MicrocomputerApplicationsVol.27,No.6,2011
文章编号：1007-757X(2011)06-0001-03
研究与设计微型电脑应用2011年第27卷第6期
基于
RFID技术的移动机器人定位方法研
方毅
究
摘要：RFID技术利用无线射频信号在读写器与标签之间进行数据通信，射频信号具有一定的穿透性，解决了机器人定位
与地图创建过程中传感器非视距的问题。提出了一种新颖的利用周围环境中少量的位姿未知的标签来估算出机器人位姿的方法，并采用粒子滤波算法来增强算法的鲁棒性。同时，还引入了RFID天线功率切换器来提高地图创建的准确性，降低了机器人的定位误差。最后通过定量分析影响定位效果的3个主要因子，证明了这种定位方法具有较高的定位精度。关键词：RFID；粒子滤波；功率切换；移动机器人中图分类号：TP311
文献标志码：A
0引言
在机器人定位研究领域中，定位与建图过程中的传感器非视距问题依然存在[1]。近年来，射频识别技术（RadioFrequencyIdentification,RFID）因为具有非视距数据通信等优点，使得它在机器人建图和定位等领域中的应用也成为了一个热门的研究课题。
以往的研究主要集中在使用比较成熟的125KHz的低频RFID和13.56MHz的高频RFID。因为RFID标签可以存储信息，研究者先把位姿信息存放在标签中，把RFID读写器放在机器人底部，来实现机器人的高精度定位[2]。由于标签距离间隔会影响机器人的定位精度，因此采用三角形方式标签布置方法可以减少机器人的定位误差[3]。低频和高频RFID定位精度较高，但是它的读写距离较小（一般小于20cm），需要布置大量的标签。D.Hahnel把RFID标签信息与基于激光传感器的快速SLAM算法相结合，实现了机器人的鲁棒性定位[4]。但是，他的定位方法需要对RFID读写器建立模型，同时需要额外的激光传感器信息作辅助。RFID读写器发出电磁波的信息（角度偏差[5]等）也可以用来定位导航，但是这种定位导航方法带有很大的不确定性，极易受环境因素影响。
基于现有算法的不足，本文提出了一种利用周围环境中的标签来估算出机器人位姿的方法。同时，引入功率切换器修正机器人的建图与定位，提高了机器人定位精度。
的次数。标签越靠近天线，被读取的次数就越多。这样就可以形成一个标签向量F=[f1,f2,…,fn]T，0≤fi≤N。这个标
签向量和对应的机器人位姿称之为一个样本。
图1移动机器人实物图
1系统结构
RFID系统主要由读写器、天线、标签和计算机系统组成。读写器通过发射和接收电磁波信号来实现标签ID识别和数据交互的功能。在本文中，采用的是超高频RFID系统。它的识别距离可以达到6米，以与机器人朝向成30°的方向安放在机器人上。如图1所示。
读写器可以同时读取多个标签的ID，也可以在某一段时间内对标签进行多次读取。因此，可以对周围环境中的标
签重复读取N（实验中N=4）次，并记录下每个标签被读取
——————————————
机器人的定位可以分为两个阶段：建图阶段和定位阶
段。在建图阶段，机器人不断收集存储样本形成样本库；在定位阶段，机器人通过计算标签期望被读取的概率与当前的标签向量的匹配度，得到机器人的位姿。当标签被读取次数和概率不相对应时，说明匹配度较低，则标签的二次分布概率较小；当读取次数和概率相对应时，说明匹配度较高，则二次分布概率较大。同时，标签识别还具有一定的误识别率。基于上述考虑，本文中设定当N=4时，标签被读取次数与概率的对应关系如表1所示。
表1N=4时标签被读取次数f与概率q的对应关系fq
00.0084
10.3206
20.4999
30.6667
40.8337
2定位算法
2.1基于RFID技术的粒子滤波
作者简介：方毅（1986-），男，上海交通大学自动化系，硕士研究生，主要研究方向为移动机器人定位与导航，上海200240
1
MicrocomputerApplicationsVol.27,No.6,2011研究与设计微型电脑应用2011年第27卷第6期
在粒子滤波算法中，通过一系列粒子z1,z2,z3,…,zn来估计机器人的位姿[6]，每一个粒子zi都包含了假设的机器人位姿si和评判这个假设的真实性的权重wi。粒子滤波算法分为两个阶段：预测阶段和更新阶段。预测阶段是在t时刻粒子分布zt1,zt2,zt3,…,ztn的基础上，根据运动模型采样出t+1时刻粒子的分布zt+11,zt+12,zt+13,…,zt+1n，每个粒子的权重相等；更新阶段是由观测模型计算出每个粒子的权重，进而得到机器人的位姿。
（1）wti+1=η×p(Ft+1|zit+1)
其中η为归一化因子。随着滤波次数的增加，粒子会发生退化。当粒子退化到一定程度后，就需要对粒子进行重采样（比如，粒子的权重平方和大于某一阈值），增加权重大的粒子，淘汰权重小的粒子。
重复执行粒子预测和更新，就能不断更新粒子的位姿和权重。这些粒子位姿的权重和就是当前机器人的位姿。wk+1i是由当前RFID读写器读到的标签向量和每个标签期望被读取概率来决定。对于标签k，当前标签向量中的读取次数fk和计算出来的期望读取概率qk越匹配，则它的二次分布概率就越高；相反，则二次分布概率就越低。通过当前标签向量中每个标签的二次分布概率，可以计算出粒子的权重，即粒子是真实机器人位姿的可能性。在t+1时刻，通过粒子zi周围的样本可以估算出在粒子si位置上每个标签期望被读取的次数。即：
(∑αiFi(z))
i=1m
表4qk=0.4999时标签二次分布概率与次数的关系fkp(fk|qk)
00.0626
10.2501
20.3750
30.2499
40.0625
表5qk=0.6667时标签二次分布概率与次数的关系fkp(fk|qk)
00.0123
10.0987
20.2963
30.3951
40.1976
表6qk=0.8337时标签二次分布概率与次数的关系fkp(fk|qk)
00.0008
10.0153
20.1153
30.3855
40.4831
2.2功率切换器
在建图和定位过程中，由于标签之间相距一定的距离，机器人移动一小段距离看到的标签向量可能是相同，采集到的样本存在冗余。因此，需要对建图和定位方法进行修正。根据RFID天线能够实时设定功率的特性，可以通过切换RFID天线的功率来提高样本的差异性，进而提高机器人的定位精度。在采集相同数量样本的情况下，机器人的能耗更低，工作时间更长。
把天线功率分为两个等级，分别为100%功率和50%功率。在建图阶段，RFID天线的功率在两个功率等级之间不断切换，不断采集周围样本形成两个样本库。在定位阶段，切换天线功率获得两个当前标签向量。利用两个当前标签向量计算出粒子的权重值。计算粒子权重的公式可以修改为：
p(F|z)=∑Ci×pi(F|z)
i=12
F(z)=
（2）
ei
si
m
（7）
α=η×exp(i
12
×(
σ
)2)
（3）
p1(F|z)和p2(F|z)分别对应于100%功率和50%功率。由于功率越大，被读取的标签数量就越多，因此C1>C2。
F1(z),F2(z),…,Fm(z)是粒子周围的样本，η为归一化因子。ei是样本Fi(z)被采集时的机器人位姿。在计算出每个标签期
*
望被读取的次数fk后，可以求得每个标签期望被读取的概率。即：
qk(fk)=H(fk),fk∈F(z)
*
*
*
3实验分析
（4）
H(.)函数由表1决定。根据机器人获得的当前标签向量，可以求得每个标签的二次分布概率p(fk|qk)：
f
p(fk|qk)=CNqkf(1qk)N
k
k
fk
（5）
为了说明这种定位方法性能，对影响定位精度的三个
主要因子（标签密度、样本库大小、粒子滤波的粒子数）进行了定量分析。实验环境是一个约4m×12m的实验室，如图2所示。在建图阶段，利用里程计来获得机器人的位姿，即每一个样本对应的位姿信息。为获得比较准确的样本位姿信息，建图时需要手工修正里程计的累计误差。实验过程为了定量分析误差，让机器人沿着一条长约460cm、宽约200cm的长方形路径行走，行走速度约为20cm/s。
标签二次分布概率与读取次数的匹配关系如表2、表3、表4、表5和表6所示，则可以计算出粒子的权重，即：
p(F
t+1
|z)=∏p(fj|qj(r))
t+1i
j=1
k
（6）
表2qk=0.0084时标签二次分布概率与次数的关系fkp(fk|qk)
00.9668
10.0326
20.0004
30.0001
40.0001
图2实验环境和标签分布示意图
表3qk=0.3206时标签二次分布概率与次数的关系fkp(fk|qk)
00.2131
10.4022
20.2847
30.06
40.0106
3.1标签密度
首先分析标签密度对机器人定位精度的影响。沿着实
验环境四周布置标签，设定标签相距1米为低密度，相距0.5米为中密度，相距0.25米为高密度。2
MicrocomputerApplicationsVol.27,No.6,2011研究与设计微型电脑应用2011年第27卷第6期
从图3可以看到标签密度越高，标签之间的间隔也就越小，定位误差就越小。由于每个标签相隔一定的距离，机器人即使是在不同的位姿上，也有可能采集到相同样本。因此，标签密度越低，就越容易出现不同位姿采集到相同样本的情况，粒子权重的计算也越可能偏离准确值，机器人的定位误差也就越大。
10080)
米60厘(差误40200
10
20
30t\\s
40
50
60
低密度中密度高密度
由图6可以看出，在本方法中50个粒子数的粒子滤波就已经可以达到较好的定位效果，粒子数量的增加对定位精度没有太大的影响。粒子数量在本方法中并不是一个比较关键的定位精度影响因子。
807060)m50c(差40误3020100
10
20
30t\\s
40
50
60
50个粒子100个粒子200个粒子
图6粒子数对定位精度的影响
图3标签密度对定位精度的影响
4结论
本文利用RFID系统进行移动机器人定位。定位分为
3.2样本库大小
图4可以看出，样本数量从1000个增大到2200个，对机器人的定位精度有较大的提高。因为样本越多，估算出来的期望标签向量就越能反映出真实的情况，粒子权重的计算也越准确。但是，当样本数量继续增大到3600个时，单位面积内的样本已经接近饱和，采集更多样本对定位精度的提高没有太大改善。同时由图5可以看出，在样本数量都是1000个的情况下，引入天线功率切换的定位效果明显要好于没有功率切换的。
60
1000个样本
50)
mc40(差误30200
10
20
30
t\\s
40
50
60
2200个样本3600个样本
两个阶段：机器人首先不断采集周围的样本信息形成样本库；然后，通过估算标签的期望读取概率来计算粒子的权重。同时，还引入了功率切换器来降低样本库的冗余度。
在实验分析各个定位的影响因子后，证明了本文方法定位精度较高。把RFID定位方法应用到智能家居里的机器人，可以极大的发挥RFID的优点。标签除了辅助定位外，还可以提供物体（药品等）的信息、记录机器人的运动轨迹等功能。
参考文献
[1]WelleJ,SchulzD,etal.Optimizationtechniquesforlaser-based
3DparticlefilterSLAM[C].//ProcIEEEIntConfRoboticsandAutomation.Anchorage,Alaska:IEEEPress,2010.3525-3530.
[2]ByoungSC,JoonWL,andJuJL.Localizationand
Map-buildingofMobileRobotBasedonRFIDSensorFusionSystem[C].//6thIEEEIntConfIndustrialInformatics.Daejeon,Korea:IEEEPress,2008.412-417.
[3]SoonshinH,HyungSooL,andJangMyungL.AnEfficientLo-calizationSchemeforaDifferential-DrivingMobileRobotBasedonRFID
图4样本库大小对定位精度的影响
100
无功率切换
有功率切换
80)mc(
差60误400
10
20
30t\\s
40
50
60
System[J].//IEEETransactionsonIndustrialElectronics,2007,54(6):3362-3369.
[4]DHahnel,WBurgard,etal.MappingandLocalizationwith
RFIDTechnology[C].//ProcIEEEIntConfRoboticsandAutomation.NewOrleans,USA:IEEEPress,2004.1015-1020.
[5]WGueaiebandSMiah.Anintelligentmobilerobotnavigation
techniqueusingRFIDtechnology[J].//IEEETrans.InstrumentationandMeasurement,2008,57(9):1908-1917.
[6]SThrun,DFox,etal.RobustMonteCarloLocalizationforMo-bileRobots[J].//ArtificialIntelligence,2000,128(1-2):99-141.
图5天线功率切换对定位精度的影响
3.3粒子数大小
(收稿日期：2010.10.18)
3
