国际精密工程与制造杂志第 15 卷，第 1 期，第 53-61 页

DOI:10.1007/s12541-013-0305-6

两轮差动移动机器人精确标定试验轨迹设计
张柏正、张柏月、大荣、崔宗秀、钟宇进 11121 个#

1 韩国大学机械工程学院，韩国首尔，清步谷，Anam dong，136-713
2 韩国科学技术研究院生物医学工程研究所仿生学中心，韩国首尔圣布谷 Hawolgok dong 39-1，136-791；通讯作者/邮箱：

smartrobot@Korea.ac.kr，电话：+82-2-3290-3375，传真：+82-2-3290-3375 关键词：移动机器人，校准，里程计，定位

使用增量车轮编码器传感器的里程计提供移动机器人的相对位置。里程计的主要缺点是当行驶距离增加时，运动学建
模误差累积。系统误差的主要来源是轮径不均和轴距误差。UMBmark 检验是一种实用的两轮差分移动机器人系统里
程计误差标定方法。我们先前提出了一个精确的校准方案，扩展了传统的 UMBmark。利用机器人的航向误差进行了
标定实验，并考虑了系统误差对测试轨迹的耦合影响，导出了机器人的运动学参数。本文提出了用于里程计标定的测
试轨迹设计准则。由于非系统误差在实际应用中是一个比较严重的问题，因此应根据系统误差和非系统误差的分布来
确定试验轨道的形状和尺寸。数值模拟和实验结果表明，该方案能得到更精确的标定结果。

一。介绍

近年来，人们对自主导航进行了大量的研究。自主导航要求准确估计移动机器人的位置。移动机器人最常见的相对定位技术是使
用车轮编码器的里程计。然而，里程计有一个众所周知的缺点：随着机器人行进距离的增加，运动学建模误差会累积。校准是必
要的，以减少随着行驶距离增加而出现的里程表误差。改进的里程计可以显著降低与传感器和地标的安装和维护相关的运营成本。
当外部传感器因天气或环境条件而无法使用时，它还降低了估计姿势（位置和方向）的不确定性。扩展卡尔曼滤波器（EKF）假
设状态转移过程中高斯噪声的平均值为零。因此，当里程计具有零均值和白高斯噪声时，基于 EKF 的定位技术是有用的。1-45
里程计误差源可分为系统误差和非系统误差。系统误差是车辆特有的，在导航过程中通常不会突然改变。因此，通过标定运动
参数可以减小系统误差。示例 5-7

版权所有©KSPE 和 Springer 2014

收稿日期：2013 年 5 月 21 日/收稿日期：2013 年 11 月 18 日

系统误差包括轮径不等、轴距误差。
非系统误差源是由机器人与道路条件之间的相互作用引起的，这种相互作用是随机的。例如不平整的地板、地板上意外的物体
和车轮打滑。利用外部传感器获得的机器人的绝对位置，可以加入外部传感器来建模非系统误差的不确定性。8-10
在以往的研究中，很难找到试车线的设计指标。UMBmark 方法是一种适用于两轮差动移动机器人的标定方法。通过驱动机器人
沿一条 4 m×4 m 的双向正方形路径行驶，然后测量初始位置和最终位置之间的位置误差，可以校准车轮直径和轴距误差。然而，
测试跑道的设计并没有得到明确的解释。由于试验轨道的尺寸很重要，因此应通过考虑车轮直径、校准方程、运动学建模误差和
试验条件来仔细确定。Martinelli 的工作为同步驱动机器人的里程误差建模和评估提供了一种方法。通过引入表征系统和非系统成
分（平移和旋转）的四个参数，对里程计误差进行了建模。Martinelli 等人。同时，提出了一种在 611
基于增强卡尔曼滤波（AKF）和可观测滤波（OF）的导航。安东内利等人。提出了用最小二乘法辨识四参数里程模型的标定方案。
由于里程计模型显示了未知量与测量值之间的线性关系，因此可以使用最小二乘法。提出了用 leastsquares 方法对里程误差值进行
归一化的试验轨迹选择准则。通过对物理里程参数的估计，进一步改进了线性估计方法，得到了 3 参数模型。Censi 等人。安东内
利等人。提出了一种同时对机器人框架进行里程表和传感器位置标定的方法。12131415,16
我们先前提出了一个系统误差的校准方案，该方案利用机器人在测试轨道上的最终姿态的实验航向误差。系统误差可以通过测
量机器人在试验轨迹上的一系列开环运动后的方位来校准。这种方法是有利的，因为机器人的方位可以由车载陀螺仪测量。无需
安装任何绝对定位传感器。因此，里程表也可以在室外环境中校准。 17
为了提高里程计标定的精度，本文提出了标定实验测试轨迹的设计准则。里程计校准的一个重要因素是测试跑道的设计。适当
的测试轨迹可以显著提高标定精度。最终姿态误差必须包含来自多个误差源的影响。例如，测试轨道应包括直线运动和点转向运
动，以监测不同轮径和错误轴距的影响。
本文的结构如下。在第二节中，我们介绍了一个里程计误差模型和问题陈述。第 3 节说明了试验跑道的拟议设计指南。在第四
节中，仿真结果显示了该设计的优点。实验验证见第 5 节。最后，在第 6 节中作了总结发言。

2。里程计误差模型及误差传播

两轮差动移动机器人的速度模型如图 1 所示。机器人在 t 时刻的位置和方向由（xt，yt，θt）给出。时间 t 的平动速度和转动速度

分别用 vt 和 ωt 表示。两个主要的系统误差是车轮直径误差和轴距误差。假设平移误差由车轮直径误差 εr 引起，以及
R L（）

假设旋转误差是由轴距误差 εb 引起的，机器人的速度运动模型由（1）和（2）导出。

+
vR+vL（rR+εrR）⋅ωR（rL+εrL）⋅ωL
vt=—————————————————————————————————————————————————————————————
—
2 2

–
vR-vL（rR+εrR）⋅ωR（rL+εrL）⋅ωL
ωt=——————————————————————————————

式中，vR 是右轮的平动速度，vL 是左轮的平动速度，ωR 是

图 1 两轮差动移动机器人的速度模型和参数

图 2 试验轨道条件可推广为正多边形
右轮，ωL 是左轮的角速度。
为了研究里程计的误差传播，采用两轮差动移动机器人的速度运动模型。两个主要的系统误差是不相等的车轮直径和不正确的
轴距。两轮差动移动机器人的里程计是基于下列方程的积分。vt 和 ωt 在（1）-（2）中给出。

·
x=vt⋅cosθ
·
y=vt⋅sinθ（3）
·
θ=ωt
通过测量机器人在预定的测试轨迹上开环运动后的最终姿态误差，可以标定里程计的系统误差。试验轨道应包括直线和点转弯
路径。此外，试验跑道的初始和最终位置应相同。这些条件可以在图 2 中所示的正多边形中推广。在图 2 中，L 是一条直线的长度，
φ 是相邻直线之间的角度。
利用（3）推导出机器人沿正多边形路径运动时，由运动误差参数 εb、εr 引起的位置和方向误差（xe、ye、θe）。
R L（）

∂εb∂εr∂εr
右

∂年·

-------——————（四）
∂εb∂εr∂εr
右

···
∂θ∂θ∂θ
------- --------- ---------

x=————————————————————————————————————————————————————————
· 十十 十 ⎛θ⎞
———————————————————— e类 右 一

雷尔

右 ω 右⎞ ⎛ω 一 ω 一⎞
+⎛⎝—————ω2⋅cosθ-vt⋅sinθb————+εb⎠⋅εr+⎝———2⋅sinθ-vt⋅cosθ⋅b————+εb⎠⋅εr 右 一

y=—————————————————————————————————————————————————————————————
·
————————————————————————————————————————————————————————————— e 类
是的是的 是的 ⎛θ⎞
右 一

雷尔

右 ω 右⎞ ⎛ω 一 ω 一⎞
+⎝⎛—————ω2⋅sinθ+vt⋅cosθb————+εb⎠εr+⎝—————2⋅sinθ–vt⋅cosθ⋅b————+εb⎠⋅εr 右 一

r（7）

εbεrRεrL L
 ⎛ω

⎞⎛ω 右⎞⎛ω 一⎞
=⎝–b----+εt b⎠⋅εb+⎝b----+εb⎠⋅εrR+⎝–b----+εb⎠⋅εrL

式（7）表明，直线和点车削路径的方向误差随着行驶距离和车削角度的增加而线性增加。在不考虑试车跑道形状的情况下，以
相同的直线长度和点转角运行后，最终的定位误差明显相等。

三。试车线设计

3.1 问题陈述
Jung 方法基于机器人最终姿态的航向误差，考虑了轴距和轮径误差同时发生的耦合效应。为了补偿单向试验运动的隐蔽误差，
在参考试验轨道上采用双向连续波和逆时针试验运动进行了标定试验。利用机器人在试车线上的最终位姿误差，可以同时标定不
同轮径和不同轴距的运动学参数。
本文的主要目的是提出一种测试轨迹的设计准则，使系统误差能够准确地反映姿态误差。试验轨道的形状要求由直线和点转弯
路径组成。试车跑道的初始和最终位置应相同。期望最大化系统误差对姿态误差的影响，以便进行有效的校准。
测试轨道的尺寸应被设计成最大化由系统误差引起的最终姿态误差与非系统误差引起的最终姿态误差。当轨道太大时，需要一
个巨大的实验空间。此外，最终的姿态可能会受到各种非系统误差源的影响。另一方面，过小的轨迹可能导致最终的姿态误差过
小，这意味着标定结果对机器人姿态的测量精度过于敏感。轨迹尺寸的性能指标定义为系统误差引起的位姿误差与非系统误差引
起的位姿误差的相对大小。

3.2 试车线形状
荣格的方法使用最终姿态的航向误差。在遵循相同的路径长度和不同路径类型的转角后，机器人的最终航向角是相同的，如（7）
所示。此外，为了减小传感器的测量误差，测试轨道的初始位置和最终位置应该相同。因此，建议测试轨迹的形状为正多边形路
径。考虑到可用的实验空间，所提出的测试轨道被设计成一条方形路径。
3.3 试车线尺寸
一旦确定了试验轨道的形状，应根据试验空间、车轮直径、校准方程以及系统误差和非系统误差之间的相对大小仔细确定轨道
尺寸。虽然使用 Jung 方法计算机器人的航向误差没有近似，但是太长的轨道不是优选的。这是由于非系统误差随着行驶距离的增
加而增加。系统误差引起的最终位姿误差应大于非系统误差引起的位姿误差。

文 在实际应用中，机器人的姿态可以用（3）的离散形式来估计。x t+1=f x（t，ut，t）

xt+аs ⋅ cos
本+1 （θt+аθ/2） xt+1=
年
, f x（t， 钇＋Δs⋅sin（θt＋
初 （八）
ut，t）= Δθ/2）θt＋Δθ
至
今+1
θt+1 Δs=—————————————————————————————————————
————————————————————————————————————————————
—————————。
然后，可以使用以下方程估计非系统误差。3

P−t+1=FtPtFTt+∇uf⋅∑u∇u 英尺（9）

其中 f t 和∇uf 是（8）中机器人姿态估计函数 f（xt，ut，t）的雅可比。

协方差矩阵 Pt+1 表示机器人与地面条件相互作用引起的随机非系统误差。在（9）中，第一项与估计状态的不确定性有关，第
二项与里程计误差有关。对于左右轮的增量运动，协方差矩阵∑u 定义如下：

∑u 型= （十）

其中 kr 和 kl 是表示随机性的误差常数
机器人参数与环境的相互作用。
为了研究非系统误差对测试轨迹尺寸的影响，根据实验结果对非系统误差进行了估计。用该方法可以计算 kr 和 kl 的误差常数。
18

3.4 拟议设计指南
建议的试车线设计指南可总结如下：
1） 确定由直线和点转向点组成的试验轨道的形状。
2） 通过开环运动沿预定的试验轨迹驱动机器人，估计未标定轴距和不等轮径的运动参数。
3） 使用测试方法测量非系统误差。14
4） 通过仿真估计系统误差和非系统误差引起的绝对定向误差。
5） 确定测试轨迹的大小，区分系统误差和非系统误差。

四。模拟

数值模拟的目的是建立试验跑道的设计准则。在模拟中，考虑到可用的实验空间，测试轨迹是一条正方形的路径。采用两轮差
动移动机器人（TETRA-DSⅡ）对仿真机器人平台进行建模。车轮标称尺寸如下：车轮直径=150 mm，轴距=385 mm，车轮宽度
=30 mm。机器人的名义轮径和轴距与仿真机器人相同。在考虑运动学建模误差的情况下，从机器人运动学出发，对仿真中的实际
机器人位置和方位进行了数值计算。19
假设车轮的运动建模误差用于设置仿真中使用的参数值 Eb 和 Ed。Eb 和 Ed 定义如下。6

酒神博士
Eb=————，Ed=——（11）b 主 DL

其中 bactual 是机器人的实际轴距，bnominal 是机器人的标称轴距，DR 是右轮的实际轮径，DL 是左轮的实际轮径。

使用误差常数 kr 和 kl 对非系统误差进行建模；然后估计（10）中的协方差矩阵。为了研究非系统误差对系统误差引起的定向误
差的影响，计算了相对误差大小。
系 统 误 差 的 初 始 参 数 设 为 Eb=0.990 和 Ed=0.995 。 给 出了 一 般 楼 层 条 件 下 的 非 系 统 误 差 ， 误 差 常 数 kr1/2=0.001m1/2 ，
kl1/2=0.001m1/2。考虑到可用的试验空间，轨道尺寸在 L≤4 m 处进行试验。在考虑运动学建模误差的情况下，根据机器人运动学
计算了实际的机器人位姿误差。
图 3 示出了由测试轨道中直线路径上的系统误差和非系统误差引起的估计方位误差。X 轴表示正方形路径的一侧的长度。方位
型
误差随距离的增加而增大。图 3 示出由系统误差和非系统误差引起的最大取向误差在 4m 时为 3.43。o
在实际应用中，由系统误差引起的定向误差应大于非系统误差引起的定向误差。试验跑道上的实际定向误差是由系统误差和非
系统误差引起的定向误差之和。因此，可以通过考虑系统误差和非系统误差引起的定向误差的相对大小来设计试车线的直线长度。
图 4 示出了由系统误差引起的定向误差相对于总定向误差的相对大小，总定向误差是由系统误差和非系统误差引起的定向误差
的总和。系统误差对总误差的相对定向误差随直线长度的增加而增大。因此，在模拟条件下，试车线的合适尺寸为 4m×4m。什么
时候？

图 3 试车线直线路径系统误差和非系统误差引起的定向误差
图 4 由系统误差引起的定向误差相对于试车线直线路径的总定向误差的相对大小

由于轨道尺寸太小，可能出现较大的非系统误差，导致标定精度降低。
图 5 所示为沿同一条 4 米×4 米正方形路径沿逆时针方向运行后的最终位置误差的平均值和标准偏差。使用不同的轨道尺寸进行
校准后，最终位置误差不同。试验重复了五次。实际运动学参数 Eb=0.975，Ed=0.992。然后根据不同的正方形轨迹估计运动参数。
由图 5 可知，0.5m×0.5m 轨道的最终位姿误差最大。最终位姿误差减小至 4m×4m 轨迹。尺寸在 4～10m 范围内，最终位姿误差没有
明显变化，因此，在不占用太大实验空间的情况下，选择 4m×4m 的轨道具有满意的标定精度，是合理的。
图 5 显示了基于样本分布的实验比较。因此，不足以证明所提出的轨迹的误差平均值小于其他情况。4 米×4 米轨道设计是否能
取得有意义的改进，值得研究。采用独立样本 t 检验进行统计分析，验证最终位置误差均值之间的显著差异。20
表 1 显示了独立样本 t 检验结果，该结果是所提出方法平均值相等的最终位置误差（4m×）

图 5 机器人沿 4 米×4 米方轨迹沿逆时针方向运动时实验最终位置误差的仿真结果。在 X 轴上表示的不同测试轨道尺寸下进行校准。

表 1 独立样本 t 检验结果（4m×4m）表明所提出方法的平均值与不同方法的平均值相等
自由度 平均
案例 t值 第页
差异
0.5 米×0.5 米对 4 米×4 4.962 21.44 0.000 0.047
米
1 米×1 米对 4 米×4 米 6.252 28.36 0.000 0.032
2 米×2 米对 4 米×4 米 4.161 38 0.000 0.022
3 米×3 米对 4 米×4 米 2.440 38 0.019 0.012
8 米×8 米对 4 米×4 米 0.146 38 0.885 0.001
图 6 实验环境

图 7 测试运行后的最终姿态误差

4m） 与 0.5m×0.5m、1m×1m、2m×2m、3m×3m 和 8m×8m 轨道尺寸相比。如表 1 所示，在显著性水平为 0.05（p<0.05）的情况下，

所提出方法的最终位置误差平均值（4m×4m）与 0.5m×0.5m、1m×1m、2m×2m 和 3m×3m 轨道尺寸的平均值不同。这一事实意味
着表 1 上 4 行的结果样本分布是随机不同的。因此，可以得出结论，与其他情况相比，建议的 4 米×4 米轨道设计使位姿误差分布
显著减小。
另一方面，下排显著性水平 p 为 0.885>0.05。这一事实表明，很难说所提出的 4m×4m 轨道设计和 8m×8m 轨道设计的结果分布
显示出有意义的差异。换句话说，两个样本分布是相似的。因此，4 米×4 米的轨道由于试验空间较小而更为可取。

5 个。实验结果

实验分为两部分。在第一个实验中，我们研究了在实际环境中，按照所提出的准则设计的测试跑道是否有利。给出了三种不同
试验轨迹的试验结果。在第二个实验中，将提出的方案与传统方法进行了比较。将机器人沿试验轨迹驱动后，采用 Jung 法和常规
方法对机器人的系统误差进行了标定，并对最终的位置误差进行了比较。

5.1 在实际环境中验证所提出的方法。初始试运行是通过一条 4 m×4 m 的正方形路径进行的。采用商业化的天文观测系统来监测机

器人的实际姿态。采用试验方法对非系统误差进行建模。2118
如图 6 所示，实验环境为相对光滑平坦的地板。机器人在一条 10 米长的直线上通过开环运动前后驱动。机器人的速度约为 0.2
米/秒，研究非系统误差的影响，在相同的条件下驱动机器人 30 次。中心位姿分布代表随机非系统误差。
测试运行期间的最终位置和方向误差如图 7 所示。最终位置和方向误差结果见表 2。根据机器人预定测试轨迹的初始测试运行估
计的运动学参数为 Eb=0.980 和 Ed=0.992。在此基础上，用 kr1/2=0.0013m1/2 和 kl1/2=0.0013m1/2 建立了非系统误差模型。
图 8 示出由系统误差引起的定向误差相对于总误差的相对大小。系统误差对总误差的相对定向误差随直线长度的增加而增大。
考虑实际测试空间，4 m 长的最大值为 90%。因此，在表 2 中，使用测试方法进行非系统误差测量的实验结果下，所提出的测试轨
道设计可以总结为一条 4 m×4 m 的正方形路径 18

复印件（m） 耶罗尔斯 θ 误差
（m） （度）
平均值（μ） 0.021 0.172 -1.05
标准（σ） 0.007 0.046 1.48
图 8 由系统误差引起的定向误差相对于试车线直线路径的总定向误差的相对大小

实验条件。
为了显示所提出的设计的优势，机器人被驱动沿着三条不同的轨道。在 2 米×2 米、4 米×4 米、6 米×6 米轨道上进行开环运动后，
用 Jung 方法估计了运动学参数。表 3 表示结果错误参数。
图 9 表示顺时针方向沿相同的 4×4 平方米路径运行后的最终位置误差的平均值和标准偏差。采用 2m×2m 轨道时，最终位置误差
平均为 2.01m。采用该方法（4m×4m 轨道）时，最终定位误差为 0.12m，误差非常小。应用 6m×6m 轨道后的最终位置误差平均为
0.13m。4 米×4 米和 6 米×6 米轨道的最终位置误差平均值之间没有显著变化。
图 10 表示沿同一规则三角形路径沿逆时针方向 5m 边缘运行后的最终位置误差的平均值和标准偏差。采用 2m×2m 轨道时，最终
位置误差平均为 1.98m。采用该方法（4m×4m 轨道）时，最终定位误差为 0.07m，误差非常小。应用 6m×6m 轨道后的最终位置误
差平均为 0.12m。4 米×4 米和 6 米×6 米轨道的最终位置误差平均值之间没有显著变化。
为了研究最终位置误差之间的显著差异，采用独立样本 t 检验进行统计分析。表 4 显示了独立样本 t 检验结果，该结果显示了图
9 所示的最终位置误差，即相对于 2m×2m 和 6m×6m 轨道尺寸的最终位置误差，提出的方法（4m×4m 轨道）的平均值相等。在第
一种情况下（2m×2m vs.4m×4m），所提出方法（4m×4m 轨道）的最终位置误差平均值与 2m×2m 轨道尺寸的平均值在显著性水平
为 0.05 时有统计学差异（p<0.05）。另一方面，第二个病例的显著性水平 p（6m×6m vs.4m×4m）为
0.927>0.05。这一事实意味着很难说差分表 3 校准的运动参数
误差参数 2 米×2 米 4 米×4 米 6 米×6 米
电子束 1.13702 1.02467 1.02127
预计起飞时 1.00251 1.00162 1.00146
间

图 9 机器人顺时针方向沿 4×4 平方米路径行驶时的实验最终位置误差。在 X 轴上表示的不同测试轨道尺寸下进行校准。

图 10 机器人沿规则三角形路径沿逆时针方向 5 米边驱动时的实验最终位置误差。在 X 轴上表示的不同测试轨道尺寸下进行校准。

表 4 独立样本 t 检验结果（4m×4m）所提出方法与不同方径方法的平均值相等
自由度 第 平均
案例 t值
页 差异
2 米×2 米对 4 米×4 47.755 8 0.000 1.88470
米
6 米×6 米对 4 米×4 0.095 8 0.927 0.00454
米
4×4 米轨道和 6×6 米轨道的最终位置误差的平均值之间具有统计学意义。
表 5 显示了独立样本 t 检验结果，最终位置误差如图 10 所示，表明所提出方法（4 米×4 米轨道）的平均值与 2 米×2 米和 6 米×6
米轨道尺寸的最终位置误差相等。如表 4 所示，所提出的方法（4 米×4 米轨道）的最终位置误差平均值为表 5 所示，所提出的方法
（4 米×4 米轨道）的平均值与不同三角形路径的平均值相等的独立样本 t 检验结果

程度 平均 p
案例
t 值自由度 差
2 米×2 米对 4 米×4 米 33.056 8 0.000 1.90629
6 米×6 米对 4 米×4 米 1.673 8 0.133 0.05037

表 6 合成运动学 c 误差参数
误差参数 UMBmark 法 建议的方法

Eb 1.01503 号 0.99493

版本 0.98249 0.98175
与第一例（2 米×2 米 vs.4 米×4 米）2 米×2 米轨道尺寸的平均值在 0.05 显著水平上有统计学差异（p<0.05）。另一方面，第二例
（6×6 m vs.4×4 m）的显著性水平 p 为 0.133>0.05。这一事实也意味着，很难说 4m×4m 轨道和 6m×6m 轨道的最终位置误差平均值
之间的差异具有统计学意义。因此，4m×4m 轨道由于试验空间较小，在实际环境中更为适宜。

5.2 与常规方法的比较
通过在轮胎周围缠绕胶带，故意增大左轮的车轮直径，以造成极端情况。两个车轮之间车轮直径的近似差值为 2.5～3.0mm。机
器人在 CW 和 CCW 方向上沿着拟定的试验轨道（4m×4m 轨道）进行开环运动。为了减少非系统误差的影响，机器人被驱动了五
次。利用商用陀螺传感器测量了机器人的实验航向误差。在±150/s 点旋转时，航向角误差小于 0.04/s/√Hz。根据传统的 UMBmark
型o 型
和 Jung 方法，利用机器人的初始和最终姿态进行标定。22o
平均而言，标定前机器人在顺时针和逆时针方向的最终位置误差分别为 1.94m 和 2.54m，在顺时针和逆时针方向的最终位置误差
分别为-51.3 和-36.4。实验测量的陀螺传感器航向角标准偏差小于 0.2。标定实验的非系统误差明显大于陀螺传感器航向角标准差的
非系统误差。因此，机器人的最终航向误差有助于运动参数的估计。根据最终的位置和方位误差，对运动参数 Eb 和 Ed 进行了估
型o 型
计和补偿。实验所得误差参数见表 6。o
 实验结果如图 11 和表 7 所示。采用传统 UMBmark 后，最终位置误差平均降低到 0.35m。应用该方案后，两个方向的最终位置
误差平均为 0.07m。该方案的里程测量精度是传统方法的 5 倍。这一结果清楚地表明，与先前的方法相比，将所提出的方案与商用
陀螺仪传感器一起使用的优势。
为了研究精确校准的优点，表 7 是校准后的里程计精度结果
最终位置误差（m）
实验
未校准里程 伞形标记法 建议的方
改进
计 法
连续 1.94 0.37 0.05
波
特定常 2.54 0.32 0.08
规武器
平均 2.24 0.35 0.07 5次

图 11 所提出的方法与传统 UMBmark 方法的比较。该方案的最终定位误差较小

图 12 使用里程计绘制地图的室内走廊
在纯里程计的基础上建立地图很有用。图 12 示出了实验环境和参考路径。一个移动机器人沿着办公楼的走廊移动。地图是由激光
测距仪（SICK LMS 200）的距离测量值注册而成的。这个
图 13 两轮差动移动机器人构造的地图结果。（a） 是里程图，（b）是用 UMBmark 方法绘制的地图，（c）是用所提出的方法绘制
的地图

图 14 两轮差动移动机器人导航后的最终位置误差结果

表 8 独立样本 t 检验结果：建议方法与未校准里程计和 UMBmark 方法的平均值相等

自由度 第 平均
案例 t值
页 差异
未校准与提议 17.21 8 .000 10.601
UMBmark vs.提议 4.974 8 .001 2.530
机器人的行进距离约为 180m。
图 13 显示了三张纯里程表的实验图。图 13（a）示出了校准前的地图。图 13（b）示出了应用传统 UMBmark 后的地图。图 13
（c）示出了所提出方案的结果图。从图 13 可见，所提出的方案产生了最精确的映射。
从统计分析的角度评价改进后的绩效具有重要意义。图 13 中的每个实验已经进行了五次。在相同的边界条件下，如图 14 所示
监测了最终位置误差。未标定里程计和常规 UMBmark 的平均误差分别为 11.90m 和 3.83m。该方案的平均误差为 1.30m，表明该方
案具有较高的精度。
采用独立样本 t 检验进行统计分析，验证最终位置误差均值之间存在显著差异。表 8 显示了独立样本 t 检验结果的最终位置误差
的平均数相等，提出的方法与那些未校准的里程计和 UMBmark。如表 8 所示，用该方法校正的里程计具有不同的平均值，显著性
水平为 0.05（p<0.05）。因此，该方法在显著性水平概率为 0.05 的情况下，提高了里程计的准确度。介绍了实验标定的具体内容。
13

6。结论

我们已经为校准里程计的测试轨道提出了设计指南。由于系统误差反映在姿态误差中，所以测试轨迹的形状和大小在标定实验
中起着重要的作用。应仔细确定试验轨道，以考虑试验空间、车轮直径、校准方程以及系统误差和非系统误差。基于设计考虑，
建议测试轨迹具有规则的多边形路径。考虑到实验空间，所提出的测试轨道被设计成正方形的路径形状。比较了由系统误差引起
的定位误差相对于总定位误差的相对大小，为实际实验空间确定了合适的轨迹尺寸。实验验证了该方案的有效性，并通过定量比
较，说明了该方案的优越性。

确认

这项工作得到了韩国国家研究基金会（NRF）的资助，由韩国政府（MEST）资助（2013029812）。这项研究也得到了韩国知
识经济部 MKE（知识经济部）的部分支持，该研究是在 NIPA（国家 IT 产业促进局）监督下的融合机器人专家人力资源开发计划
（NIPA-2013-H1502-13-1001）下进行的。该研究还得到了知识经济部实施的基于传感器网络融合计划的人类识别、行为和定位技
术的支持（批准号：10041629）。
参考文献

1. Dugarjav，B.，Lee，S.G.，Kim，D.，Kim，J.，和 Chong，N.，“未知环境中覆盖路径规划的扫描匹配在线单元分解”，
Int.J.Precis。《工程手册》，第 14 卷，第 9 期，第 1551-1558 页，2013 年。

2. Kim，J.，Woo，S.，Kim，J.，Do，J.，Kim，S.，和 Bae，S.，“带 Mecanum 车轮的自动导向车辆的惯性导航系统”，

Int.J.Precis。《工程手册》，第 13 卷，第 3 期，第 379-3862012 页。

3. 郑永和陈永杰，“D++算法在移动机器人导航中的应用”，智能服务机器人，第 5 卷，第 4 期，第 229-243 页，2012 年。

4. Bashiri，M.，Vatankhah，H.，和 Shiry Ghidary，S.，“移动机器人定位的混合主动差异进化”，智能服务机器人学，第 5 卷，第

2 期，第 99-107 页，2012 年。

5. Thrun，S.，Burgard，W.和 Fox。D、 “概率机器人”，麻省理工出版社，第 39-1472005 页。

6. Borenstein，J.和 Feng，L.“移动机器人系统里程计误差的测量和校正”，Proc。的。《IEEE 机器人与自动化交易》，第 12 卷，

第 6 期，第 869880 页，1996 年。

7. Siegwart，R.，Nourbakhsh，I.R.和 Scaramuzza，D.“自主移动机器人介绍”，麻省理工出版社，第 265-3671011 页。

8. Bento，L.C.、努涅斯，U.、Moita，F.和 Surricio，A.，“室外半结构化环境中精确自主车辆导航的传感器融合”，Proc。国际智
能交通系统会议，第 245-250 页，2005 年。

9. 使用卡尔曼滤波器和移动机器人导航的增强系统模型将里程计与磁感测器融合在一起。IEEE 工业电子国际研讨会，第 4 卷，
第 1551-1556 页，2005 年。

10. Komoriya，K.和 Oyama，E.，“使用光纤陀螺（OFG）的移动机器人位置估计”，Proc。《IEEE 智能机器人与系统国际会议》，

第 1 卷，第 143-149 页，1994 年。

11. Martinelli，A.，“具有异步驱动系统的移动机器人的里程计误差”，Proc。《IEEE 机器人与自动化交易》，第 18 卷，第 3 期，

第 399-405 页，2002 年。

12. Martinelli，A.，Tomatis，N.，和 Siegwart，R.，“移动机器人的同时定位和里程自校准”，自主机器人，第 22 卷，第 1 期，第

75-85 页，2007 年。

13. Antonelli，G.，Chiaverini，S.和 Fusco，G.，“基于最小二乘技术的移动机器人里程计校准方法：理论和实验验证”，Proc。《电

气与电子工程师协会机器人交易》，第 21 卷，第 5 期，第 994-10042005 页。

14. Antonelli，G.和 Chiaverini，S.，“差动驱动移动机器人物理里程参数的线性估计”，自主机器人，第 23 卷，第 1 期，第 59-68 页，

2007 年。

15. CeSi，A.，马尔基奥尼，L.和 IOLOLO，G，“同时最大似然校准测距和传感器参数，”PROC。国际机器人和自动化会议，第

2098-21032008 页。

16. Antonelli，G.，Caccavale，F.，Grossi，F.，和 Marino，A.，“基于奇异值分解的差动驱动移动机器人同时里程测量和摄像机校

准的非迭代有效程序”，智能服务机器人，第 3 卷，第 3 期，第 163-1732010 页。

17. “利用实验航向误差精确校准两轮差动移动机器人”，Proc。IEEE 国际机器人和自动化会议，第 4533-45382012 页。

18. Chong，K.S.和 Kleeman，L.“移动机器人的精确里程计和误差建模”，Proc。《IEEE 机器人与自动化国际会议》，第 4 期，第

2783-2788 页，1997 年。

19. 东步机器人有限公司，“Tetra DS 操作手册 1.0 版”，2009 年。

20. Peck，R.，Olsen，C.和 Devre，J.L.，“统计和数据分析导论”，Cengage Learning，第 4 版，第 638-6581011 页。

21. Hagisonic 有限公司，《星空指南》02.090416，2010 年。

22. Xsens 有限公司，“MTi 和 MTx 用户手册和技术

文档，“http://projects.asl.ethz.ch/datasets/lib/exe/fetch.php？媒体=硬件：TillingLaser:mti-g_用户手册和技术文档.pdf（访问日期：
2013 年 12 月 10 日）