论文部分内容阅读
自动导航车辆的状态估计是实现其环境感知、自动定位和智能导航等功能的关键技术和重要保障。自动导航车辆(Automated Guided Vehicle,AGV)是一种广泛应用于多项产业包括军工,物流,制造等领域的现代化智能设备。自动导航车辆的状态估计是指利用车上装载的多种传感器包括激光雷达,摄像头等采集实时的环境信息,结合相关模型和算法,估计出自动导航车辆的状态包括AGV的实时位姿状态,AGV当前周围的环境状态。循环神经网络(Recurrent Neural Network,RNN)是一种深度学习技术,广泛应用于图形处理,自然语言处理等领域,是一种现代化的智能信息处理方法。本论文主要内容如下:(1)设计了一种改进的状态估计方法,运用RNN深度学习技术和前端匹配技术,融合多传感器数据,对自动导航车辆状态做出最优的状态估计。深入研究自动导航车辆状态估计的关键技术,选择适合的技术路线。引入RNN技术到状态估计方法,用于后端回环检测。通过优化估计方法,融合多传感器数据,提高状态估计精度,提高算法运行效率。首先,利用激光雷达数据精确且计算量小的优点,使用前端匹配技术,生成实时的局部状态估计。然后,利用信息量丰富的图像数据,使用基于RNN的回环检测检测技术。最后,使用基于图优化的后端优化方法生成最优的全局状态估计。改进的状态估计方法融合了多传感器数据,结合不同传感器数据的优点,消除因运动噪声和传感器噪声造成的状态估计误差,同时提高自动导航车辆的状态估计精度和效率,为车辆的定位和导航提供了数据支撑,保障AGV的行驶安全,提高其运行效率。(2)搭建实验测试平台,通过控制车辆运动,采集传感器数据,并利用构建的局部状态估计模块,回环检测模块和后端优化模块,对车辆状态做出最优的估计。以AGV小车为主要实验测试平台,安装硬件设备包括工控机,多种传感器包括激光雷达,摄像头,IMU,里程计等。搭建软件环境,包括安装Linux系统,ROS操作系统。针对自动导航车辆开发相关的运动控制程序,传感器数据采集程序,状态估计程序等,并部署到实验平台上进行调试和验证。实验结果表明,基于RNN的多传感器融合状态估计方法可以充分利用多种不同传感器数据的特性,在给出稳定的局部状态估计的同时,进行准确和高效的回环检测,并利用后端优化模块减小累计误差,给出更符合真实值的优化估计。