基于射頻的定位與導航

1、基于射頻的定位與導航摘要：本文分析基于射頻射頻技術的移動機器人在有人環(huán)境中的定位。在移動平臺射頻定位標簽的特別的問題是配置一對天線。我們現(xiàn)在有概率度量的RFID模型能準確定位RFID標簽。我們也可以證明地圖也可以用來定位機器人和人在環(huán)境中。最后，我們展示實驗說明全球機器人的定位計算裝置可以減少融合RFID信息與激光數(shù)據(jù)。背景介紹：射頻識別科技領域的最新進展已經達到一個狀態(tài)，這個狀態(tài)在未來的幾年可以允許我們裝備幾乎每個又小又便宜的射頻標簽對象在環(huán)境中。標簽包含電路，它可以從在它附近的無線電波中獲取能量。他們將這些能量返回閱讀器。該本文章用了三種不同的標簽來做實驗，這些標簽的檢測范圍大約是6米。

2、RFID可以運用在廣泛的領域。例如：在醫(yī)療領域可以識別患者在家里的日常活動。導航系統(tǒng)用小的RFID閱讀器來識別接觸對象。觸碰序列使用貝葉斯推理系統(tǒng)估計人的活動，在需要的時候提供支持。定位上下文提供了重要的信息來解釋RFID閱讀器。例如：我們拿牙膏時不知道它在儲藏室還是在浴室。在本文中，我們探討了技術可以提高位置信息的。我們使用的移動機器人配備了RFID標簽天線確定室內環(huán)境中附加到對象的位置。圖2（左）描繪了機器人建造進行這項研究。該機器人由一個現(xiàn)成的，現(xiàn)成的先鋒2機器人配備了激光測距掃描儀和兩個射頻識別天線。天線安裝在機器人的頂部，并點約45度的左側和右側相對于機器人。要使用這些天線的估計的對

3、象的位置，我們首先學習一個傳感器模型，該模型描述了檢測的射頻！標簽給定它的位置相對于一個天線。由于這些傳感器的噪聲是高度非高斯的，我們代表的測量似然模型的分段常數(shù)近似。然后，我們描述了一種技術來估計位置的RFID標簽使用的移動機器人配備了RFID標簽天線的檢測。這個過程使用一個以前從激光測距數(shù)據(jù)的地圖。然后，我們應用蒙特卡羅定位 41， 71估計的機器人的姿勢，甚至在這種環(huán)境中的人。實驗結果表明，它是可能的，基于此技術的準確定位移動的對象。繼續(xù)實驗表明，RFID標簽大大降低對環(huán)境中的移動機器人全局定位所需的時間。此外，該技術可以用于大幅減少全球定位所需的樣品的數(shù)量本文的組織如下。討論相關工作后

4、我們將目前的傳感器模型和接收機在部分然后，我們描述了如何使用該模型可以在基于激光的FastSLAM 81有效地確定了標簽的位置相結合的方法。在第5節(jié)中，我們描述了如何產生的信念的標簽的位置可以被用來確定機器人的位置和在環(huán)境中的人。最后，我們提出的實驗結果說明了優(yōu)勢的電子標簽的機器人定位和人跟蹤。相關工作：在過去的幾年里，射頻識別傳感器 6 已經開始進入移動機器人領域。如今，RM）的讀者可以發(fā)現(xiàn)在幾米范圍內的低成本無源標簽。這些改進在無源標簽的檢測范圍，使這一技術對機器人的應用由于提供的標簽上的信息可以被用來支持各種任務導航，定位，定位越來越有吸引力，甚至服務應用如人跟蹤。然而，大多數(shù)的應用程序

5、的射頻識別技術，假設讀者是固定的，只有標簽，是連接到對象或人的移動。的主要焦點是觸發(fā)事件，如果一個標簽是由一個讀者檢測或進入該領域的范圍（例如，跟蹤存儲的地方的內容 Z ）。最近，坎特和Singh使用RFID標簽的映射。他們的系統(tǒng)依賴于有源信標提供基于需要接受一個標簽的響應時間距離信息。此外，標簽的位置有更多或更準確地被稱為 14 ， 9 。筑山 16 也需要特定的RFID標簽的位置。他們的系統(tǒng)假設完美的測量，不包括技術來處理傳感器的不確定性問題到這里接近同時解決定位和創(chuàng)建地圖的問題，機器人必須創(chuàng)建地圖同時估計自己在地圖中的位置。然而，由于RFID傳感器精確度的限制，SLAN技術只是.不能直接

6、被RFID采集到的數(shù)據(jù)使用。我們的算法不是用一個FASTSLAM變體來用激光學習環(huán)境的幾何結構通過FASTSLAM算法來計算軌跡估計標簽的位子。學習一種RFID無線傳感模型：定位于全球參考框架的RFID標簽，我們估計后驗概率p(x|z1:t,r1:t),x表示標簽的位置，z1:t為觀測時間的步驟 1,t, r1:t是可能的不同位置的射頻識別天線。根據(jù)貝葉斯在獨立假設下連續(xù)測量，我們可以得知標簽的X遵循以下規(guī)則：p(x|z1:t,r1:t)p(zt|x,rt)p(x|z1:t-1,r1:t-1)根據(jù)這個等式，測試的數(shù)量p(zt|x,rt)指定觀測的可能性，zt得到定位標簽的x和定位天線的rt。我

7、們簡單假設觀測的可能性只依靠標簽與天線之間的相對偏移量，也就是說，只取決于不同的x與rt。接下來，當我們設計RFID觀測模型時需要考慮相位。1） 這有許多假陰性的閱讀器即，標簽未被檢測到，即使附近有天線。2） 總之，我們獲得假陰性閱讀器，在這種情況下天線檢測標簽可以超出制造商所指定的范圍。這也包括錯誤的天線檢測到RFID標簽。原因如下：例如：標簽對于RFID的方向會受到影響當能量被天線自己接受的時候，根據(jù)這個角，能量會變化而且有時沒有足夠高的能量來激活標簽內部芯片。在這種情況下，標簽不會做出回應。此外，探測范圍的大小和形狀很大程度上取決于環(huán)境。例如：金屬通常吸收RFID閱讀器發(fā)射出來的能量。因

8、此標簽受到金屬的影響只能在很曉得范圍被檢測到。但是即使是其他非金屬也會大大影響標簽的檢測能力。我們生成的統(tǒng)計數(shù)據(jù)通過計算頻率來確定RFID天線的觀測模型。我們以以下方式進行。我們將一個RFID標簽附在一個盒子上，并在盒子前面旋轉機器人。我們對不同的距離重復此操作，并且對于離散網格中的每個點計算給定標簽的天線的檢測頻率，該標簽被放置在由該網格單元相對于機器人覆蓋的位置處。 將得到的直方圖如圖3所示。這個數(shù)字包含兩個傳感器的檢測統(tǒng)計。的直方圖是建立從12822個測量。 As can be seen from the figure, both antennas show quite differen

9、t behaviors although they were measuring the same RFID tag.從圖中可以看出，這兩個天線顯示出完全不同的行為，雖然他們都在測量相同的射頻識別標簽。 將產生的傳感器模型用于保守近似的他在圖3中描述的直方圖如圖4所示。該模型由三個分量組成。 每個天線的主要檢測范圍由在天線方向上具有95度開口角的弧組成。 此外，天線總是檢測接近它的WID標簽，即使它們在天線之后。 這由圍繞接收器中心的圓形區(qū)域建模。 兩個檢測范圍的相應似然性也在圖4中示出。對于這些區(qū)域之外的位置，我們假定恒定的可能性為0.5。繪制RFID標簽：在前一節(jié)介紹的第一個傳感器模型應用

10、程序用以懂機器人在環(huán)境中來估計位置。學習標簽位置需要兩個部分。首先用激光傳感器學習環(huán)境的幾何結構。然后然后，我們估計的機器人的路徑上的標簽的位置。由于機器人配置了激光傳感器，用FASTSLAM算法來學習環(huán)境幾何結構。由此產生的地圖用于實驗結果如圖5得到上面的地圖，鑒于這種地圖和由FastSLAM算法我們可以估計現(xiàn)在的RFID標簽的位置的機器人的最大似然路徑。在這里，我們采用遞歸貝葉斯濾波方案中給出的方程1，r1:t代表機器人的路徑。 為了精確定位標簽，我們使用1000個隨機選擇位置均勻分布在一個25平方米寬的區(qū)域，將機器人放在這樣的環(huán)境中。這個環(huán)境有獨立的天線來檢測標簽，為了避免檢測而失敗，天

11、線導致次優(yōu)位置取代。由機器人的應用標簽的第一檢測初始化。每個隨機選擇的潛在位置分配一個數(shù)值儲存作為后驗概率記為p(x|z1:t,r1:t),這個位置對應標簽的真實位置。無論何時機器人檢測標簽，當機器人檢測到一個標簽就根據(jù)方程1更新，同時使用上一節(jié)提到的傳感器。定位標簽：考慮到后驗分布p(x|z1:t,r1:t) 超過潛在的位置的RFID標簽，我們現(xiàn)在準備計算的可能性的觀察Y在定位過程中，給定的機器人或一個人被放置在一個位置l，我們獲得的總概率：P(y|l)=xp(y|x,l)p(x|z1:t,r1:t) (2)在這個等式中p(y|x,l)對應第三部分描述的相對傳感器模型。傳感器的相對偏移量通過

12、全局坐標中標簽的位置x，機器人的位置l來計算。因此，要確定給定的機器人的標簽檢測的可能性是在位置l，我們必須整合后的標簽的位置的后驗概率的映射過程中獲得的數(shù)據(jù)。要估計的姿勢1的機器人或在環(huán)境中的人，我們采用著名的遞歸貝葉斯濾波方案：P(lt|y1:t,u0:t-1)=p(yt|lt)ltp(lt|ut-1,lt-1)p(lt-1|y1:t-1,u0:t-2)dlt-1 (3)是一個歸一化常數(shù)確保P(lt|y1:t,u0:t-1)將lt總結在一起，p(lt|ut-1,lt-1)描述對象在lt位置運動到ut-1位置記為lt-1。這個數(shù)量是根據(jù)我們跟蹤的對象而計算的。在機器人的情況下我們計算這個量的

13、基礎上，odomeny測量。如果我們是跟蹤的人，我們只是代表這個密度的一個如果我們是跟蹤的人，我們只是代表這個密度的一個Gaussian centered around lt. 高斯圍繞lt。此外，p(yt|lt)表示根據(jù)觀測模型觀測到y(tǒng)t的可能性，可以用等式2來計算。為了代表對象的位置用蒙特卡羅算法定位。在蒙特卡羅定位算法中，在MonteCarlo的定位，機器人的信仰是由一組隨機樣本的代表。每每個樣本包括一個狀態(tài)向量的基本系統(tǒng)，這是構成L的機器人，在我們的情況下，和一個稱重因子W。后者被用來存儲相應的粒子的重要性。后驗概率代表的樣本的分布和他們的重要因素。本系統(tǒng)采用粒子濾波算法也被稱為順序i

14、niportance采樣與重采樣。它更新的機器人的姿勢，根據(jù)以下兩個交替的步驟1） 在預測步驟中，根據(jù)權重因子得出每個因子的重要性，再根據(jù)機器人p(lt|ut-1,lt-1)運動模型執(zhí)行以前的更新ut-1，如果定位一個人，這個模型簡單的是一個高斯中心lt-12） 在矯正步驟中，新觀測的yt進入了樣本集，這是通過重采樣，每個樣本根據(jù)似然p(yt|lt)加權。全球本地化。對象，我們初始化具有均勻分布的粒子集。射頻識別傳感器可以有效的給對象定位潛在位置。我們只將樣本只在潛在的檢測范圍內的射頻識別傳感器。這種方法已成功地應用在過去，例如通過透鏡等。 實驗結果：我們上面介紹的方法已經實施和測試使用的先鋒

15、2機器人配備了一個生病的LMS激光測距儀和一個外星科技的915 MHz的RFID讀寫器的雙圓極化天線（參見圖2左圖）這里所描述的實驗是進行在英特爾研究實驗室，西雅圖，華盛頓。Figure 5 shows a two-dimensional occupancy grid map generated with our FastSLAM routine.圖5顯示了一個二維柵格地圖與我們日常所產生的FastSLAM。環(huán)境的大小28由2800萬。我們安裝了100個標簽，在這樣的環(huán)境中（見圖7）。標簽是在圖1中描繪的類型，所有的人都能夠與機器人溝通。他們中的大多數(shù)都沿著圓形走廊安裝環(huán)境導航標簽：正如前面提

16、到的，我們使用我們的FastSLAM常規(guī)軌跡估計確定后對標簽的位置。正如前面提到的，我們使用我們的FastSLAM常規(guī)軌跡估計確定后對標簽的位置。當?shù)谝淮螜z測到一個標簽，我們初始化一個離散的隨機選擇的點周圍的機器人，并使用一個統(tǒng)一的分布來初始化的信念。每當檢測到一個標簽時，在該集合中的每個樣本的后驗概率乘以給定的標記的觀察的可能性是在對應于該樣本的位置。之后，我們正?；乃袠颖镜男拍?。 圖6顯示了一個典型的例子，用于對一個射頻識別標簽的信念最左邊的圖像顯示設置的RFID標簽的第一檢測后的樣品。其余的圖像說明了如何的信念側重于標簽的主題位置，獲得更多的測量。他們顯示了相應的信念后，6，17，6

17、5，和200的測量。請注意，每一個代表一個粒子的圓的直徑對應于它的重要性重量。從圖中可以看出，信仰迅速收斂到一個單峰分布。請注意，這是不一定的情況下。在原則上，我們的代表還可以處理含糊之處，其中的位置的一個標簽不能被確定唯一的，例如，因為機器人不能達到所需的位置，以解決模糊性。圖8描述了機器人的位置，當它檢測到標簽，其信念是ploned圖6。右側天線檢測顯示填充界和各檢測左天線我們畫一個空圈。從圖中可以看出，測量噪聲是相當高的，有幾個錯誤檢測。Nevertheless, our algorithm is able to accurately localize the tag at the wa

18、ll close to the entrance.然而，我們的算法是能夠準確地定位在靠近入口的墻上的標簽。 以0.225m/s的速度走了791.93m檢測了50933次標簽。將得到標簽地圖（在他們的最大似然位置）如圖11所示（左）。因此，我們的傳感器模型允許多標簽學習的位置在一個標準的辦公環(huán)境。定位標簽：下一組實驗的目的是要說明的是，在前面的步驟中產生的無線射頻識別技術可以用于本地化的機器人，甚至配備的無線射頻識別天線的人。在第一個實驗中，我們駕駛的機器人通過環(huán)境和應用蒙特卡洛定位，以全球范圍內估計車輛的位置。模擬情況，我們定位一個人而不是機器人我們簡單的忽略了里程計信息和在蒙特卡洛的定位過程

19、，改變了運動模型。正如上面已經提到的，我們使用了一個標準的運動模型 7 估計機器人的姿勢。為了定位和跟蹤一個人，我們高斯分布圍繞當前的姿勢簡單地取代了這個運動模型。這只是一個粗略的近似一個人的運動。更好的模型，因此可以預期的結果更準確的估計。圖9顯示了在僅使用射頻識別標簽的全球定位運行中的定位誤差。兩圖顯示全球定位沒有里程計定位誤差（reddark灰色）和odometty（greenflight灰色）。圖11中心圖像顯示的軌跡被跟蹤對象的時候沒有里程計信息的使用 。激光定位所獲得的相應的地面真理被描繪成一個相同的數(shù)字的正確圖像。可以看出，即使有這樣的嘈雜的傳感器的估計軌跡是相當接近地面的真相 改進RFID定位標簽：最后的實驗結果表明，RFID技術可以大大提高全球定位性能，即使在高度精確的傳感器，例如用于激光測距儀。為了分析這一點，我們使用了一個預先錄制的數(shù)據(jù)集，以確定如何有效地，機器人可以確定其在地圖的全球地位。由于RFID標簽放置