基于射频的定位与导航

基于射频的定位与导航摘要：本文分析基于射频射频技术的移动机器人在有人环境中的定位。在移动平台射频定位标签的特别的问题是配置一对天线。我们现在有概率度量的RFID模型能准确定位RFID标签。我们也可以证明地图也可以用来定位机器人和人在环境中。最后，我们展示实验说明全球机器人的定位计算装置可以减少融合RFID信息与激光数据。背景介绍：射频识别科技领域的最新进展已经达到一个状态，这个状态在未来的几年可以允许我们装备几乎每个又小又便宜的射频标签对象在环境中。标签包含电路，它可以从在它附近的无线电波中获取能量。他们将这些能量返回阅读器。该本文章用了三种不同的标签来做实验，这些标签的检测范围大约是6米。RFID可以运用在广泛的领域。例如：在医疗领域可以识别患者在家里的日常活动。导航系统用小的RFID阅读器来识别接触对象。触碰序列使用贝叶斯推理系统估计人的活动，在需要的时候提供支持。定位上下文提供了重要的信息来解释RFID阅读器。例如：我们拿牙膏时不知道它在储藏室还是在浴室。在本文中，我们探讨了技术可以提高位置信息的。我们使用的移动机器人配备了RFID标签天线确定室内环境中附加到对象的位置。图2（左）描绘了机器人建造进行这项研究。该机器人由一个现成的，现成的先锋2机器人配备了激光测距扫描仪和两个射频识别天线。天线安装在机器人的顶部，并点约45度的左侧和右侧相对于机器人。要使用这些天线的估计的对象的位置，我们首先学习一个传感器模型，该模型描述了检测的射频！标签给定它的位置相对于一个天线。由于这些传感器的噪声是高度非高斯的，我们代表的测量似然模型的分段常数近似。然后，我们描述了一种技术来估计位置的RFID标签使用的移动机器人配备了RFID标签天线的检测。这个过程使用一个以前从激光测距数据的地图。然后，我们应用蒙特卡罗定位[41，[71估计的机器人的姿势，甚至在这种环境中的人。实验结果表明，它是可能的，基于此技术的准确定位移动的对象。继续实验表明，RFID标签大大降低对环境中的移动机器人全局定位所需的时间。此外，该技术可以用于大幅减少全球定位所需的样品的数量本文的组织如下。讨论相关工作后我们将目前的传感器模型和接收机在部分然后，我们描述了如何使用该模型可以在基于激光的FastSLAM[81有效地确定了标签的位置相结合的方法。在第5节中，我们描述了如何产生的信念的标签的位置可以被用来确定机器人的位置和在环境中的人。最后，我们提出的实验结果说明了优势的电子标签的机器人定位和人跟踪。相关工作：在过去的几年里，射频识别传感器[6]已经开始进入移动机器人领域。如今，RM）的读者可以发现在几米范围内的低成本无源标签。这些改进在无源标签的检测范围，使这一技术对机器人的应用由于提供的标签上的信息可以被用来支持各种任务导航，定位，定位越来越有吸引力，甚至服务应用如人跟踪。然而，大多数的应用程序的射频识别技术，假设读者是固定的，只有标签，是连接到对象或人的移动。的主要焦点是触发事件，如果一个标签是由一个读者检测或进入该领域的范围（例如，跟踪存储的地方的内容[Z]）。最近，坎特和Singh使用RFID标签的映射。他们的系统依赖于有源信标提供基于需要接受一个标签的响应时间距离信息。此外，标签的位置有更多或更准确地被称为[14]，[9]。筑山[16]也需要特定的RFID标签的位置。他们的系统假设完美的测量，不包括技术来处理传感器的不确定性问题到这里接近同时解决定位和创建地图的问题，机器人必须创建地图同时估计自己在地图中的位置。然而，由于RFID传感器精确度的限制，SLAN技术只是…..不能直接被RFID采集到的数据使用。我们的算法不是用一个FASTSLAM变体来用激光学习环境的几何结构通过FASTSLAM算法来计算轨迹估计标签的位子。学习一种RFID无线传感模型：定位于全球参考框架的RFID标签，我们估计后验概率p(x|𝑧1:𝑡,𝑟1:𝑡),x表示标签的位置，𝑧1:𝑡为观测时间的步骤1,…,t,,𝑟1:𝑡是可能的不同位置的射频识别天线。根据贝叶斯在独立假设下连续测量，我们可以得知标签的X遵循以下规则：p(x|𝑧1:𝑡,𝑟1:𝑡)∝p(𝑧𝑡|x,𝑟𝑡)p(x|𝑧1:𝑡−1,𝑟1:𝑡−1)根据这个等式，测试的数量p(𝑧𝑡|x,𝑟𝑡)指定观测的可能性，𝑧𝑡得到定位标签的x和定位天线的𝑟𝑡。我们简单假设观测的可能性只依靠标签与天线之间的相对偏移量，也就是说，只取决于不同的x与𝑟𝑡。接下来，当我们设计RFID观测模型时需要考虑相位。1）这有许多假阴性的阅读器即，标签未被检测到，即使附近有天线。2）总之，我们获得假阴性阅读器，在这种情况下天线检测标签可以超出制造商所指定的范围。这也包括错误的天线检测到RFID标签。原因如下：例如：标签对于RFID的方向会受到影响当能量被天线自己接受的时候，根据这个角，能量会变化而且有时没有足够高的能量来激活标签内部芯片。在这种情况下，标签不会做出回应。此外，探测范围的大小和形状很大程度上取决于环境。例如：金属通常吸收RFID阅读器发射出来的能量。因此标签受到金属的影响只能在很晓得范围被检测到。但是即使是其他非金属也会大大影响标签的检测能力。……我们生成的统计数据通过计算频率来确定RFID天线的观测模型。我们以以下方式进行。我们将一个RFID标签附在一个盒子上，并在盒子前面旋转机器人。我们对不同的距离重复此操作，并且对于离散网格中的每个点计算给定标签的天线的检测频率，该标签被放置在由该网格单元相对于机器人覆盖的位置处。将得到的直方图如图3所示。这个数字包含两个传感器的检测统计。的直方图是建立从12822个测量。从图中可以看出，这两个天线显示出完全不同的行为，虽然他们都在测量相同的射频识别标签。将产生的传感器模型用于保守近似的他在图3中描述的直方图如图4所示。该模型由三个分量组成。每个天线的主要检测范围由在天线方向上具有95度开口角的弧组成。此外，天线总是检测接近它的WID标签，即使它们在天线之后。这由围绕接收器中心的圆形区域建模。两个检测范围的相应似然性也在图4中示出。对于这些区域之外的位置，我们假定恒定的可能性为0.5。绘制RFID标签：在前一节介绍的第一个传感器模型应用程序用以懂机器人在环境中来估计位置。学习标签位置需要两个部分。首先用激光传感器学习环境的几何结构。然后然后，我们估计的机器人的路径上的标签的位置。由于机器人配置了激光传感器，用FASTSLAM算法来学习环境几何结构。由此产生的地图用于实验结果如图5得到上面的地图，鉴于这种地图和由FastSLAM算法我们可以估计现在的RFID标签的位置的机器人的最大似然路径。在这里，我们采用递归贝叶斯滤波方案中给出的方程1，𝑟1:𝑡代表机器人的路径。为了精确定位标签，我们使用1000个随机选择位置均匀分布在一个25平方米宽的区域，将机器人放在这样的环境中。这个环境有独立的天线来检测标签，为了避免检测而失败，天线导致次优位置取代。由机器人的应用标签的第一检测初始化。。每个随机选择的潜在位置分配一个数值储存作为后验概率记为p(x|𝑧1:𝑡,𝑟1:𝑡),这个位置对应标签的真实位置。无论何时机器人检测标签，当机器人检测到一个标签就根据方程1更新，同时使用上一节提到的传感器。定位标签：考虑到后验分布p(x|𝑧1:𝑡,𝑟1:𝑡)超过潜在的位置的RFID标签，我们现在准备计算的可能性的观察Y在定位过程中，给定的机器人或一个人被放置在一个位置l，我们获得的总概率：P(y|l)=∑𝑝(𝑦|𝑥,𝑙)p(x|𝑧1:𝑡,𝑟1:𝑡)𝑥(2)在这个等式中𝑝(𝑦|𝑥,𝑙)对应第三部分描述的相对传感器模型。传感器的相对偏移量通过全局坐标中标签的位置x，机器人的位置l来计算。因此，要确定给定的机器人的标签检测的可能性是在位置l，我们必须整合后的标签的位置的后验概率的映射过程中获得的数据。要估计的姿势1的机器人或在环境中的人，我们采用著名的递归贝叶斯滤波方案：P(𝑙𝑡|𝑦1:𝑡,𝑢0:𝑡−1)=α×p(𝑦𝑡|𝑙𝑡)×∫𝑝(𝑙𝑡|𝑢𝑡−1,𝑙’𝑡−1)×𝑝(𝑙’𝑡−1|𝑦1:𝑡−1,𝑢0:𝑡−2)𝑑𝑙‘𝑡−1𝑙‘𝑡(3)Α是一个归一化常数确保P(𝑙𝑡|𝑦1:𝑡,𝑢0:𝑡−1)将𝑙𝑡总结在一起，𝑝(𝑙𝑡|𝑢𝑡−1,𝑙’𝑡−1)描述对象在𝑙𝑡位置运动到𝑢𝑡−1位置记为𝑙’𝑡−1。这个数量是根据我们跟踪的对象而计算的。在机器人的情况下我们计算这个量的基础上，odomeny测量。如果我们是跟踪的人，我们只是代表这个密度的一个如果我们是跟踪的人，我们只是代表这个密度的一个Gaussiancenteredaroundlt.高斯围绕𝑙𝑡。此外，p(𝑦𝑡|𝑙𝑡)表示根据观测模型观测到𝑦𝑡的可能性，可以用等式2来计算。为了代表对象的位置用蒙特卡罗算法定位。在蒙特卡罗定位算法中，在MonteCarlo的定位，机器人的信仰是由一组随机样本的代表。每每个样本包括一个状态向量的基本系统，这是构成L的机器人，在我们的情况下，和一个称重因子W。后者被用来存储相应的粒子的重要性。后验概率代表的样本的分布和他们的重要因素。本系统采用粒子滤波算法也被称为顺序iniportance采样与重采样。它更新的机器人的姿势，根据以下两个交替的步骤1）在预测步骤中，根据权重因子得出每个因子的重要性，再根据机器人𝑝(𝑙𝑡|𝑢𝑡−1,𝑙’𝑡−1)运动模型执行以前的更新𝑢𝑡−1，如果定位一个人，这个模型简单的是一个高斯中心𝑙𝑡−12）在矫正步骤中，新观测的𝑦𝑡进入了样本集，这是通过重采样，每个样本根据似然p(𝑦𝑡|𝑙𝑡)加权。全球本地化。对象，我们初始化具有均匀分布的粒子集。射频识别传感器可以有效的给对象定位潜在位置。我们只将样本只在潜在的检测范围内的射频识别传感器。这种方法已成功地应用在过去，例如通过透镜等。实验结果：我们上面介绍的方法已经实施和测试使用的先锋2机器人配备了一个生病的LMS激光测距仪和一个外星科技的915MHz的RFID读写器的双圆极化天线（参见图2左图）这里所描述的实验是进行在英特尔研究实验室，西雅图，华盛顿。图5显示了一个二维栅格地图与我们日常所产生的FastSLAM。环境的大小28由2800万。我们安装了100个标签，在这样的环境中（见图7）。标签是在图1中描绘的类型，所有的人都能够与机器人沟通。他们中的大多数都沿着圆形走廊安装环境导航标签：正如前面提到的，我们使用我们的FastSLAM常规轨迹估计确定后对标签的位置。正如前面提到的，我们使用我们的FastSLAM常规轨迹估计确定后对标签的位置。当第一次检测到一个标签，我们初始化一个离散的随机选择的点周围的机器人，并使用一个统一的分布来初始化的信念。每当检测到一个标签时，在该集合中的每个样本的后验概率乘以给定的标记的观察的可能性是在对应于该样本的位置。之后，我们正常化的所有样本的信念。图6显示了一个典型的例子，用于对一个射频识别标签的信念最左边的图像显示设置的RFID标签的第一检测后的样品。其余的图像说明了如何的信念侧重于标签的主题位置，获得更多的测量。他们显示了相应的信念后，6，17，65，和200的测量。请注意，每一个代表一个粒子的圆的直径对应于它的重要性重量。从图中可以看出，信仰迅速收敛到一个单峰分布。请注意，这是不一定的情况下。在原则上，我们的代表还可以处理含糊之处，其中的位置的一个标签不能被确定唯一的，例如，因为机器人不能达到所需的位置，以解决模糊性。图8描述了机器人的位置，当它检测到标签，其信念是ploned图6。右侧天线检测显示填充界和各检测左天线我们画一个空圈。从图中可以看出，测量噪声是相当高的，有几个错误检测。然而，我们的算法是能够准确地定位在靠近入口的墙上的标签。以0.225m/s的速度走了791.93m检测了50933次标签。将