利用自适应模糊神经网络推论的RFID标签定位对移动机器人的应用外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

利用自适应模糊神经网络推论的RFID标签定位对移动机器人的应用

摘要

目的-本篇论文的目的是说明无源RFID技术对一种自主检测机器人的应用。无源电子标签可以被用于同时标记机器人要达到的对象和目标的位置以观察周围的环境。另外，机器人可以用电子标签来导航，比如保持它在环境中身体的轨迹。因此，自动标记位置是这技术下的一项基本要求。

设计/方法/方式-本论文提出了一种可监督的模糊推理系统用来学习无线射频识别传感器模型；目标模型采用标记定位算法。每个标签的位置估计是一组候选位置中最有可能的。

结论-本文证明了无线射频识别技术在移动机器人技术中应用的可行性。无线射频识别传感器模型的发展首先被要求用来提供设备的位置和它的响应之间的功能性关系。然后，该模型提供的射频识别装置可以成功地在移动机器人领域应用中集成，提几个，比如导航、测绘和监控。

创造性/价值-本文提出了一种基于自适应神经模糊推理的射频识别传感器建模的新方法。这个模型为了达到更好的精确度同时用了接收信号强度指示和标签事件检测。另外，一种全局标记定位方法被提出了。实验结果证明了该方法的稳定性和可靠性。

关键字

无线射频识别，机器人，监视，标签，无线射频识别传感器，自适应神经模糊推理系统，RFID标签定位

论文类型 研究论文

1. 介绍

无线射频识别技术已经有五十多年历史了。然而，只有最近的十年，射频识别装置的制造能力和行业的标准在许多领域引起了射频识别技术的广泛应用，包括库存管理、安全和访问控制、产品标签和跟踪、供应链管理、滑雪升降机等等。最近这项技术也引起了移动机器人集团的兴趣，他们已经开始探索导航任务的潜在应用，比如定位和映射。

一个无线射频识别装置由一些电子标签或环境中的部署转发器、一个或多个天线、接收器或阅读器单元和一个合适的数据处理软件组成。阅读器和标签之间通过扫描天线发送射频波。标签包含一个微芯片和一个小天线。如果是无源射频识别标签，正如在这项工作中，从射频识别天线发出的无线电波去发动用以给阅读器回应的标签。阅读器把标签提供的信号解码，而软件将信息解析后存储在标签的记忆里，通常与它独特的身份和一些附加信息有关。射频识别技术这么有吸引力有以下几个原因：可非接触识别、廉价、阅读有效性高。

此外，无源标签工作时没有内部电源供应并且可能长寿命运行。有一个局限是与其他无线电传输的干扰以及标签接触的材质有关。这种影响的程度取决于标签的频率和操作环境。另一个局限涉及到阅读距离可能是非常短的，虽然目前发展得非常敏感的阅读器已经进行了这一距离从几厘米到几米的增加。因为无源标签可以有效地支持导航、定位、映射和目标跟踪，它检测范围的改进增强了对移动机器人应用有关的射频技术的普及。然而，射频识别阅读器只能检测到标签的存在，但不能检测到距离和所指标签轴承的信息。另一方面，标签定位在移动机器人导航中起着重要作用。只要产品贴上了标签，标签的位置估测也与仓库中的货物定位、博物馆中的艺术品、商场的产品、图书馆的图书等有关。

通过使用一个配备了射频识别天线和读写器的移动机器人，可以在一个几何图形的环境中评估标记位置，尽管有一些标签分布在环境四处。在我们的应用中，标签被放置在一个办公室一样的环境的战略性位置起双重作用。他们被用来同时标记值对象和目标的位置，作为我们的研究活动的最终目标是发展一个自主的监视机器人。对象必须定期在环境中进行调查，然而机器人必须到达用来观察环境的目标位置。

另外，机器人可以将标签用来导航，比如在环境中给自己定位。自动标记位置评估是这方面的一项基本要求，而且，它允许环境中发生变化时机器人可以自主评估新的标签位置。为了实现一个更准确的标签位置的估测，在标签检测率低下且嘈杂的时候，构建一个合适的传感器模型是可取的。在其他参数之间，检测率取决于标签和天线之间的相对距离和相对方向，一个准确的反应这种相关性的传感器模型是需要的。值得注意的是很多参数影响传感器建模，但是其中一些参数，比如标签周围的物质很难建模。尽管如此，即使限制了标签和天线相对位姿的参数设定也能正常运行，这些将在实验阶段显示出来。该传感器是考虑到两个标记检测事件和所接收的采用模糊框架的信号强度指示来建模的。当不确定不精确的信息也参与到建模中，模糊集理论和模糊逻辑是有必要的。

而且，接收信号强度和标签检测事件一起使用可提供更高的精确度。模糊集和模糊逻辑因为他们的有效性和简单的定义已被广泛认可。当分析过程复杂时，当信息的来源不精确或不确定时，或者用于智能传感器集成和融合时，它们特别起作用。从某种意义上来说，模糊逻辑类似于人类用不精确的数据找到精确的解决方案的这种决策能力。我们的研究表明基于模糊的方法对射频识别系统中不确定度的处理很适用。

主要的贡献涉及为了体现标签和天线之间的关系的射频设备模型的监督学习。具体来说，我们引入由有经验的专家设计的隶属函数参数的自主学习。这个过程可能是不准确的或主观的，为了克服这个限制，我们建议从一组实验数据中自动提取参数。尤其是模糊均值算法应用于样本数据分类也可以得到初始数据部分。接着，此信息会被用来初始化一个用来学习无线射频识别传感器模型的自适应神经模糊推理系统。后者被定义为一个接收信号强度模型和标记检测模型的组合。我们还证明了，上述所研究的传感器模型可以有效地用于标记定位，提供准确的标签位置估测。标签位置被称为环境的地图，这个环境使用激光测距仪定位机器人。如果对天线的正确对齐方式被采纳，那么不具体的标签排列是有必要的。注意，这个调整可以影响可能更高或更低的传输/接收性能，涉及范围也可能受到波动。

我们的移动机器人实验室的测试结果显示，传感器建模和标签定位两个建议的方法是准确的而强大的，它们允许自主导航和检查任务的有效使用。机器人在实验期间由配有射频识别装置和激光测距仪的移动公司PeopleBot平台运作。RFID系统由一个RFI641 UHF阅读器和一个圆极化天线组成，而标签是无源UHF Gen2 SICK RFT661-5653标签。

本文的余下研究部分如下。在对相关工作进行讨论之后，阐述了传感器建模和标签定位方法。接着，展示了实验结果及讨论。最后，用一些结论结束了本文。

1. 相关工作

射频识别技术在移动机器人中的应用是近期兴起的，它已经在过去的十来年里茁壮的成长。许多种方法被提出来用做以识别为基础的定位和导航。1995年，在库比兹等人的努力下，RFID标签用于移动机器人导航的基于拓扑图的人工路标。2005年，Tsukiyama研究发现，机器人采用超声波测距仪直到发现一个RFID标签，然后根据拓扑图的路径执行下一个动作。2004年，Kulyukin研究发现，一种基于射频识别的视觉障碍机器人系统正在研究中。它采用无源射频识别标签手动连接到在一个室内环境中的对象，触发移动机器人的局部导航行为。

2008年，Gueaieb和Miah描述了一种新的导航技术，但这个实验只能通过计算机模拟出来。标签被放在未知位置的天花板上用来定义机器人导航沿着地上的虚拟线的轨迹，连接标签在地面上的正交投影点。2011年，Choi描述了一种移动机器人定位技术，这个建立在一种采用射频识别系统和超声波传感器的传感器融合基础之上。无源射频识别标签被布置在地板上的固定模式和坐标绝对值被存储在每个标签中。移动机器人的全局位置通过考虑读者区域内的标签得到。采用超声波传感器来补偿射频识别系统的局限性和不确定性。

在以前的作品中，射频识别标签主要用于环境的地标，以触发特定的机器人行为，一旦它们被检测到。虽然有效支持移动机器人导航，这些方法大多假设的位置的标记是已知的先验或需要安装的标签，以在结构良好的环境形成特定的模式，这在实际环境中是不可能的。此外，由于这些方法的特殊性，没有传感器模型，因为他们只使用识别事件的射频识别标签，而不考虑在什么程度上的。

接下来描述了一些不同的研究。他们涉及到被动标签使用不同的方法定位，这些方法取决于传感器信息的类型和模型应用的方式。早期的工程模型传感器信息只考虑标签检测事件；最近，相反，还要考虑接收信号强度值。这种差异主要是由于新的射频识别装置的发展。然而，在某些情况下，接收信号强度是由天线的不同功率等级的数值模拟的。例如，Alippi等人提出了一种基于旋转天线和多个阅读器扫描的极性定位算法。在每个角落，阅读器会提供天线一个持续增加的动力。在每个阅读器的活动结束时，处理服务器获取每个标签，包括读写器的数据包、角位置、标签标识和最小探测能力。该标签定位算法基于贝叶斯算法。

Hahnel等人提出了处理无源标签的定位移动机器人应用的第一个工作之一。作者提出了一种粒子滤波方法用于定位先前建立的环境地图中的无源电子标签，使用的移动机器人配备了一个RFID装置和一个激光测距仪。首先，一个传感器模型通过计数的频率的检测给定的不同的天线和标签之间的相对位置的统计来建立。传感器模型和标签定位建立在概率性方法之上。双标签定位算法被开发，也就是一个在线状态和一个离线状态的方法。离线状态的方法和Hahnel提出的很相似。在线算法是基于一个简化的定义在高概率区域的天线模型，而不是描述每个位置上的概率，以实现计算效率。

2006年，Jia等人提出标签可以用来检测并回避障碍物，贝叶斯规则被应用到估计标签位置。标签也可用作基于立体视觉装置的视觉输入的机器人定位的地标。Vorst和Zell等作者和Hahnel一样遵循粒子滤波器的移动机器人定位方法，并提出了一种新的学习概率识别传感器模型的半自动的方法。Rohweder也运用了粒子滤波，但无源射频识别标签更准确的位置估计利用了环境空间结构的知识。Milella等人描述了一个标签定位方法和传感器模型，他们所提出的方法不同于上述方法，是使用模糊集理论，不是概率性方法。Joho等人提出一种可与国家艺术形式相比的新型传感器的概率模型。接收信号强度和标签检测事件都被认为要达到一个高精确度。在毫无监督的模式下自主引导传感器的方法也是被提倡的。粒子滤波会被应用到定位分布在环境和移动代理中的无源电子标签。

由于我们使用两个信号强度信息和标签检测事件的传感器建模，我们的工作追随着Joho等人工作的原理。然而，我们方法不同的是，我们使用自适应神经模糊推理学习的无线射频识别装置的传感器模型。此外，我们不仅考虑标签和天线之间的相对距离，也考虑它们的相对方向。接下来介绍了传感器模型的研究的更多细节。

1. 研究传感器模型

在我们的工作中，建立的射频识别装置的模型以模拟标签相关的位置，并给出其相对于天线的相对位置和角度。该传感器模型的构建包括到数据采集和模型学习的两个主要阶段。前者指应用于收集数据的策略。相反，后者是指通过使用记录的数据的模型的构建。我们采用模糊推理系统给RFID设备建模，然后学习它并应用ANFIS。在接下来的章节中，每一个阶段都有更详细的描述。

3.1数据记录

过去的数据记录方法在相关的作品中已经介绍了，包括不同位置和每个网络单元的标签计数频率的离散表格。在盒子或墙上的标签面前的网格中，通过移动一个配有一个或多个天线的机器人来获取读数。这种方法对于在位置已知且检测率作为标记检测频率时的网格测量是有利的。然而，如果要采取大量的数据，这个过程可能是繁琐和缓慢的。我们采用一个稍微不同的方法来收集有用的传感器模型构建的数据。在我们的实验室的不同位置部署了一些标签后，机器人将会在环境中被引导，连续的记录标签测量数据。关于标签测量，我们指的相对距离和相对的标签以及每个标签的接收信号强度值的检测天线的相对取向。真正的标签位置是通过使用经纬仪站计算的，而在地图的环境中的机器人位置是应用一个准确的自我定位算法来估测，这个算法称为Monte Carlo定位。然后标签和机器人之间的相对位置就知道了。注意，多个标签可以由天线被同时读取，因此在记录阶段里，同一时间，相对于上述报道数据更丰富也更快。此外，该方法跳过选择网格点，因为各种机器人（或天线）位置是环境中被引导的保证。

3.2数据规范化

一旦数据被收集，它们在传感器模型学习前进行预处理，以减少冗余，节省存储空间，并保证数据的一致性。由于数据已经在机器人导航过程中被存储，数量庞大的标签ID和与RSSI值相关的机器人位置已经注册。RSSI的一个主要问题是多径衰落：RSSI读数在时间和空间域中波动很快。因此，预处理步骤已被应用到RSSI值中。首先十个位置的每个机器人的位置附近已经固定，然后RSSI值附近的平均数已经计算，RSSI平均值被关联到每个位置附近。

3.3传感器模型基本概念

在讨论模型构建阶段之前，特别是对于模糊逻辑和模糊集理论的读者来说，知道所涉及的元素的一些基本定义是有必要的。模糊系统的关键要素是语言变量、语言变量、隶属函数和模糊规则集。为了理解这些元素之间的关系，需要一些正式的定义。让X是一组域元素（如该组的男性）。 让L是一组语言变量（如男性的高度）。A是与语言变量相关联的一组数据（如：与男性身高相关的高或短）。让uA：X→[0, 1]是表示uA（x）的隶属函数，元素x属于语言变量A的一组区间是[ 0，1 ]的变量。x的所有取值由uA(x)=1确定，非x值由uA(x)=0确定。0到1之间的值对A是逐步渐进的。隶属函数可以映射模糊的概念，例如非常高或相当短的，是准确的数字范围，允许部分属性类之间重叠，从值域内过渡出去是渐变的不是跳跃的。最简单的隶属函数是通过使用线建立的，如三角形或梯形的隶属函数，这是

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[153072]，资料为PDF文档或Word文档，PDF文档可免费转换为Word