基于改进支持向量回归算法的移动机器人定位

王春荣　夏尔冬　吴龙　刘建军　熊昌炯

摘要：

为了提高移动机器人定位精度，提出了一种基于正交编码器和陀螺仪的轮式移动机器人定位系统，建立机器人的定位模型和运动学模型。研究了支持向量回归（SVR）算法，为获得更好的鲁棒性，对目标函数误差平方进行加权，分析不同参数优化算法对支持向量机回归准确率的影响。以自制的移动机器人为实验平台，将改进的算法与最小二乘支持向量回归（LSSVR）算法、加权最小二乘支持向量回歸（WLSSVR）算法进行比较，对比了用改进算法时机器人在木地板场地与瓷砖场地的定位误差情况，并对正交编码器+陀螺仪定位系统与双码盘定位系统、单码盘+陀螺仪定位系统进行比较。实验结果表明，改进的算法使机器人的定位精度明显高于对比算法，并且所提出的定位系统定位效果较好。

关键词：

机器人；定位模型；运动模型；加权最小二乘支持向量回归算法；定位精度

中图分类号：

TP242

文献标志码：A

Abstract：

In order to improve the positioning accuracy of mobile robots， a kind of positioning system for wheeled mobile robots based on orthogonal encoder and gyroscope was proposed， and the positioning model and kinematics model of robot were established. With the purpose of obtaining better robustness， Support Vector Regression （SVR） algorithm was studied， the error square of objective function was weighted， and the effect of different parameter optimization algorithms on the accuracy of SVR were analyzed. The experimental platform was established by homemade mobile robot， the Least Squares Support Vector Regression （LSSVR） algorithm and the Weighted Least Squares Support Vector Regression （WLSSVR） algorithm were compared with the improved algorithm. The positioning errors of the improved algorithm when the robot worked on ceramic and wood floor were compared， and the orthogonal encoder plus gyroscope positioning system was compared with the double encoder positioning system and the single encoder plus gyroscope positioning system. The experimental results show that the robot positioning accuracy of the improved algorithm is higher than comparison algorithms， and the proposed positioning system has a better location performance.

英文关键词Key words：

robot； localization model； kinematic model； Weighted Least Squares Support Vector Regression （WLSSVR） algorithm； positioning accuracy

0引言

机器人是一门综合性的交叉学科，涉及多方面的研究领域，包括机械结构设计、图像处理、自动控制、人工智能以及定位技术等，且适用于一些危险、肮脏、狭小等场所。随着传感器机器技术的不断发展，机器人的应用领域越来越广泛，特别是自主移动机器人逐渐受到众多学者的关注。自主移动机器人能够根据其内部所存储的地图以及外部传感器提供信息实现自主定位，正成为智能机器人的研究热点[1-2]。

移动机器人应该能够解决导航中的三大问题，即：“我在哪里” “我要去哪里” “我如何到达那里” 。不同类别的机器人，采用的定位技术[3-5]有一定差别。本文主要研究相对定位技术。王金[6]提出了一种以双码盘实现对差动机器人的定位，但双码盘定位方式经过长距离运动容易累积误差，影响定位精度；文献[7]提出一种通过建立里程计的非系统误差模型对因长距离运动里程计产生的累积误差进行补偿，能提高机器人的定位精度；文献[8]分析了单码盘结合陀螺仪和双码盘定位方式，但单码盘结合陀螺仪的安装精度对机器人的定位误差具有较大的影响。针对上述问题，本文提出了一种正交码盘与陀螺仪结合的定位系统，并建立梯度优化的在线加权最小二乘支持向量回归（Gradient Optimization Online Weighted Least Squares Support Vector Regression，GOOWLSSVR）误差补偿模型，来提高移动机器人的定位精度。

1移动机器人设计

轮式移动机器人[9-10]是最常见的运动方式，19世纪

Nils Nilssen等开发的轮式机器人Shakey，是典型人工智能技术应用，而通过全向轮构成全向移动机器人具有结构简单、精确定位以及全向运动能力等优点而被广泛应用。

本文所设计的全向移动机器人底盘以三个全向轮轴心互成120°构成，且具有独立驱动，采用双排全向轮相结合，提高机器人的负载能力和避免侧滑现象的发生，同时在其尾部增加两个万向轮，增加机器人的稳定性。机器人位姿信息主要通过安装在底盘的正交（互相垂直）码盘与陀螺仪获得，为了能更加准确地得到机器人的位姿信息，分别在两个码盘上各安装一个全向轮。自制的实验机器人如图1所示。

3支持向量机算法

移动机器人具有多种定位方式，不论采用哪一种，最终目的是要实现其自主定位以及避障等任务。本文提出的正交码盘+陀螺仪定位是一种比较新颖的、有效的定位方式，但为了进一步校正、减小定位误差，采用在线支持向量回归机预测机器人的位姿，并及时对其进行补偿。

支持向量机 （Support Vector Machine， SVM） [11-12]是Vapnik与Corinna Cortes在1995年提出，用于解决数据挖掘、分类以及回归估计等问题的有效算法。因为SVM在解决小样本、非线性及高维模式识别中表现出的很多独有特点，及可以用在函数拟合等机器学习中，支持向量机一直是科研工作者研究的热点，而且随着支持向量机在回归预测方面的研究不断深入，应用也日渐增多。

但是支持向量机在计算二次规划问题时，具有较大的计算量并且随样本数量的增加耗时越长，严重影响实时性。在线支持向量机与传统的批量训练方法最大不同在于其对样本进行更新，即具有样本滚动过程。在k+l时刻对样本进行更新，加入新的样本（xk+l，yk+l），丢弃最早的样本（xk，yk），从而将核函数矩阵更新为Q（k+1）=K（xi+k，xj+k）（i， j=1，2，…，l）。

3.1基于梯度算法参数优化算法

梯度算法是一种在多维无约束极值问题求解常用的方法，是文献[13]中刘昌平等提出的一种用于支持向量机算法参数优化的新方法。

该算法的主要特点：1）收敛速度快，在优化求解过程中与给定的初始区域不相关，理论上可以选择任意的点作为初始点；2）当陷入局部最优，可通过扩大搜索空间跳出局部最优；3）以混沌优化方法在搜索空间内寻找最优点，并以找到的最优点作为梯度方向进行迭代。

梯度优化在线加权最小二乘支持向量回归（GOOWLSSVR）算法原理如图3所示，其中加权最小二乘支持向量回归机（Weighted Least Squares Support Vector Regression， WLSSVR）算法的核参数C、g、ε通过梯度算法得到。

3.3算法的实现

步骤1首先，采集初始样本集S，确定WLSSVR参数C、g、ε的值，首次通过经验选定。

步驟2计算ek、、vk、核矩阵及b、a，构造位姿预测函数。

步骤3预测出下一点的位姿（xi+1，yi+1，θi），并将其反馈至运动控制系统，控制机器人向预测的位姿方向运动，并及时进行误差补偿；i++；i∈0，1，…，n对位姿个数i进行加1操作，且满足i∈0，1，…，n。

步骤4判断机器人定位误差是否满足e（i+1）=（Yi+1（ti+1）-Yi+1）≤emin，式中，Yi+1（ti+1）为i+1时刻机器人的理论位姿，Yi+1为机器人控制系统获得的实际位姿。如果满足要求则参数选择合理，跳转至步骤5，否则转至步骤6。

步骤5对样本进行更新，即将Si更新为S，其中S比Si增加了当前路径的实测位姿坐标，程序转至步骤3。

步骤6梯度优化算法调整在线WLSSVR参数C、g、ε，程序转至步骤2。

4实验结果与分析

4.1不同参数寻优算法比较

支持向量机算法分类与回归的准确率受其参数影响[14-15]。本文以均方误差为目标函数，比较网格算法、遗传算法和梯度算法寻求的最优参数。

实验条件：以图1所示的自制机器人为实验平台，设置x=600 sin（2πy/3000），y∈[0，3000]（单位：mm）为机器人的运动轨迹，码盘为600线增量式光电编码器，陀螺仪为IDG300，运动场地为木地板，三种算法得到的最优参数如表1所示。

分析实验结果可知，采用梯度算法寻求最优参数时，所得到回归均方误差（Regressive Mean Error， RME）较另外两种算法小，表明其寻得的参数能使支持向量机算法的精度更高。

通过以上实验分析发现，瓷砖场地与木地板场地摩擦系数不同，定位精度效果不同。其中，瓷砖场地由于摩擦系数较小，使得机器人容易发生打滑、跑偏等现象，其定位精度相对较低，定位误差波动很大。虽然在瓷砖场地上有些点的定位精度比木地板场地高，这是因为瓷砖场地容易打滑，机器人发生漂移、侧移等现象，使机器人滑动靠近至目标点，然而通过本文的算法仍可将其控制在一定的范围之内，且比LSSVR算法与WLSSVR算法的定位精度高，表明本文的算法具有一定的优越性，可适用于不同的运动场地。

4.4不同定位系统比较

为了验证本文提出的正交码盘+陀螺仪定位系统的有效性，与常见的双单码盘定位、单码盘+陀螺仪定位进行比较。其他实验条件与上述相同，机器人的运动轨迹为x=600 sin（2πy/3000），y∈[0，3000] （单位：mm），重新实验，所得实验结果如图8、图9所示。

通过分析实验结果可知，本文提出正交码盘+陀螺仪定位系统的定位精度高于双单码盘定位及单盘码盘+陀螺仪定位方式。

5结语

基于室内移动机器人定位技术是当前研究热点，本文提出了正交码盘+陀螺仪的定位系统，并改进了支持向量回归算法，以自制的机器人为实验平台，采用大量的实验数据与传统的支持向量机算法、不同的运动场地、不同的定位系统相比，表明所提出的定位系统与改进算法的有效性，并可适用于不同摩擦系数的场地，具有良好的定位效果。下一步工作是对室外移动机器人定位技术以及算法的移植性进行研究。

参考文献：

[1]

李磊，叶涛，谭民.移动机器人技术研究现状与未来[J].机器人，2002，24（5）：475-480.（LI L， YE T， TAN M. Present state and future development of mobile robot technology research [J]. Robot， 2002， 24（5）： 475-480.）

[2]

李群明，熊蓉，褚健.室内自主移动机器人定位方法研究综述[J].机器人，2003，25（6）：560-567.（LI Q M， XIONG R， CHU J. Localization approaches for indoor autonomous mobile robots ： a review [J]. Robot， 2003， 25（6）： 560-567.）

[3]

KWON Y S， YI B J. Design and motion planning of a twomodule collaborative indoor pipeline inspection robot [J]. IEEE Transactions on Robotics， 2012， 28（3）： 681-696.

[4]

BELKHOUCHE F， BENDJILALI B. Reactive path planning for 3D autonomous vehicles [J]. IEEE Transactions on Control Systems Technology， 2012， 20（1）： 249-256.

[5]

CHU K， LEE M， SUNWOO M. Local path planning for offroad autonomous driving with avoidance of static obstacles [J]. IEEE Transactions on Intelligent Transportation Systems， 2012， 13（4）： 1599-1616.

[6]

王金.双码盘定位机器人的位姿辨识算法[J].硅谷，2010（12）：53.（WANG J. The posture recognition algorithm of robot based on double encoder position [J]. Silicon Valley， 2010（12）： 53.）

[7]

杨晶东，洪炳镕，周彤.移动机器人里程计非系统误差不确定性分析方法[J].机械工程学报，2008，44（8）：7-12.（YANG J D， HONG B R， ZHOU T. Analysis approach to odometric nonsystematic error uncertainty for mobile robots [J]. Chinese Journal of Mechanical Engineering， 2008， 44（8）： 7-12.）

[8]

陳孟元.基于FPGA的移动机器人运动控制器的实现[J].井冈山大学学报（自然科学版），2014，35（5）：56-62.（CHEN M Y. Realization of mobile robot motion controller based on FPGA [J]. Journal of Jinggangshan University （Natural Sciences）， 2014，35（5）： 56-62.）

[9]

ALARAJI AS. Development of kinematic pathtracking controller design for real mobile robot via backstepping slice genetic robust algorithm technique [J]. Arabian Journal for Science and Engineering， 2014， 39（12）： 8825-8835.

[10]

MORALES R， SIRARAMREZ H， SOMOLINOS J A. Robust control of underactuated wheeled mobile manipulators using GPI disturbance observers [J]. Multibody System Dynamics， 2014， 32（4）： 511-533.

[11]

陈增照，杨扬，何秀玲，等.基于核聚类的SVM多类分类方法[J].计算机应用，2007，27（1）：47-49.（CHEN Z Z， YANG Y， HE X L， et al. SVM multiclass classification based on kernel clustering algorithm [J]. Journal of Computer Applications， 2007， 27（1）： 47-49.）

[12]

王晓丹，郑春颖，吴崇明，等.一种新的SVM对等增量学习算法[J].计算机应用，2006，26（10）：2440-2443.（WANG X D， ZHENG C Y， WU C M， et al. New algorithm for SVMbased incremental learning [J]. Journal of Computer Applications， 2006， 26（10）： 2440-2443.）

[13]

劉昌平，范明钰，王光卫，等.基于梯度算法的支持向量机参数优化方法[J].控制与决策，2008，23（11）：1291-1295.（LIU C P， FAN M Y， WANG G W， et al. Optimizing parameters of support vector machine based on gradient algorithm [J]. Control and Decision， 2008， 23（11）： 1291-1295.）

[14]

董国军，哈力木拉提·买买提，余辉.基于RBF核的SVM核参数优化算法[J].新疆大学学报（自然科学版），2009，26（3）：355-358.（DONG G J， Halmurat MaimaitMAIMAIT H， YU H. Algorithms of optimizing SVMs kernel parameters with RBF kernel [J]. Journal of Xinjiang University （Natural Science）， 2009， 26（3）： 355-358.）

[15]

周辉仁，郑丕谔，赵春秀.基于遗传算法的LSSVM参数优选及其在经济预测中的应用[J].计算机应用，2007，27（6）：1418-1419.（ZHOU H R， ZHENG P E， ZHAO C X. LSSVM parameters selection based on genetic algorithm and its application in economic forecasting [J]. Journal of Computer Applications， 2007， 27（6）： 1418-1419.）