欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025118466466
申请人: 淮南师范学院
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,包括:

本我节点通过对板载的惯性测量单元计算预积分结果,递推包含不确定性协方差的物理航迹;所述本我节点为当前正在执行计算和决策的机器人;接收他我节点的不确定性相对位姿信息作为跨节点测量闭环;所述他我节点为当前正被本我节点直接观测和评估的机器人;计算跨节点测量闭环和物理航迹期望相对位姿间的几何差异,并利用各航迹的不确定性协方差进行差异归一化,生成跨节点航迹残差;

基于导航传感器的信号质量和特征密度为所有节点生成环境置信度;结合所述跨节点航迹残差和历史信任滑窗计算节点间的交互信任值,根据所有节点和交互信任值构建节点一致性网络;通过迭代计算求解全局最优的导航约束权重集,与环境置信度相乘生成导航约束权重;

由所述惯性测量单元的预积分结果构建航迹传播因子,由所述跨节点测量闭环与所述导航约束权重相乘构建加权跨节点闭环因子;采用迭代重加权最小二乘算法对包含两类因子的时空位姿图进行优化求解,获得导航轨迹解。

2.根据权利要求1所述的基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,本我节点通过对板载的惯性测量单元计算预积分结果具体实现方式为:采用基于三维刚体旋转群流形的捷联惯导姿态解算方法,对惯性测量单元的原始角速度测量值进行积分;将惯性测量单元在一个时间段内的加速度测量值转换至世界坐标系下进行积分,并对积分过程中的噪声协方差进行递推,生成包含位姿增量、速度增量和不确定性协方差的惯性测量单元预积分因子,构成了时空位姿图中连接连续位姿节点的航迹传播因子;

惯性测量单元计算预积分结果的实现过程为采用基于三维刚体旋转群流形的解算方法对角速度测量值积分以获得姿态增量,并利用该姿态将加速度测量值转换至世界坐标系下再次积分以获得速度与位置增量,同时在此积分全程中对传感器噪声协方差进行递推,最终生成预积分结果。

3.根据权利要求1所述的基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,接收来自他我节点的、基于外部传感器测量的相对位姿信息至少包括:利用激光雷达的点云数据,通过正态分布变换计算获得的两个机器人节点之间的相对位姿变换矩阵;利用多目立体相机的图像数据,通过特征匹配与三维重建计算获得的两个机器人节点之间的相对位姿变换矩阵。

4.根据权利要求1所述的基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,计算跨节点航迹残差的具体实现方式为:将接收的跨节点测量闭环即相对位姿信息定义为瞬时测量约束;通过以下步骤计算所述跨节点航迹残差:在时空位姿图中构建几何一致性检验环路,环路从本我节点的当前位姿出发,通过瞬时测量约束变换至他我节点的当前位姿,沿他我节点从历史位姿到当前位姿的物理航迹,沿历史上已建立的、连接他我节点与本我节点的协同观测因子进行跨节点变换,沿本我节点从历史位姿到当前位姿的物理航迹;计算检验环路的累积位姿变换矩阵与单位矩阵之间的差异作为表征几何不一致性的跨节点航迹残差。

5.根据权利要求1所述的基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,采用指数加权移动平均算法,将通过图基双权重函数根据当前跨节点航迹残差计算出的瞬时信任表现,与历史信任滑窗中记录的历史一致性表现进行加权融合,计算交互信任值;用于所述图基双权重函数为:当所述跨节点航迹残差的模长超过预设阈值时,所述图基双权重函数计算的交互信任值将迅速下降至零,对噪声影响和由伪信节点产生的故障数据进行抑制;所述预设阈值根据归一化残差所应遵循的统计学规律来确定,大小对应于一个高置信度的概率边界,在统计意义上区分正常的测量波动和需要抑制的真实异常值;

对历史信任滑窗内存储的、他我节点历史交互一致性表现进行处理时,具体采用指数加权移动平均算法;在计算交互信任值时,对滑窗内历史上每一次交互的残差表现赋予随时间指数级衰减的权重,快速响应他我节点状态的最新变化。

6.根据权利要求1所述的基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,通过迭代计算求解全局最优的导航约束权重集的具体实现方式为:交互信任值为所述节点一致性网络中的每条边的初始权重,对每个权重进行迭代更新,在第k+1次迭代中,从本我节点到他我节点的导航约束权重由一个传播函数确定,将本我节点对他我节点的直接信任度与网络中其他节点对他我节点的间接评价进行加权融合;函数的输入至少包括:第k次迭代中,本我节点与他我节点间的导航约束权重;集群中所有第三方节点对他我节点的导航约束权重加权聚合的网络一致性支撑项,其中用于聚合的权重取决于本我节点对第三方节点的导航约束权重;迭代过程持续进行直至图中所有导航约束权重变化量小于收敛阈值,达到均衡状态,完成群体智能的导航约束权重。

7.根据权利要求1所述的基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,采用迭代重加权最小二乘算法对包含两类因子的时空位姿图进行优化求解的具体实现方式为:采用莱文伯格-马夸尔特算法作为非线性最小二乘的求解器,在每一次迭代中,莱文伯格-马夸尔特算法通过引入阻尼因子动态地在高斯-牛顿法与梯度下降法之间进行切换。

8.根据权利要求1所述的基于迭代重加权最小二乘的机器人导航优化方法,其特征在于,采用迭代重加权最小二乘算法对所述时空位姿图进行优化求解,具体实现过程包括:在每一次优化迭代中同步更新集群中各节点的导航状态,并基于更新后的导航状态重新计算和更新他我节点的导航约束权重,直至导航状态收敛,获得在物理上可行且全局几何一致的、并已抑制伪信节点影响的导航轨迹解;

迭代过程具体通过内外双循环嵌套结构实现:在外循环中,根据当前获得的导航状态计算所有跨节点航迹闭环残差,并更新所有他我节点的导航约束权重,形成此次外循环中固定的权重集;在内循环中,使用外循环传递的、固定的权重集对加权跨节点闭环因子进行调制,并运行莱文伯格-马夸尔特算法进行多次迭代,直至时空位姿图在当前权重下收敛,获得更新后的导航状态;通过内循环输出的更新后导航状态,返回至外循环的起始点,开始下一次的残差计算与权重更新。