系统研究的主要方向。

1

哈尔滨工程大学硕士学位论文开题报告 表1.1机器人导航系统及信息融合手段 机器人 Ranger Sojourner Sasiadek Robin Anfm 传感器 触觉、超声、摄像机 里程计、声纳 加速度计 GPS、INS CCD摄像机 激光传感器、触觉传感器、超声传感器 摄像机、SINS、GPS 超声、红外探测器 摄像机、GPS、SINS Seekers 里程计、电子罗盘、红外、激光测距仪 室外未知环境 粒子-卡尔曼滤波 执行环境 室内未知环境 火星表面环境 三维避障环境 未知人造环境 未知的自然环境 信息融合手段 卡尔曼滤波 扩展卡尔曼滤波 卡尔曼滤波 神经网络 模糊逻辑神经网格 二．室外监控机器人导航系统的关键技术

对于室外监控机器人的导航系统来说，很多理论还需要完善，所取得的理论成果还需要在实际的工程应用中不断完善，其涉及的范畴，不仅包含环境感知、定位、运动控制和路径规划和决策，还包括传感器和多传感器信息融合等。 (1) 环境感知技术

室外监控机器人要在未知环境中移动必须依靠各种传感器获取外界的环境信息，以指导其行为。因此获取环境信息成为机器人导航系统研究的关键技术之一，环境感知技术包括传感器技术和环境综合建模技术。通常依据感知环境信息的不同把机器人传感器分为内、外两类传感。内传感器用来感知机器人自身的状态，以用来调整机器人的行动。常用的内传感器有陀螺仪，加速度计、里程仪等；外传感器用来获取周围环境信息、障碍物以及目标物体的状态特征，使机器人与外部环境之间发生作用，从而使机器人对环境具有自我校正和自我适应能力，目前常用的外部传感器包括：机器视觉(CCD图像传感器和摄像机)、红外传感器、激光测距仪、超声波传感器等。

“环境信息综合”是一个对传感器感知到的信息进行综合建模的过程。环境模型的精度很大程度上依赖于机器人的定位精度(传感器精度或者滤波算法)，而定位的精度又离不开环境模型建立的准确度。一个合适的环境模型将有助于机器人对环境的理解，降低规划和决策的计算量，有效地辅助机器人实现导航控制，是感知到认知的重要标志。 (2) 多传感器信息融合技术

多传感器信息融合的目的是提高系统的可靠性和鲁棒性，扩展时间上、空间上的观测范围，增强数据的可信任度，增强系统的分辨能力等。多传感器信息融合的方法包括：像素级融合、特征级融合和决策级融合，具体技术有卡尔曼滤波、综合平均，神经网络，粒子滤波等。目前信息融合技术并不完善，机器人在未知环境中的多传感器信息融合主

2

哈尔滨工程大学硕士学位论文开题报告 要集中在：动态环境下的信息融合技术，主动传感器信息融合技术。由于环境的动态性，从传感器获得的信息具有不确定性，因此如何降低信息的不确定性，建立合理的不确定性模型，是信息融合的一个重要研究方向。减少信息融合的错误率，提高融合的实时性，建立信息融合质量的评价机制是多源信息融合的一个目标。在机器人的导航系统中装配了很多种传感器，如何管理和使用有限的传感器资源，为机器人导航提供准确的环境信息和模型成为一个值得研究的课题。 (3) 故障检测与诊断技术

对于组合导航系统来说，容错设计的出发点是从系统的整体上来提高可靠性，设计的主要方法是是系统具有自监控的功能，通过监控系统，实时监测并隔离故障部件，进而采取必要措施，切掉故障部件，将正常的部件重新组合起来(系统重构)，从而使整个系统在内部有故障的情况下仍然能够正常工作或降低性能安全地工作。现有的故障检测与隔离方法(Fault detection and isolation ,FDI)有：基于硬件余度法，基于解析余度法和基于人工智能的方法等。 (4) 路径规划技术

路径规划是室外监控机器人按照某一性能指标搜索一条从当前位置移动到目标位置的最优无碰撞路径。当前，机器人路径规划的研究主要包括以下三种类型：

(1) 基于环境先验完全信息的路径规划； (2) 基于传感器信息的不确定环境的路径规划； (3) 基于行为的路径规划。

其中(1)为已知条件下的离线全局规划，它的任务是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞的最优路径。常用的方法包括：栅格法、人工势场法等。(2)(3)为局部路径规划方法，是在环境信息完全未知的情况下，室外机器人没有任何先验知识，此时的路径规划以提高室外机器人的避障能力为主，常用的方法包括：人工势场法、遗传算法、人工神经网络、模拟退火法、蚁群算法和粒子算法等。 (5) 障碍物检测

对于室外监控机器人来说，实现无障碍运动的首要目标是要检测出障碍物的位置、速度。目前常用的传感器有CCD摄像头、超声传感器、红外传感器和激光测距仪等。但是每种传感器都有其局限性。超声传感器价格便宜，但探测波束角过大，方向性差，红外传感器探测视角小，但无法提供距离信息，视觉传感器容易受光线强弱的影响且图像处理复杂。因此常常使用多种传感器共同探测障碍物的位置和速度。 (6) 运动控制

运动控制是室外监控机器人的导航系统实现其导航功能的最后一个环节。室外监控机器人将使用内、外传感器感知到的环境信息，在建立好的环境模型中依据规划的路径(或者依据传感器的信息反应式)控制机器人到达目标位置。常用的方法包括基于路径规划的移动机器人路径跟踪控制和基于传感器—执行器直接映射的运动控制。大量研究表明后者是一种比较灵活的控制方法。

3

哈尔滨工程大学硕士学位论文开题报告 由于室外监控机器人的导航系统是一个较为复杂的系统，涉及的内容较为广泛，因此本文只针对环境感知技术和多传感器信息融合技术进行研究。

三.本课题主要研究内容 3.1 系统总体设计

室外监控机器人是一种适合于在复杂的非结构化环境中工作的自主式移动机器人，按照总体结构和性能指标要求它具有高度的自规划、自组织、自适应能力。因此，实验平台拟采用基于嵌入式单板计算机(PC104)的分布式主从控制结构，上位机系统主要负责数据融合，任务分解，策略选择制定，以及协调控制各子模块工作等；下位机拟采用意法半导体(ST)公司生产的具有Cortex-M3内核的STM32F103为微控制器(Mircro Controller Unit,MCU)，主要负责数据采集和运动控制。整个实验平台由上位机系统、环境感知子系统、运动控制子系统、监控子系统、人机交互子系统五部分构成，并采用规范化封装的功能模块，当上位机需要某个模块的数据时，子模块直接向上位机提供该模块经过处理以后的数据。

虚拟传感器GPS接收机RS232 EC3-1811LDNAADXL345导航计算机STM32F103RBSTM32F103RBMicroMag3ECADIS16355触摸屏显示DC电源模块AHRS数据采集通信子模块机器人电源导航解算子模块

图3.1 微惯性组合导航系统框图

导航技术作为室外监控机器人实现智能化自主导航的关键技术，是机器人准确定位，迅速有效执行任务的基础。基于低成本、适用性的考虑室外监控机器人采用“GPS+MSINS+EC+虚拟传感器”的微小型组合导航技术，并通过多传感器信息融合技术，解算出机器人实时的位置、速度和姿态。室外监控机器人的微小型组合导航系统如采用双处理器两个模块同步工作的模式，一个模块用于数据的采集称为数据采集通信子模块，它包括航姿参考系统（Attitude and Heading Reference System,AHRS)和里程计，

4

哈尔滨工程大学硕士学位论文开题报告 其中AHRS采用了ARM微控制芯片作为各传感器的信息采集、处理、传输和管理芯片，为了减轻采集模块的通信负担，GPS和里程计的数据直接使用上位机微处理器来采集；另一个模块用于参数解算称为导航参数计算子模块(导航计算机)，其处理器使用PC104，两个子模块之间通过RS232实现数据通信如图3.1所示。数据采集通信子系统负责将传感器感知的外界信息或者自身状态的信息经ARM采集后按照传输协议将其打包发送至上位机；导航计算子模块负责MSINS的捷联解算以及与GPS、EC和虚拟传感器的信息融合。

3.2虚拟传感器辅助MSINS导航技术

针对GPS和EC失效的情况下，捷联惯导系统存在着误差快速增长的问题，提出依据运动学模型建立虚拟传感器来辅助MSINS的方案，引入运动约束条件，构造虚拟传感器的观测量。所谓虚拟传感器技术是指依据室外监控机器人实验平台的运动学模型和运动约束，借助于机器人电机编码器输出信息，虚拟出当前机器人的速度、位置信息的数学模型。虚拟传感器辅助导航的原理是根据移动机器人在平坦的地面上行驶时，两个假设和两个约束均成立的情况下，选取沿移动机器人坐标系的横轴和纵轴方向的虚拟速度分量，作为卡尔曼滤波器的观测量使用来辅助MSINS导航的方法。该方法可以作为备份导航系统参与室外监控机器人的导航系统，使得整个微小型组合导航系统在不增加传感器的情况下，系统冗余性和可靠性得到改善

3.3 多传感器信息融合技术

信息融合(Information Fusion)就是将来自多个传感器(或多源的信息)进行综合处理，从而得出更为准确、可靠的结论。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，他充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器的互补与冗余信息依据某种优化准则组合起来，产生对观测环境一致性解释和阐述。信息融合的目标是基于各种传感器分离观测信息，通过对信息的优化组合得到更多的有效信息，其最终目的是利用多个传感器共同或者联合操作的优势，提高整个传感器系统的精度和有效性。

多传感器信息融合技术在机器人导航系统的应用已经取得了重大进步，冗余性和互补性的传感器的数据融合提高了整个系统的性能。随着移动机器人工作领域的不断扩展，现代智能机器人要求能够在未知环境中自主行走，能够实时感知外界信息的变化，自主的进行避障和自我导航，这就对多源信息融合提出了较高要求，实践证明在机器人组合导航系统中，卡尔曼滤波理论是最成功的信息处理方法。利用Kalman滤波技术对机器人导航系统信息进行融合有两种途径：集中式Kalman和分布式Kalman。理论上来讲集中式卡尔曼滤波能够得出状态的最优估计，但由于集中式卡尔曼滤波依赖于高元估算和较大的数据寄存器可能导致沉重的计算负担，不能保证滤波器的实时性，此外子系统的增加使得故障率随之增加，一旦某一个子系统失效，整个系统就会面临崩溃。N.A

5

哈尔滨工程大学硕士学位论文开题报告 Carlson提出的联邦卡尔曼滤波由于利用信息分配原则，消除了各子状态估计的相关性，计算量小、对单一集中数据库没有要求、通信负担小、减小了数据流瓶颈的可能性、易于故障检测和隔离且具有高可靠性。因此选用联邦卡尔曼滤波技术作为室外监控机器人导航系统的信息融合的技术手段。

3.4 室外监控机器人的微小型组合导航系统的实现

结合组合导航系统的特点可以确定室外监控机器人微小型组合导航系统应具备的功能包括：

(1) 数据采集：数据采集功能主要采集MIMU(ADIS16355)的输出信号和由三轴数字地磁传感器(MicroMag3)和三轴数字加速度计(ADXL345)组成的电子罗盘的输出信号。对于GPS和里程计的数据则通过串口直接采集到PC104中。

(2) 数据处理与信息融合：数据处理包括MIMU的软件补偿、初始对准以及导航参数解算，电子罗盘的误差补偿等，信息融合主要是采用联邦卡尔曼滤波进行数据的融合。

(3) 导航数据输出：微小型组合导航系统在感知到当前环境中的自身信息后输出给机器人当前信息以供机器人控制本体运动。

因此，综合系统特征确定微惯性组合导航系统的开发过程以下：

1) 理论分析：包括模型的数学建模、试验数据处理以及使用算法仿真等。 2) 系统设计：包括硬件设计和软件设计。硬件设计主要是包含电子罗盘和AHRS在内的数据采集板的设计以及导航系统各部分之间的物理上的连接；软件设计包括上位机软件的开发(包括组合算法、数据通信、人机界面等)以及下位机软件的编写(主要是基于STM32的MIMU和电子罗盘信息的采集和预处理)。

3) 系统开发调试：包括系统软、硬件调试和功能联合调试。

4) 系统应用调试：将调试好的微小型组合导航系统放置在实际工作环境中进行测试，验证导航系统的精度、功能以及稳定性。根据出现的实际问题，及时进行系统改进。

6

四．预计进度和工作计划 查找收集与本课题有关的文献资料，了解室外监控机器人和微小型组合导航系统2009年8月~2009年11月 的研究现状和发展方向，对课题进行可行性及整体结构分析，准备开题。 深入学习惯性导航原理、组合导航技术，2009年12月~2010年2月 传感器以及多传感器信息融合技术等相关理论知识。 设计室外监控机器人实验平台和组合导2010年3月~2010年5月 航系统的整体架构 在上一阶段工作的基础上完成整体的软、硬件 系统的整体联合调试以及试验验证。 整理研究资料，撰写毕业论文，准备答辩。 2010年6月~2010年7月 2010年8月~2010年10月 2010年11月~2011年1月 五．参考文献 ［1］ 张毅,罗元,郑太雄等.移动机器人技术及其应用[M]. 北京:电子工业出版社,2007：

10-12页.

［2］ 刘大亮. 一种球形移动机器人的运动分析与控制技术的研究[D]. 北京邮电大学

硕士学位论文. 2009.6.

［3］ 王薇. 轮式移动机器人的运动控制研究[D]. 北京邮电大学硕士学位论文. 2009.6. ［4］ 杨晶东. 移动机器人自主导航关键技术研究[D]. 哈尔滨工业大学博士学位论

文.2008.12.

［5］ 陈少斌. 自主移动机器人路径规划及轨迹跟踪的研究[D]. 浙江大学硕士学位论

文.2008.9.

［6］ 原魁,李园,房立新.多移动机器人系统研究发展近况[J]. 自动化学报.2007,33(8):

,785-794页.

［7］ 任孝平,蔡自兴.基于移动自组网的多移动机器人远程监控[J].华中科技大学学

报,2008,36(1):239-242页.

［8］ 李剑锋,原魁,王永玲等.一种低成本高性能的巡逻保安机器人[J]. 2007,17(8):

814-818页.

［9］ 杨世强,傅卫平,李德信.移动机器人导航算法研究[J].机械科学与技术2010,29(1):

100-108页.

［10］金周英,白英. 我国机器人发展的政策研究报告[J]. 机器人技术与应用.2009,(2):

哈尔滨工程大学硕士学位论文开题报告 1-7页.

［11］王鸿鹏. 复杂环境下轮式自主移动机器人定位与运动控制研究[D]. 南开大学博

士学位论文.2009.9.

［12］蔡自兴，贺汉根，陈虹. 未知环境中移动机器人导航控制研究的若干问题[J]. 控

制与决策，2002,17(4):385-390.页

［13］蔡自兴，贺汉根，陈虹. 未知环境中移动机器人导航控制理论与方法[M]. 北京:

科学出版社，2009:371-372.页

［14］朱凤春. 移动机器人导航与环境建模问题研究[D]. 山东科技大学博士学位论

文.2007.6.

［15］杨露菁,余华. 多源信息融合理论与应用[M]. 北京:北京邮电大学出版社.2006: 3-7

页.

［16］秦永远，张洪钺，王叔华. 卡尔曼滤波与组合导航原理[M]. 西安:西北工业大学

出版社.2004:205-210页.

［17］徐景硕,沈鹏. SINS/GPS/EMC组合导航系统信息融合技术研究[J]. 宇航计测技术,2009,29(2):41-44页.

［18］王震宇. MEMS-SINS/磁强计组合导航系统设计[D]. 哈尔滨工业大学硕士学位论

文,2007.7.

［19］陈永冰,钟斌. 惯性导航原理[M] .北京:国防工业出版社.2007:176-246页.

［20］黄旭. MEMS INS/GPS/磁强计组合姿态确定研究[D]. 哈尔滨工业大学硕士学位

论文.2005.7.

［21］李杰,张文栋,刘俊. 基于时间序列分析的Kalman滤波方法在MEMS陀螺仪随机

漂移误差补偿中的应用研究[J]. 传感技术学报,2006.19(5):2215-2219页.

［22］周丕森. 微小型组合导航系统设计与实验研究[D]. 上海交通大学硕士学位论

文,2008.1.

［23］王犇,袁涛,谭涛.基于MEMS陀螺仪的微惯性测量系统的实现[J].微计算机信

息,2008,24(9):152-154页.

［24］黄徽,刘建业,李荣冰等. 微小型MEMS惯性导航系统的六陀螺余度配置实现[J].

传感器与微系统,2007,26(7):51-57页.

［25］胡佩达,董景新,赵长德等. 微机械加速度计自动测试系统[J]. 中国惯性技术学

报,2008,16(2): 212-215页.

［26］陆敬予,张飞虎,张勇 微机电系统的现状与展望[J]. 传感器与微系统,2008,27(2):

1-7页. ［27］陈哲. 捷联惯导系统原理[M]. 北京:宇航出版社,1986:24-98页.

［28］李杰，张文栋，刘俊. 基于时间序列分析的Kalman滤波方法在MEMS陀螺仪随

即漂移误差补偿中的应用研究[J]. 传感器技术学报.2006.19(5):2215-2219页. ［29］钱华明，夏全喜等. 基于Kalman滤波的MEMS陀螺仪滤波算法[J].哈尔滨工程

大学学报.2010,31(9): 1217-1221页.

［30］岳海波. GPS/DR车载组合导航定位系统研究[D]. 南京理工大学硕士学位论

文.2009.5.

1

哈尔滨工程大学硕士学位论文开题报告 ［31］吴周洁. 组合式车载导航系统研究[D]. 上海交通大学硕士学位论文.2009.1. ［32］Calson N.A.Federated Kalman Filter Simulation Results [J].Journal of theInstitute of

Navigation, 1994, 41:297-321P.

［33］Koifman M.BAR Itzhack IY. Inertial navigation systemaided by aircraft dynamics

[J].IEEE Transactions on Control Systems Technology, 1999, 7(4):487-493P. ［34］DISSANAYAKE G,SUKKARIEH S,NEBOT E,et al.The aiding of a low-cost

strapdown inertial measurement unit using vehicle model constraints for land vehicle applications[J].IEEE Transactions on Robotics and Automation,2001,17(5):731-747P. ［35］R.西格沃特,I.R.诺巴克什,自主移动机器人导论[M],李人厚译. 西安:西安交通大

学出版社.2006:47-89页.

［36］付梦印,邓志红,刘彤. 智能车辆导航技术[M]. 北京:科学出版社.2009:10-69页. ［37］夏全喜. 车载组合导航系统关键技术研究[D]. 哈尔滨工程大学博士学位论

文.2009.6.

［38］徐田来. 车载组合导航信息融合算法研究与系统实现[D]. 哈尔滨工业大学博士

学位论文.2007.12.

［39］Elliott D.Kaplan, Christopher J.hegarty.Understanding GPS Principles and

Applications, Second Edition [M]. 寇艳红译.北京:电子工业出版社.2008:14-46页. ［40］于金霞.移动机器人定位的不确定性研究[D]. 中南大学博士学位论文.2007.6. ［41］丁文娟.捷联惯性/里程计/伪卫星车载组合导航系统研究[D]. 西北工业大学硕士

学位论文.2006.6.

［42］刘静.基于磁阻传感器的姿态测量系统设计[D]. 华中科技大学硕士学位论

文.2007.6.

［43］邵婷婷. 倾斜补偿电子罗盘设计[D]. 西北工业大学硕士学位论文.2007.3. ［44］Yang J M,Kim J H.Sliding mode motion control of nonholomic mobile robots[J].IEEE

Transactions on Robotics and Automation,1999,15(3):577-587P.

［45］蔡春龙,刘翼,刘一薇. MEMS仪表惯性组合导航系统发展现状与趋势[J]. 中国惯

性技术学报2009,17(5):562-567页.

［46］Keith Sheard, Ian Scaysbrook, Derrick Cox. MEMS Sensor and Integrated Navigation

Technology for Precision Guidance [J]. IEEE Transactions on Control Systems Technology, 2008, 8(3):1145-1151P.

［47］马昕,李贻斌,宋銳. 车辆动态数学模型辅助的惯性导航系统[J].山东大学学

报,2005,35(2): 66-71

［48］F. Caron, E. Duflos, D. Pomorski, P.et al.GPS/IMU data fusion using multisensor Kalman filtering:

Introduction of contextual aspects, Information Fusion ,2006,7 :221–230.

［49］Z.-L.Deng, Y.Gao, L. Mao,et al. New approach to information fusion steady-state Kalman filtering,

Automatica ,2005 ,41: 1695–1707.

2

本文来源：https://www.bwwdw.com/article/pryg.html