不论是支持与理解，还是不同见解，请先关注后一起参与评论探讨，感谢支持！

文丨江玉珘

编辑丨江玉珘

?——【·前言·】——?

移动机器人的定位问题是机器人领域最基本的挑战之一，无论机器人的结构、工作空间还是任务如何，都需要解决这个问题作为先决条件。

使用了Dempster-Shafer和卡尔曼滤波器这两种主要工具，来集成和处理机器人传感器数据，以获得在不稳定环境中实现最佳定位估计的方法，尤其在农业应用中。

为了提高定位的可靠性，引入了一种新方法，根据每个传感器的可靠性来对GPS传感器和车轮编码器的数据进行权衡。

简介

现如今，农业自动化已成为不可避免的趋势，因为它可以节省成本并提高单位面积产量。机器人技术在农业自动化中发挥着重要作用，它可以减少艰苦、危险、致命和长时间的工作条件，同时实现精确的监测和控制。

随着该领域研究的发展，以及光学、超声波和无线电传感器等用于引导机器人的工具的进步，人们开始思考如何提高机器人的精度和速度。

数据融合是一种整合多个信息源的数据以获得更清晰图像的方法，目前在各个领域得到广泛应用，包括传感器网络、机器人、照片和视频处理以及智能系统设计。

尽管在数据融合领域进行了大量研究，但智能系统与生物体能力，特别是人脑的能力之间仍存在很大差距。

克莱因提供了传感器数据集成的定义，即将来自同一类型或不同数据源的传感器数据进行组合，这两个定义都为传感器的通用使用提供了基础，并可应用于遥感等各种应用。

在定位研究中，将全球定位系统与其他传感器相结合，可以得到比单独使用GPS更准确的结果。

结合GPS速度和惯性测量传感器用于测量车辆和轮胎转弯时的侧偏角，还有研究为农用拖拉机配备智能导航系统，包括机器视觉传感器和光纤陀螺仪。

其他研究中将定位传感器与振动陀螺仪和倾斜仪相结合，在动态和不确定的环境中实现安全舒适的移动机器人导航，需要扩展移动机器人分析控制、基于采样的最佳路径规划等最新技术，以及随机模型预测控制。

农业自动化的发展和机器人技术的进步为农场的高效运营提供了新的可能。

数据融合在提高定位精度和速度方面发挥着重要作用，而将多种传感器相结合可以在复杂环境下实现更准确的导航和控制，这些研究成果对推动农业自动化和移动机器人技术的发展具有重要意义。

在2003年，谢弗等人提出了证据理论，后来被称为登普斯特-谢弗理论。该理论的基础是将数据整合到可以管理信息缺陷的证据或信念中。

它重新解释了20世纪60年代Arthur Dempster的研究，并在此基础上由Shafer等人做了较大的修改。

近年来，提出了两种新的划分方法，以及在DS方法中应用的一些模拟，另一项研究中，刘等人在Dempster-Shafer理论中，引入了一种新的加权方法，利用不同方法获得的证据对目标进行分类。

尽管机器人和控制领域的研究非常广泛，但在农业产业本地化计划和方法的实施方面，受实验室环境与实际条件的差异影响，相关研究较少。

由于高精度传感器成本高且存在接入限制，采用Dempster-Shafer理论和卡尔曼滤波等多种方法将全球定位单元和惯性测量单元结合起来，并对其结果进行比较，以在适当的成本范围内选择准确的定位方法。

在比较KF和DS方法的定位误差时，使用了MAD和MSE两个标准，在正常情况下，即高斯噪声存在时，KF方法的平均误差为2.59%，优于DS方法的3.12%的误差。

当面对非高斯噪声暴露时，KF方法的信息与中等误差相关，而DS方法在这种条件下没有明显的改进。实验测试证实了这一结论。

农业场景下的移动机器人定位问题

为类似汽车的机器人创建一个模型，这种机器人是四轮驱动的，其典型模型称为自行车模型，它具有两个后轮和两个前轮，前轮可以绕垂直轴旋转以进行转向。

用运动坐标系来表示机器人的位置，其中x轴对应于机器人前进的方向，并且坐标系的中心对应于机器人后轴的中心，机器人的配置用通用坐标q = (x, y, θ) ∈ C来表示，其中C是欧几里得二维空间。

在这个坐标系中，机器人的速度是沿着x轴的，因为机器人不能侧滑，并且由于速度较低，纵向滑移和离心力可以忽略不计。

随着机器人长度的增加，机器人的圆形路径的半径会增加，由于转向角有一个机械极限，其最大值限制了最小R1值，如果转向角保持不变，机器人将沿着圆弧运动。

可以看到R2 > R1，这意味着前轮必须行驶更长的距离，因此具有比后轮更高的速度，在四轮机器人中，外侧轮以与内侧轮不同的径向旋转。

方向盘的转向角之间的差异很小，并且可以利用方向盘上的阿克曼转向机构来实现这种差异，同样，在移动的轮子中，旋转速度也会发生变化。

为了获得机器人运动的动态环境和视觉表示，使用Matlab软件中的SimMechanics模块，将机器人模型单独互连，这样可以与Simulink环境相结合，观察机器人在处理各种控制算法时的行为。

在机器人上放置传感器来报告其位置和角度，使得这些机器人功能在整个路径中都可用，机器人以匀速运动，转向角是唯一的控制变量。

在Simulink中编写控制器实现仿真模型的控制命令，通过报告每个关节的旋转量，实际上每个轮子上都有一个编码器，它每秒产生弧度输出。

展示机器人的仿真，以及将SolidWorks的各个部件传输到SimMechanics，并对每个部件进行了说明。

登普斯特-谢弗的证据理论在数据融合中是最强大的方法之一，该方法能够集成任何数值、信号和多维数据，是在决策层面合并数据的有效方法。

将首先展示如何使用DS证据理论来实现运动物体的精确定位，并将该方法的定位性能与KF方法进行比较。

DS理论能够概括贝叶斯方法，可以处理传感器信息缺陷，在所有必要信息均可用的情况下，所有数据融合方法都提供了全面且可接受的结果。

在缺乏敏感性和敏感性数据的情况下，它们可能不可靠，因为这些方法需要对传感器数据做出可能与实际数据不匹配的假设，导致相互矛盾的结果。

而DS理论不受模型缺陷或先前信息缺陷的限制，证据仅根据获得的数据确定，而不是根据假设的数据确定，因此可以得出结论，该方法是一种快速且准确的组合不完整数据的工具。

在使用DS方法进行传感数据融合时，需要为每个数据源分配权重，通过数据的标准差，对于最后产生的N个数据，确定每个传感器的数据验证量。

如果最后N个数据的标准差小于指定值α，则该传感器的跳跃较少，置信度较高；如果标准偏差大于该值，则可靠性降低，α和N的值是根据传感器数据的行为或专家意见凭经验确定的。

实时导航中的数据融合及定位性能验证

实际实现无人地面车辆的实时导航，这辆车是由德黑兰大学生物系统机械工程系制造的移动机器人，它的转向机构采用伺服机构。

实现了上述控制器，并通过两个案例研究对这个平台进行了检验，以验证仿真结果。

在实验中，使用NEO-M8N GPS模块和GY-801 IMU/AHRS模块，在平台测试中生成了线性和圆形平滑路径作为所需路径，并将它们作为输入馈送到系统中，得到了实际的路径。

可以看到期望路径与实际路径之间的关系，使用均方根误差标准来比较这两种方法的性能，Dempster-Shafer方法在路径跟踪方面表现更好。

和显示了圆形路径期间实际定向角和期望定向角之间的误差，在车辆定位中，Dempster-Shafer方法比卡尔曼滤波器，提供了更好的性能和更少的误差。

通过Dempster-Shafer方法进行路径跟踪，线性路径中与期望路径的平均偏差约为15.5厘米，在圆形路径中约为17厘米。

该方法在圆形路径跟踪期间显示出约17.7度的方向误差，使用卡尔曼滤波器进行定位，可以弥补线性路径中，约4.7%的较高误差和圆形路径中约5%的误差。

通过卡尔曼滤波方法，圆形路径的定向误差约为23度。

采用了Dempster-Shafer和卡尔曼滤波算法，作为数据融合工具来模拟农用拖拉机机器人的控制和实际定位。

在应用非高斯噪声时，Dempster-Shafer方法表现更好，验证了它在接近真实条件下的可靠性。

为了验证这种方法的有效性，并比较这两种数据融合方法在现实条件下的定位，在农作物土壤上设计了两条路径，通过论文中描述的控制器进行自主导航。

结果显示，Dempster-Shafer方法比卡尔曼滤波器具有更好的性能。

提供使用DS和KF方法进行机器人定位的研究，在农业应用中的可行性，通过对传感器数据的权衡，提高了定位的可靠性。

在正常情况下，KF方法表现更优，但在非高斯噪声暴露条件下，DS方法也显示出一定的潜力，这些发现对于解决移动机器人定位问题有着重要的参考价值。

在实验中，通过GPS和IMU/AHRS传感器，移动机器人在仿真和实际场景下进行了测试，对于路径跟踪和定向角的比较，DS方法表现出更好的性能和更少的误差。

尤其在应对非高斯噪声情况下，DS方法显示了更可靠的定位结果，它能够处理传感器信息缺陷，不受模型缺陷或先前信息缺失的限制。

Dempster-Shafer方法在农业机器人定位方面具有潜力，并且在现实条件下表现良好，这为农业自动化和智能农业技术的发展提供了有力的支持。

通过有效地将数据融合，移动机器人能够更准确地跟踪路径，提高定位的精度和可靠性。

结论

移动机器人在农业场景中的定位问题，并比较了两种数据融合方法，即Dempster-Shafer和卡尔曼滤波器。

通过在Matlab软件的SimMechanics中实现机器人模型，实际验证了这些方法在实时导航中的应用。

展示了Dempster-Shafer方法在移动机器人定位中的优势，并为农业领域中机器人技术的应用提供了有益的启示。

未来的研究可以进一步深入探索数据融合算法和移动机器人控制的结合，以实现更高效、准确的农业自动化系统。