基于主观贝叶斯多传感器数据融合的AGV精确定位研究

针对室内自动导引运输车（Automated Guided Vehicle,AGV）定位偏差大、精度不足的问题，提出了一种基于主观贝叶斯网络的传感器数据融合定位方法.该方法首先结合卡尔曼滤波模型，对不同传感器的数据进行滤波处理，并通过主观贝叶斯网络模型计算信息增益大小，从而自主地选择传感器数据；再将选择的传感器数据进行融合；最后根据融合后的传感器信息进行AGV位置状态更新，获得更精确的AGV位姿信息.仿真实验结果表明，在室内实验环境中，主观贝叶斯网络融合算法能够实现多传感器的数据互补.与RUKF算法相比，该方法的均方根误差缩小到了0.17 m，定位精度提高了43.6%，定位时间缩短了0.071 s，效率提高了4.5%，数据稳定性提高了47.8%，其定位偏差明显小于单传感器的定位偏差，证明了该方法的有效性.     

多因素改进势场蚁群算法的路径规划

针对路径规划算法中蚁群算法对目标点盲目性较大且无法应对多路况等问题,提出了一种多因素改进势场蚁群算法.首先,算法引入人工势场法重新构造路径长度启发函数并加入势场力递减系数,从而解决蚁群算法迭代时间长且易陷入局部最优解的问题;然后,综合考虑了势场路径长度因子,路径平缓性因子以及平滑性因子,构建新的多因子启发式函数,以适应复杂多变的路面环境;最后,运用动态切点法对路径进行平滑处理,提高路径整体质量.仿真实验表明,该算法在复杂颠簸路面情况下具有较好的适应力,能够有效解决机器人路径规划问题.