论文部分内容阅读
随着自动化码头的发展,各类装卸运载车正在逐步实现无人化操作管理,针对室外码头作业环境复杂,自动化码头对无人运载车高效快速的作业要求越来越高,作业精度要求高达厘米级的情况,将定位精确、数据传输快及功耗小的超宽带(Ultra-Wideband,UWB)定位系统应用到码头无人车辆定位中。但是码头环境高度动态变化,集装箱与无人运载车辆之间位置不固定,车与车、车与集装箱之间容易导致多径效应与非视距(Non-Line of Sight,NLOS)传播,传统的UWB定位系统已不能满足当下的需求,为了提高无人运载车的定位精度,减小定位误差,本文在有效区分视距(Line of Sight,LOS)与非视距两种不同的定位环境下,分别提出了抗干扰性强且定位精度高的室外UWB定位算法。首先区分定位环境,基于测距估计的分类与回归树(Classification And Regression Tree,CART)的方法将距离数据先进行分类,从数据中筛选出LOS基站和NLOS基站,针对这两种环境下的测距值分别进行定位:1)LOS环境下,使用Chan算法定位并根据测量数据建立误差模型,为了提高定位精度增加基站数量后先使用Chan算法获得初始值再使用加权质心算法,为了增加初始值准确性,提出了一种基于粒子群算法(Particle Swarm Optimization,PSO)的Chan定位算法获得初始值再进行加权质心定位算法的PCWCL定位算法。研究结果表明:在LOS环境下,PCWCL定位算法比PSO和Chan混合算法的定位精度提高了8.98%,比Chan算法定位精度提高了48.83%;2)NLOS环境下,Chan算法和加权质心易受环境影响误差大,所以使用了Taylor算法,由于Taylor对初始值要求较高,提出了一种基于鲸鱼优化算法(Whale Optimization Algorithm,WOA)智能优化的Taylor定位算法。由WOA算法建立鲸鱼种群捕食模型,将确认无人车辆位置问题转化为求解最优鲸鱼位置和个体鲸鱼位置之间误差的全局最小值问题,针对传统鲸鱼优化算法(WOA)存在的收敛速度慢、全局寻优能力不足、容易陷入局部最优解的问题,分别引入了收缩因子(Constriction Factor,CF)和模拟退火算法(Simulated Annealing,SA)进行改进,最后使用Taylor算法确定待测目标的最终位置。研究结果表明:NLOS环境下CSWT定位算法比WOA和Taylor混合算法的定位精度提高了28.12%,比Taylor算法定位精度提高了52.02%。综上所述,本文研究的基于超宽带的码头无人运载车定位算法,可以为室外码头无人运载车的高精度定位导航提供一个新思路。