移动机器人定位的自适应功率调节射频识别系统

上海交通大学学报（自然版） ›› 2012, Vol. 46 ›› Issue (02): 207-212.

• 自动化技术、计算机技术 • 上一篇下一篇

移动机器人定位的自适应功率调节射频识别系统

王景川，方毅，陈卫东

（上海交通大学电子信息与电气工程学院，系统控制与信息处理教育部重点实验室，上海 200240)

收稿日期:2010-12-28 出版日期:2012-02-28 发布日期:2012-02-28
基金资助:
国家自然科学基金资助项目(60934006，61175088)，高等学校博士学科点专项科研基金资助课题(20100073110018)

Mobile Robot Self-Localization Based on RFID System with Adaptive Power Control

WANG Jing-Chuan, FANG Yi, CHEN Wei-Dong

(School of Electronic, Information and Electrical Engineering, Key Laboratory of System Control and Information Processing, Ministry of Education, Shanghai Jiaotong University, Shanghai 200240, China)

Received:2010-12-28 Online:2012-02-28 Published:2012-02-28

摘要/Abstract

摘要： 针对超高频UHF (Ultra High Frequency)射频识别RFID (Radio Frequency Identification)技术，提出了一种应用于移动机器人自定位的RFID自适应功率调节方法.在粒子滤波算法中，采用马氏距离作为粒子权重的评价函数，避免了粒子分离问题；同时，给出了粒子滤波定位性能的评价指标，并依此动态调节RF（Radio Frequency）功率，来适应当前局部环境中标签的分布特征.实验结果表明，该方法定位精度较高且一致性较好，同时优化了系统能耗.

关键词: 移动机器人, 自定位, 超高频无线射频识别, 粒子滤波, 自适应功率调节

Abstract: An adaptive power control system for RFID which is applying for mobile robot localization was proposed. The Mahalanobis distance is introduced to particle filter as an evaluation function for particle weight to avoid particle depletion. Meanwhile, an evaluation function for the performance of localization using particle filter was proposed and used to adapt antenna power to the distribution character of tags in a local environment. The experiments show that the proposed method obtains higher and more consistent localization accuracy as well as systems reduced power consumption.

Key words: mobile robot, selflocalization； ultra high frequency radio frequency identification (UHF RFID)； particle filter； adaptive power control

中图分类号:

TP 24

王景川, 方毅, 陈卫东. 移动机器人定位的自适应功率调节射频识别系统[J]. 上海交通大学学报（自然版）, 2012, 46(02): 207-212.

WANG Jing-Chuan, FANG Yi, CHEN Wei-Dong. Mobile Robot Self-Localization Based on RFID System with Adaptive Power Control[J]. Journal of Shanghai Jiaotong University, 2012, 46(02): 207-212.

参考文献

［1］

Gallegos G, Rives P. Indoor SLAM based on composite sensor mixing laser scans and omnidirectional images［C］//Proc IEEE Int Conf Robotics and Automation. Anchorage, Alaska: IEEE Press, 2010: 35193524.
［2］Sanpechuda T, Kovavisaruch L. A review of RFID localization: Applications and techniques［C］//Proc 5th IEEE Int Conf Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology. Krabi, Thailand: IEEE Press, 2008: 769772.
［3］Choi B S, Lee J W, Lee J J. Localization and mapbuilding of mobile robot based on RFID sensor fusion system［C］//Proc 6th IEEE Int Conf Industrial Informatics. Daejeon, Korea: IEEE Press, 2008: 412417.
［4］Han S, Lim H S, Lee J M. An efficient localization scheme for a differentialdriving mobile robot based on RFID system ［J］. IEEE Transactions on Industrial Electronics, 2007, 54(6): 33623369.
［5］Hahnel D，Burgard W，Fox D，et al. Mapping and localization with RFID technology［C］//Proc IEEE Int Conf Robotics and Automation. New Orleans, USA: IEEE Press, 2004: 10151020.
［6］Kim I, Kwak N, Lee H, et al. Improved particle filter using geometric relation between particles in FastSLAM［J］. Robotica, 2009, 27(6): 853959.
［7］Schneegans S, Vorst P, Zell A. Using RFID snapshots for mobile robot selflocalization［C］//Proc 3rd European Conf Mobile Robots. Freiburg, Germany: EMCR, 2007: 241246.
［8］Vorst P, Schneegans S, Yang B, et al. Selflocalization with RFID snapshots in densely tagged environments［C］//IEEE/RSJ Int Conf Intelligent Robots and Systems. Nice, France: IEEE Press, 2008: 13531358.
［9］Deyle T, Anderson C, Kemp C C, et al. A foveated passive UHF RFID system for mobile manipulation［C］//IEEE/RSJ Int Conf Intelligent Robots and Systems. Nice, France: IEEE Press, 2008: 37113716.
［10］Hori T, Wada T, Ota Y, et al. A multisensingrange method for position estimation of passive RFID tags［C］//IEEE Int Conf Wireless and Mobile Computing. Avignon, France: IEEE Press, 2008: 208213.
［11］Maesschalck R D, Rimbaud D J, Massart D L. The Mahalanobis distance ［J］.

Chemometrics and Intelligent Laboratory Systems, 2000, 50: 118.
［12］Thrun S, Fox D, Burgard W, et al. Robust Monte Carlo localization for mobile robots ［J］. Artificial Intelligence, 2000, 128(12): 99141.

编辑推荐 0

Metrics

阅读次数

全文

452

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	452

来源	本网站	其他网站

次数	27	425
比例	6%	94%

摘要

3466

最新录用	在线预览	正式出版

0	0	3466

来源	本网站	其他网站

次数	286	3180
比例	8%	92%

[1]	黄鹤, 吴琨, 李昕芮, 王珺, 王会峰, 茹锋. 自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法[J]. 上海交通大学学报, 2022, 56(2): 143-155.
[2]	高红莲, 尤杰, 曹松银. 基于PF-UKF组合滤波的SINS/GPS组合导航系统空中对准方法[J]. 上海交通大学学报, 2022, 56(11): 1447-1452.
[3]	侯煜冠, 韩远鹏, 谢金月, 毛兴鹏. 基于SDE模型的雷达组目标角度跟踪方法[J]. 空天防御, 2021, 4(1): 41-46.
[4]	毕晓君，胡菘益. 基于混合引导策略的高精度萤火虫优化粒子滤波算法[J]. 上海交通大学学报（自然版）, 2019, 53(2): 232-238.
[5]	孙一奇，吴爱国，董娜，邵一哲. 基于粒子滤波与改进GVF Snake的人手跟踪算法[J]. 上海交通大学学报（自然版）, 2018, 52(7): 801-807.
[6]	赵国旗a,b，杨明a,b，王冰a,b，王春香c. 基于智能终端的移动机器人室内外无缝定位方法[J]. 上海交通大学学报（自然版）, 2018, 52(1): 13-19.
[7]	张铁，马琼雄. 人机交互中的人体目标跟踪算法[J]. 上海交通大学学报（自然版）, 2015, 49(08): 1213-1219.
[8]	李雄杰1,2，周东华2. 混杂系统故障诊断的粒子滤波器方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 849-854.
[9]	曹洁a,b，李玉琴a，吴迪b. 基于改进差分进化的高精度粒子滤波算法[J]. 上海交通大学学报（自然版）, 2014, 48(12): 1714-1720.
[10]	裴福俊,李昊洋,武玫. 基于分布式无味边缘粒子滤波的同步定位与地图构建[J]. 上海交通大学学报（自然版）, 2014, 48(07): 986-992.
[11]	刘士荣1,2，吴楚1,3，张波涛1,2，章海兵1,2. 基于极线约束SIFT特征和粒子滤波的目标跟踪算法[J]. 上海交通大学学报（自然版）, 2014, 48(07): 1026-1032.
[12]	万磊，杨勇，李岳明. 水下机器人执行器的高斯粒子滤波故障诊断方法[J]. 上海交通大学学报（自然版）, 2013, 47(07): 1072-1076.
[13]	曹松晓,王宣银,向可. 基于内侧轮廓模型的粒子滤波轮廓跟踪[J]. 上海交通大学学报（自然版）, 2013, 47(07): 1022-1026.
[14]	张铁栋, 万磊, 王博, 曾文静. 基于改进粒子滤波算法的水下目标跟踪 [J]. 上海交通大学学报（自然版）, 2012, 46(06): 943-948.
[15]	杨宁1, 钱峰2a, 朱瑞2b. 基于遗传算法的改进粒子滤波算法[J]. 上海交通大学学报（自然版）, 2011, 45(10): 1526-1530.

移动机器人定位的自适应功率调节射频识别系统

Mobile Robot Self-Localization Based on RFID System with Adaptive Power Control

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐 0

Metrics

本文评价