一种路径跟踪方法、装置及系统与流程

1.本技术涉及物联网技术领域，尤其是涉及一种路径跟踪方法、装置及系统。


背景技术：

2.将物联网技术以及“工业4.0”理念引入车间生产过程，能够帮助管理人员全方位、自动、实时、透明地追踪生产过程信息，从而快速协调生产计划和资源，并提高企业的生产管理水平。在这个背景下，数字孪生技术应运而生，虚实交互成为智能车间或数字孪生车间的基本特征之一。而在数字孪生车间的实际应用当中，为了映射工件、物料在车间的流转，大多依靠着射频识别技术(radio frequency identification，rfid)进行非接触式的数据通信，识别工件上的标签，并将数据传入制造执行系统(manufacturing execution system，mes)中，以事件数据源作为位置信息判断条件，确定该工件处于哪个工位上，并判断该工件是否正在被加工。判断工件离开工位同样源于事件触发机制。因此rfid的定位跟踪精度会影响物料运输路径同步映射的准确性，从而影响管理人员的决策。
3.但目前应用广泛的rfid技术普遍采用接收信号强度信息(received signal strength information，rssi)的原理提取标签与读写器之间的距离，这种方式会受到周围噪声源的干扰，因此无法进行精准定位。


技术实现要素：

4.本技术的目的在于提供一种路径跟踪方法、装置及系统，从而解决现有技术中由于定位跟踪精度低导致确定的运输路径不准确的问题。
5.第一方面，为了达到上述目的，本技术提供一种路径跟踪方法，包括：
6.获取各个读写器确定的目标对象在第一时刻的测量位置；
7.将各个所述测量位置输入至当前已更新的基于非线性卡尔曼滤波算法的自适应目标动力学模型，获取所述目标对象在所述第一时刻的最优状态向量；其中，所述自适应目标动力学模型用于根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量；
8.根据不同时刻的最优状态向量，确定所述目标对象的路径。
9.可选地，根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量，包括：
10.获取在第二时刻预测的所述目标对象在所述第一时刻的预测状态向量；其中，所述第二时刻为所述第一时刻的前一时刻；
11.获取非线性卡尔曼滤波器的增益；
12.根据各个所述测量位置、所述预测状态向量和所述增益，预测所述目标对象在所述第一时刻的最优状态向量。
13.可选地，获取在第二时刻预测的所述目标对象在所述第一时刻的预测状态向量，包括：
14.根据公式x(ti∣t
i-1
)＝a(t
i-1
)x(t
i-1
∣t
i-1
)，获取所述预测状态向量；
15.其中，x(ti∣t
i-1
)为所述预测状态向量，a(t
i-1
)为系统状态转移矩阵，x(t
i-1
∣t
i-1
)为所述目标对象在所述第二时刻的最优状态向量。
16.可选地，所述系统状态转移矩阵为：
[0017][0018]
其中，
[0019]
其中，η＝x,y，分别表示x，y坐标轴；thi为所述第一时刻与所述第二时刻的时间间隔；α为所述自适应目标动力学模型中的机动频率参数；α
η
为在x轴或y轴上的机动频率，为高斯白噪声方差。
[0020]
可选地，根据各个所述测量位置、所述预测状态向量和所述增益，预测所述目标对象在所述第一时刻的最优状态向量，包括：
[0021]
根据公式预测所述目标对象在所述第一时刻的最优状态向量；
[0022]
其中，x(ti∣ti)为所述目标对象在所述第一时刻的最优状态向量，x(ti∣t
i-1
)为在第二时刻预测所述目标对象在所述第一时刻的所述预测状态向量，kn(ti)为非线性卡尔曼滤波器的增益，zn(ti)为第n个读写器在所述第一时刻测量的所述测量位置，hn[xn(ti)]为第n个读写器对应的测量函数，n(ti)为所述读写器的数量。
[0023]
可选地，根据各个所述测量位置、所述预测状态向量和所述增益，预测所述目标对象在所述第一时刻的最优状态向量，包括：
[0024]
根据公式预测所述目标对象在所述第一时刻的最优状态向量；
[0025]
其中，x(ti∣ti)为所述目标对象在所述第一时刻的，x(ti∣t
i-1
)为所述预测状态向量，kn(ti)为非线性卡尔曼滤波器的增益，zn(ti)为第n个读写器在所述第一时刻测量的所述测量位置，为根据各个所述测量位置预测的所述目标对象在所述第一时刻的预测位置。
[0026]
可选地，获取所述目标对象在所述第一时刻的最优状态向量之后，所述方法还包括：
[0027]
根据所述目标对象在所述第一时刻的最优状态向量中的加速度估计值，更新所述自适应目标动力学模型中的机动频率和/或高斯白噪声方差。
[0028]
可选地，根据所述目标对象在所述第一时刻的最优状态向量中的加速度估计值，更新所述自适应目标动力学模型中的机动频率和/或高斯白噪声方差，包括：
[0029]
根据如下公式，确定更新后的所述机动频率和高斯白噪声方差：
[0030][0031]
其中，为所述目标对象在所述第一时刻的加速度估计值，为所述目标对象在第二时刻的加速度估计值，所述第二时刻为所述第一时刻的前一时刻，wa(t
i-1
)为零均值白噪声离散序列，β为加速度离散序列的机动频率，α为所述机动频率，thi为所述第一时刻与所述第二时刻的时间间隔，为所述零均值白噪声离散序列的方差，为所述高斯白噪声方差。
[0032]
第二方面，为了达到上述目的，本技术实施例还提供一种路径跟踪装置，包括：
[0033]
获取模块，用于获取各个读写器确定的目标对象在第一时刻的测量位置；
[0034]
预测模块，用于将各个所述测量位置输入至当前已更新的基于非线性卡尔曼滤波算法的自适应目标动力学模型，获取所述目标对象在所述第一时刻的最优状态向量；其中，所述自适应目标动力学模型用于根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量；
[0035]
确定模块，用于根据不同时刻的最优状态向量，确定所述目标对象的路径。
[0036]
第三方面，为了达到上述目的，本技术实施例还提供一种路径跟踪系统，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如第一方面所述的路径跟踪方法的步骤。
[0037]
第四方面，为了达到上述目的，本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如第一方面所述的路径跟踪方法的步骤。
[0038]
本技术的上述技术方案至少具有如下有益效果：
[0039]
本技术实施例的路径跟踪方法，首先，获取各个读写器确定的目标对象在第一时刻的测量位置；其次，将各个所述测量位置输入至当前已更新的基于非线性卡尔曼滤波算法的自适应目标动力学模型，获取所述目标对象在所述第一时刻的最优状态向量；其中，所述自适应目标动力学模型用于根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量；如此，提高了对目标对象的定位精度，最后，根据不同时刻的最优状态向量，确定所述目标对象的路径。这样，在对目标对象的定位精度提高的基础上，能够进一步提高对目标对象的路径的跟踪精度，为管理人员的决策提供可靠的依据。
附图说明
[0040]
图1为本技术实施例的路径跟踪方法的流程示意图；
[0041]
图2为数据融合的分类及常用算法的示意图；
[0042]
图3为rfid读写器放置于测量范围显示示例图；
[0043]
图4为物料运送轨迹设置示意图；
[0044]
图5为各仿真数据记录示例图；
[0045]
图6为基于ekf/ukf的物料估计轨迹与参考轨迹曲线图；
[0046]
图7为基于ekf/ukf的横纵轴估计轨迹与参考轨迹的曲线图；
[0047]
图8为基于ekf/ukf的横纵轴轨迹跟踪误差曲线图；
[0048]
图9为rfid读写器分布区域特点示意图；
[0049]
图10为重复对比试验中部分rfid读写器摆放位置及物料运输路径曲线图；
[0050]
图11为本技术实施例的路径跟踪装置的结构示意图。
具体实施方式
[0051]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0052]
本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
[0053]
在对本技术实施例的路径跟踪方法、装置及系统进行详细说明之前，先对相关技术点进行说明：
[0054]
一、rfid
[0055]
一种物联网技术，它依靠无线通信实现对物体的自动识别。典型rfid系统的基本组件包括rfid标签、读写器、天线以及后台应用系统。其中标签被附加到待识别和定位的对象上，而读写器使用系统天线接收到携带有rfid标签的对象进入系统识别范围内时产生的电磁信息，再传输到后台的应用系统中进行处理，从而达到使用者要求的各类应用效果。
[0056]
在定位领域当中，基于全球定位系统(global positioning system，gps)的户外定位服务已经得到了广泛应用，但由于卫星与接收机之间缺乏视距无线传输(line of sight)通道，gps无法在室内环境提供足够精确的定位服务。此外，许多其他问题使得室内环境的定位和跟踪比室外环境更加复杂且具有挑战性。例如障碍物分布过多导致的信号散射以及信号经过墙体和物体反射导致的多径效应等。随着基于红外、无线局域网、超宽带、rfid等技术方法的提出开发，为室内环境中的定位问题提供了各种渠道。但rfid可以识别不同的人和设备，且由于其较低的成本、有着较高精度定位对象的潜在能力和能够在遮挡和没有视野的环境中运作的特点，逐渐被广泛用于室内位置感知和目标跟踪领域中，也成为了车间无线传感器网络中一项应用广泛的技术。
[0057]
二、数据融合：
[0058]
数据融合是对多源数据进行分析处理的一种策略和理论方法，通过把不同时间和空间的数据在一定准则下进行综合分析与处理，精确、及时地获得对系统的一致性解释与描述，从而实现与之对应的信息处理、决策以及估计任务，能够使系统获得更为充分的信息。目前数据融合领域主要分为三类，分别是传感器融合、图像融合和信息融合。传感器融
合使用来自不同传感器的数据，并通过数据测量和分析过程将其整合为单一数据，能够实现更准确和更具体的推断；图像融合通过减少不确定性和冗余度来提高图像的信息含量，包括将各种表现形式的图像合并成一个单一的图像；信息融合是一个过程，用于从不完整的信息中提取信息，处理信息的相关性、组合性等多层次的过程，并最终用于完成所需的估计和决策环节。
[0059]
数据融合按操作对象分类又可以分为数据级融合、特征级融合以及决策级融合，其中数据级融合在图像领域又被称为像素级融合。各个层级分别针对数据本身、数据特征以及数据所反应的决策问题进行融合，各层级分类以及常用的算法如图2所示。本技术属于数据级融合层次。
[0060]
三、卡尔曼滤波法(kalman filter)：
[0061]
一种凭借前一时刻的系统状态预测值与当前时刻的测量值，根据递推方式计算得到最优估计值的最优化自回归数据处理算法。在室内定位和目标跟踪领域，卡尔曼滤波法及其各类衍生算法通常都可以起到优秀的估计效果。
[0062]
在实际的系统应用中，由于系统状态噪声与测量噪声等不确定因素的干扰影响，致使工程实践中往往充斥着大量的非线性滤波问题，例如rfid测量系统便是典型的非线性系统。但是，最开始提出的卡尔曼滤波法只适用于线性系统，其对非线性系统的估计效果很差，因此学者们陆续提出了扩展卡尔曼滤波(extended kalman filter，ekf)、无迹卡尔曼滤波(unscented kalman filter，ukf)、容积卡尔曼滤波(cubature kalman filter，ckf)、高斯-厄米特卡尔曼滤波(gauss-hermite kalman filter，ghkf)等非线性卡尔曼滤波算法。其中本技术主要研究了基于ekf与ukf的rfid轨迹跟踪数据融合。
[0063]
四、ekf算法模型
[0064]
考虑一般的离散时间非线性系统模型为：
[0065]
x(k)＝f[x(k-1),w(k-1)]
[0066]
z(k)＝h[x(k),v(k)]
[0067]
其中，x(k)表示在k时刻的系统待估计状态向量；z(k)表示在k时刻的系统状态测量值；w(k-1)表示系统过程噪声，为高斯白噪声序列；v(k)表示测量噪声，为与系统噪声相互独立的高斯白噪声；f(
·
)和h(
·
)表示非线性的过程方程与测量方程。
[0068]
ekf算法将非线性系统模型经过泰勒级数展开后处理为线性化模型，算法主要分为以下几个部分：
[0069]
(1)预测x(k∣k-1)：
[0070]
x(k∣k-1)＝f[x(k-1∣k-1),0]
[0071]
(2)更新x(k∣k)：
[0072]
x(k∣k)＝x(k∣k-1) k(k)[z(k)-h(x(k∣k-1),0]
[0073]
其中，k(k)为滤波器增益，代表了估计值与测量值对于真实值影响的权重。
[0074]
(3)滤波器增益k(k)：
[0075]
k(k)＝p(k∣k-1)h
t
(k)[h
t
(k)p(k∣k-1)h(k) m(k)r(k)m
t
(k)]-1
[0076]
其中，p(k∣k-1)代表向前一步预测方差；r(k)代表测量噪声协方差矩阵，为已知值；h(k)、m(k)如下式所示。
[0077][0078][0079]
(4)向前一步预测方差p(k∣k-1)：
[0080]
p(k∣k-1)＝f(k-1)p(k-1∣k-1)f
t
(k-1) l(k-1)q(k-1)l
t
(k-1)
[0081]
其中，p(k-1∣k-1)代表k-1时刻估计方差；q(k-1)代表过程噪声方差，为已知值；f(k)、l(k)如下式所示。
[0082][0083][0084]
(5)状态估计方差p(k∣k)：
[0085]
p(k∣k)＝[i-k(k)h(k)]p(k∣k-1)
[0086]
五、ukf算法模型
[0087]
无迹变换是指通过一定的方法从众多数值点中选取合适的若干点，称之为sigma点，并用这些sigma点来计算均值和方差，且能够很好地接近真实值。具体的选取方法在此不做赘述，ukf算法则是利用无迹变换处理非线性系统模型，从而进行更准确的预测和更新。算法主要分为以下几个部分：
[0088]
(1)预测x(k∣k-1)：
[0089]
x(i)(k-1∣k-1)＝x(k-1∣k-1) x(i),i＝1,
…
,2n
[0090][0091][0092]
x(i)(k∣k-1)＝f[x(i)(k-1∣k-1)]
[0093][0094]
其中x(i)(k-1∣k-1)即为sigma点；代表n乘估计方差p后进行矩阵开方，并选择其中的第i行并转置后得到n维向量。
[0095]
(2)更新x(k∣k)：
[0096]
x(i)(k∣k-1)＝x(k∣k-1) x(i),i＝1,
…
,2n
[0097][0098][0099]
[0100][0101][0102]
(3)滤波器增益k(k)：
[0103][0104][0105][0106]
(4)向前一步预测方差p(k∣k-1)：
[0107][0108]
(5)状态估计方差p(k 1∣k 1)：
[0109]
p(k 1∣k 1)＝p(k∣k 1)-k(k)p
zkt
(k)
[0110]
下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的路径跟踪方法、装置及系统进行详细地说明。
[0111]
如图1所示，为本技术实施例的路径跟踪方法的流程示意图，该方法包括：
[0112]
步骤101，获取各个读写器确定的目标对象在第一时刻的测量位置；
[0113]
这里需要说明的是，目标对象上贴有标签，读写器通过识别目标对象上的标签，确定读写器与目标对象之间的距离，从而进一步确定目标对象的测量位置；
[0114]
这里，还需要说明的是，目标对象在第一时刻的测量位置可以用读写器与目标对象之间的距离向量表示。
[0115]
步骤102，将各个所述测量位置输入至当前已更新的基于非线性卡尔曼滤波算法的自适应目标动力学模型，获取所述目标对象在所述第一时刻的最优状态向量；其中，所述自适应目标动力学模型用于根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量；
[0116]
这里，需要说明的是，本步骤中，通过将各个测量位置输入至基于非线性卡尔曼滤波算法的自适应目标动力学模型，使得基于非线性卡尔曼滤波算法的自适应目标动力学模型能够对这些测量位置进行数据融合，以获得该目标对象的最优状态向量；其中，该目标对象的最优状态向量至少包括该目标对象的位移、速度和加速度等。
[0117]
步骤103，根据不同时刻的最优状态向量，确定所述目标对象的路径。
[0118]
本技术实施例的路径跟踪方法，首先，获取各个读写器确定的目标对象在第一时刻的测量位置；其次，将各个所述测量位置输入至当前已更新的基于非线性卡尔曼滤波算法的自适应目标动力学模型，获取所述目标对象在所述第一时刻的最优状态向量；其中，所述自适应目标动力学模型用于根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量；如此，提高了对目标对象的定位精度，最后，根据不同时刻的最优状态向量，确定所述目标对象的路径。这样，在对目标对象的定位精度提高的基础上，能够进一步提高对目标对象的路径的跟踪精度，为管理人员的决策提供可靠的依据。
[0119]
这里，对步骤101，获取各个读写器确定的目标对象在第一时刻的测量位置的具体实现过程进行说明：
[0120]
rfid测量系统通过rssi方法获取在ti时刻与检测目标(目标对象)之间的距离zn(ti)，如下式所示：
[0121][0122]
式中，d0表示固定的参考距离；p(d0)表示读写器与目标对象之间的距离为d0时的接收信号强度；p(d)表示读写器与目标对象之间的距离为d时的接收信号强度；n为路径损耗指数，由环境因素决定。
[0123]
实际测量当中，测得距离zn(ti)以及实际距离dn(ti)是不相同的，如下式所示：
[0124]zn
(ti)＝dn(ti) vn(ti)
[0125]
其中，vn(ti)表示第n个读写器在ti时刻的测量噪声，在实际应用中测量噪声方差往往与实际距离之间满足一定关系。
[0126]
作为一个可选的实现方式，步骤102，根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量，包括：
[0127]
获取在第二时刻预测的所述目标对象在所述第一时刻的预测状态向量；其中，所述第二时刻为所述第一时刻的前一时刻；
[0128]
获取非线性卡尔曼滤波器的增益；
[0129]
根据各个所述测量位置、所述预测状态向量和所述增益，预测所述目标对象在所述第一时刻的最优状态向量。
[0130]
本可选实现方式中，基于各个所述测量位置、前一时刻(第二时刻)预测的目标对象在本时刻(第一时刻)的预测状态向量和所述非线性卡尔曼滤波器的增益，预测所述目标对象在所述第一时刻的最优状态向量，实现了仅基于前一时刻的预测结果和本时刻的测量结果即可确定本时刻的最优状态向量，减少了预测过程中的运算时间，提高了预测速度。
[0131]
作为一个具体的实现方式，获取在第二时刻预测的所述目标对象在所述第一时刻的预测状态向量，包括：
[0132]
根据公式x(ti∣t
i-1
)＝a(t
i-1
)x(t
i-1
∣t
i-1
)，获取所述预测状态向量；
[0133]
其中，x(ti∣t
i-1
)为所述预测状态向量，即：在t
i-1
时刻预测目标对象在ti时刻的状态向量；a(t
i-1
)为系统在t
i-1
时刻的状态转移矩阵，其中，该系统状态矩阵是实时更新的；x(t
i-1
∣t
i-1
)为所述目标对象在所述第二时刻(t
i-1
时刻)的最优状态向量。
[0134]
其中，所述系统在t
i-1
时刻的状态转移矩阵为：
[0135]
[0136]
其中，
[0137]
其中，η＝x,y，分别表示x，y坐标轴；thi为所述第一时刻(ti时刻)与所述第二时刻(t
i-1
时刻)的时间间隔；α为所述自适应目标动力学模型中的机动频率参数；α
η
为α在x轴或y轴上的分量，为高斯白噪声方差。
[0138]
作为另一个可选的实现方式，根据各个所述测量位置、所述预测状态向量和所述增益，预测所述目标对象在所述第一时刻的最优状态向量，包括：
[0139]
根据公式预测所述目标对象在所述第一时刻的最优状态向量；
[0140]
其中，x(ti∣ti)为所述目标对象在所述第一时刻的最优状态向量，x(ti∣t
i-1
)为在t
i-1
时刻预测的目标对象在ti时刻的预测状态向量，kn(ti)为非线性卡尔曼滤波器的增益，zn(ti)为第n个读写器在所述第一时刻测量的所述测量位置，hn[xn(ti)]为第n个读写器对应的测量函数，n(ti)为所述读写器的数量。
[0141]
这里，需要说明的是，在本可选实现方式中，非线性卡尔曼滤波器具体可以为ekf；则非线性卡尔曼滤波器的增益具体为：
[0142][0143]
其中，kn(ti)为第n个读写器对应的在第一时刻(ti时刻)的卡尔曼滤波器的增益，p(ti∣t
i-1
)为在第二时刻(t
i-1
时刻)预测的目标对象在第一时刻(ti时刻)的状态方差预测矩阵；为第n个读写器对应的在第一时刻的测量函数的x轴分量的转置矩阵，为第n个读写器对应的在第一时刻(ti时刻)的协方差的逆矩阵；
[0144][0145]
其中，h
nx
(ti)为第n个读写器对应的测量函数在x轴上的分量的矩阵，p(ti∣t
i-1
)为在第二时刻(t
i-1
时刻)预测的在第一时刻(ti时刻)的状态方差预测矩阵；为第n个读写器对应的测量函数在x轴上的分量的转置矩阵，r(ti)为在第一时刻(ti时刻)的测量噪声协方差矩阵；
[0146][0147]
其中，p-1
(ti∣ti)为第一时刻(ti时刻)最优状态方差矩阵的逆矩阵，p-1
(ti∣t
i-1
)为在第二时刻(t
i-1
时刻)预测的在第一时刻(ti时刻)的预测状态方差矩阵的逆矩阵，rn(ti)为第n个读写器对应的在第一时刻(ti时刻)的测量噪声协方差矩阵，h
nx
(ti)为第n个读写器对应的第一时刻(ti时刻)的测量函数在x轴上的分量的矩阵，为h
nx
(ti)的逆矩阵；
[0148][0149]
其中，hn[ti,x(ti∣t
i-1
)]为第n个读写器对应的ti时刻的测量函数矩阵，xn(0)为预先设定的第n个读写器对应的x轴的初始状态向量，yn(0)为预先设定的第n个读写器对应的y轴的初始状态向量；xn(ti∣t
i-1
)为在t
i-1
时刻预测的ti时刻的第n个读写器对应的x轴方向的预测状态向量，为在t
i-1
时刻预测的ti时刻的第n个读写器对应的y轴方向的预测状态向量；
[0150]hnx
(ti)的雅克比矩阵为：
[0151][0152]
也就是说，在非线性卡尔曼滤波算法为ekf算法时，基于获取到的各个读写器确定的目标对象在第一时刻的测量位置确定目标对象在第一时刻的最优状态向量的过程如下：
[0153]
(1)，获取各个所述测量位置zn(ti)；
[0154]
(2)，基于公式x(ti∣t
i-1
)＝a(t
i-1
)x(t
i-1
∣t
i-1
)，获取目标对象在第一时刻的预测状态向量；
[0155]
其中，η＝x,y；
[0156]
(3)基于如下公式，获取非线性卡尔曼滤波器的增益：
[0157][0158]
p(ti∣t
i-1
)＝a(t
i-1
)p(t
i-1
∣t
i-1
)a
t
(t
i-1
) q(t
i-1
)
[0159][0160]
[0161][0162][0163][0164]
其中，q(t
i-1
)为过程噪声的方差矩阵，t0为初始采样周期，为高斯白噪声方差在x轴或y轴的分量，其他符号与前述相同符号的描述一致。
[0165]
(4)根据公式预测所述目标对象在所述第一时刻的最优状态向量。
[0166]
作为另一个可选的实现方式，根据各个所述测量位置、所述预测状态向量和所述增益，预测所述目标对象在所述第一时刻的最优状态向量，包括：
[0167]
根据公式预测所述最优状态向量；
[0168]
其中，x(ti∣ti)为所述目标对象在所述第一时刻的最优状态向量，x(ti∣t
i-1
)为在第二时刻(t
i-1
时刻)预测所述目标对象在所述第一时刻(ti时刻)的所述预测状态向量，kn(ti)为非线性卡尔曼滤波器的增益，zn(ti)为第n个读写器在所述第一时刻(ti时刻)测量的所述测量位置，为根据各个所述测量位置预测的所述目标对象在所述第一时刻的预测位置。
[0169]
这里，需要说明的是，本可选实现方式具体适用于非线性卡尔曼滤波算法为ekf算
法的自适应目标动力学模型；
[0170]
下面，对在非线性卡尔曼滤波算法为ekf算法时，基于获取到的各个读写器确定的目标对象在第一时刻的测量位置确定目标对象在第一时刻的最优状态向量的过程进行说明：
[0171]
(1)，获取各个所述测量位置zn(ti)；
[0172]
(2)，基于公式x(ti∣t
i-1
)＝a(t
i-1
)x(t
i-1
∣t
i-1
)，获取目标对象在第一时刻的预测状态向量；
[0173]
其中，η＝x,y；
[0174]
(3)计算所述目标对象在所述第一时刻的预测位置
[0175]
(a)根据如下公式，获取sigma点：
[0176][0177][0178][0179]
其中，w
(0)
为均值权重；为目标对象在第二时刻(t
i-1
时刻)的最优状态向量；是与过程噪声w(t
i-1
)同维度的列向量，是与测量噪声v(t
i-1
)同维度的列向量；n
x
为系统状态的维度；p(t
i-1
∣t
i-1
)为第二时刻(t
i-1
时刻)的估计方差矩阵；是矩阵的第i列主要平方根。通过过程模型可以实例化每个点，进而得到转化集。
[0180]
[0181]
(b)根据公式预测均值；
[0182]
(c)根据公式预测方差；
[0183]
(d)通过计量模型分别给出预测点：
[0184]
(e)根据公式确定目标对象在所述第一时刻的预测位置
[0185]
(4)根据如下公式，确定非线性卡尔曼滤波器的增益：
[0186][0187]
其中，kn(ti)为非线性卡尔曼滤波器增益，sn(ti)为协方差，p
x,n
(ti)为交叉协方差。
[0188]
(5)根据公式预测所述最优状态向量。
[0189]
这里，还需要说明的是，在所述第一时刻为第一个时刻的情况下，在确定目标对象在所述第一时刻的最优状态向量的过程中，可以利用预先设定的初始状态向量/参数作为前述第二时刻的相关状态向量/参数。
[0190]
进一步地，作为一个可选的实现方式，获取所述目标对象在所述第一时刻的最优状态向量之后，所述方法还包括：
[0191]
根据所述目标对象在所述第一时刻的最优状态向量中的加速度估计值，更新所述自适应目标动力学模型中的机动频率和/或高斯白噪声方差。
[0192]
本可选实现方式中，通过更新自适应目标动力学模型中的激动频率和/或高斯白噪声方差，实现了自适应目标动力学模型的自适应改变，从而进一步提高了自适应目标动力学模型的预测的准确性。
[0193]
作为一个具体的实现方式，根据所述目标对象在所述第一时刻的最优状态向量中的加速度估计值，更新所述自适应目标动力学模型中的机动频率和/或高斯白噪声方差，包括：
[0194]
根据如下公式，确定更新后的所述机动频率和高斯白噪声方差：
[0195][0196]
其中，为所述目标对象在所述第一时刻的加速度估计值，为所述目标对象在第二时刻的加速度估计值，所述第二时刻为所述第一时刻的前一时刻，wa(t
i-1
)为零均
值白噪声离散序列，β为加速度离散序列的机动频率，α为所述机动频率，thi为所述第一时刻与所述第二时刻的时间间隔，为所述零均值白噪声离散序列的方差，为所述高斯白噪声方差。
[0197]
这里，需要说明的是，公式表明估计加速度满足一阶离散时间马尔可夫过程。
[0198]
这里，还需要说明的是，由于则β和的自相关关系可以表示为：
[0199][0200]
其中，l(0)与l(1)表示估计加速度的自相关函数，如下式所示：
[0201][0202]
则可以得到β和的参数值为：
[0203][0204]
因此，可以根据公式和的关系得到机动频率α和高斯白噪声方差从而使用得到的参数更新原本的自适应目标动力学模型，从而实现目标动力学模型的自适应变化。
[0205]
另外，参数更新的过程还可以按照如下方式进行更新：
[0206]
假设为η＝x或y；实时更新的参数为：和α
i,η
；其中，α
i,η
为系统的当前更新的机动频率α的x轴或y轴的分量，为当前更新的高斯白噪声方差的x轴或y轴的分量；则：
[0207]
当i≤k0时，和α
i,η
为：
[0208][0209]
当k0为小于10的正数时机动频率α
i,η
为正，am为正数，-am是am的相反数。
[0210]
当i＞k0时，和α
i,η
根据如下公式获得：
[0211][0212]
这里，还需要说明的是，车间数据信号具有规模海量、多源异构、多时空尺度、多维度等大数据特征，为了数据融合方法与数字孪生系统更好的结合，现提出了基于数据融合的数字孪生系统数据传输流。其中软传感数据包括了零件性能参数数据、机构行程规划、工作过程模拟数据等传感器无法直接测量得到的数据；传感器实际物理数据包括了物理属性数据、历史存储数据等可以由传感器直接获取的数据。本技术实施例所研究的路径跟踪方法同样适用于该数据传输流。
[0213]
下面，结合附图对应用本技术实施例的路径跟踪方法的实验验证与分析进行说明：
[0214]
首先运用rfid测量系统的基于rssi原理的基础上改进开发了车间rfid路径跟踪系统仿真数据平台，能够模拟放置若干个rfid读写器，并可以记录携带有rfid标签的物料运送轨迹的各测量点位距离读数，且运送轨迹可以自行设置并记录可供对照的真实值，如图3、图4和图5所示。
[0215]
在仿真数据生成之后，通过前述的ekf、ukf算法估计物料实际位置，同时利用车间自适应目标动力学模型估计物料运动过程，我们便可以得到基于ekf/ukf的车间rfid数据融合路径跟踪算法。
[0216]
其中基于ekf的路径跟踪算法包括了状态预测、状态融合估计(多rfid数据融合)、参数更新等部分；而基于ukf的路径跟踪算法包括了sigma点获取、预测均值、预测方差、协方差改进、交叉协方差矩阵、更新、参数更新等部分，其中更新部分使用了多rfid数据融合的方法，与基本的ukf方法不同。最终得到的路径跟踪实验效果如图6、图7和图8所示。
[0217]
从实验结果图6至图8中可以得知，ekf算法在某些rfid读写器分布较少的区域的估计误差会提升到很大，但在大多数情况下拥有良好的估计效果；而ukf算法在整体轨迹跟踪过程中都拥有稳定的估计效果，但在部分rfid读写器数量充足的区域估计效果差于ekf算法，其中图9展示了本次仿真实验rfid读写器分布区域特点。
[0218]
然后，进行了多次重复实验来对得到的实验结果进行验证。通过更改rfid读写器的数量及摆放位置，并且模拟了各种物料运输轨迹，且与高斯-厄密特卡尔曼滤波(ghkf)算法以及传统方法粒子滤波法进行了对比实验。部分选取的rfid摆放位置和物料轨迹路径如图10所示。
[0219]
经过多次重复实验，ekf方法的横轴平均误差为4.7947，平均估计协方差为46.0732，纵轴平均误差为2.5930，平均估计协方差为28.9697；ukf方法的横轴平均误差为3.8297，平均估计协方差为37.5835，纵轴平均误差为2.3428，估计协方差为26.1844。将实验结果与ghkf算法以及传统方法粒子滤波法进行比较，结果如下表1所示。该结果表明基于ekf、ukf的车间rfid数据融合路径跟踪算法能够有效的提升车间rfid跟踪定位精度。
[0220]
算法横轴平均误差横轴估计协方差纵轴平均误差纵轴估计协方差ekf4.794746.07322.593028.9697ukf3.829737.58352.342826.1844ghkf5.346752.11804.097638.6642粒子滤波法5.211853.99013.734142.8906
[0221]
表1
[0222]
除此之外，ekf方法具有更少的估计运算时间，ukf方法在整体的估计性能上具有更强的优势，能够很好地适应rfid数量以及摆放情况的各类更改。且在rfid读写器数量充足的情况下，两种估计方法的精确程度相差不大，原因是携带有rfid标签的物料被多个读写器同时读取数据后，多组数据经历了数据融合算法处理之后，算法估计性能有着很大的提升。
[0223]
本技术实施例的路径跟踪方法，具体涉及以非线性卡尔曼滤波法为代表的数据融合算法模型及车间应用方法，采用了基于ekf和/或ukf的车间rfid数据融合路径跟踪算法，用以提升智能车间物料运输轨迹跟踪的准确度。仿真结果表明，本技术实施例所提出的算法能够有效地降低rfid定位误差，其中基于ukf的方法可以提供更好的整体估计性能，但基于ekf的方法拥有更少的运算时间。同时，本文的研究也给车间其他传感器测量性能的提升起到了参考作用，通过数据融合等方法以满足智能化车间对于高精密传感器的需求。
[0224]
简言之，本技术实施例首先根据车间目标运动特性和不规则采样间隔下的系统模型，建立含有自适应参数(目标机动频率α以及噪声方差)的目标动力学模型；再确定目标物料实际运动过程中的加速度模型(基于ekf或ukf进行各时刻的最优状态向量的预测)，从而可以得到目标当前加速度估计值，并且凭借得到的估计值更新系统自适应参数；最终使用更新后的参数改变目标的初始动力学模型，并重复加速度估计、模型更新过程直到全部测量数据处理完毕。
[0225]
需要说明的是，本技术实施例提供的路径跟踪方法，执行主体可以为路径跟踪装置，或者该路径跟踪装置中的用于执行加载路径跟踪方法的控制模块。本技术实施例中以路径跟踪装置执行加载路径跟踪方法为例，说明本技术实施例提供的路径跟踪方法。
[0226]
如图11所示，本技术实施例还提供一种路径跟踪装置，包括：
[0227]
获取模块1101，用于获取各个读写器确定的目标对象在第一时刻的测量位置；
[0228]
预测模块1102，用于将各个所述测量位置输入至当前已更新的基于非线性卡尔曼滤波算法的自适应目标动力学模型，获取所述目标对象在所述第一时刻的最优状态向量；其中，所述自适应目标动力学模型用于根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量；
[0229]
确定模块1103，用于根据不同时刻的最优状态向量，确定所述目标对象的路径。
[0230]
本技术实施例的路径跟踪装置，首先，获取模块1101获取各个读写器确定的目标对象在第一时刻的测量位置；其次，预测模块1102将各个所述测量位置输入至当前已更新的基于非线性卡尔曼滤波算法的自适应目标动力学模型，获取所述目标对象在所述第一时刻的最优状态向量；其中，所述自适应目标动力学模型用于根据各个所述测量位置，预测所述目标对象在所述第一时刻的最优状态向量；如此，提高了对目标对象的定位精度，最后，确定模块1103根据不同时刻的最优状态向量，确定所述目标对象的路径。这样，在对目标对象的定位精度提高的基础上，能够进一步提高对目标对象的路径的跟踪精度，为管理人员的决策提供可靠的依据。
[0231]
可选地，所述预测模块1102包括：
[0232]
第一获取子模块，用于获取在第二时刻预测的所述目标对象在所述第一时刻的预测状态向量；其中，所述第二时刻为所述第一时刻的前一时刻；
[0233]
第二获取子模块，用于获取非线性卡尔曼滤波器的增益；
[0234]
预测子模块，用于根据各个所述测量位置、所述预测状态向量和所述增益，预测所述目标对象在所述第一时刻的最优状态向量。
[0235]
可选地，所述预测子模块具体用于：
[0236]
根据公式x(ti∣t
i-1
)＝a(t
i-1
)x(t
i-1
∣t
i-1
)，获取所述预测状态向量；
[0237]
其中，x(ti∣t
i-1
)为所述预测状态向量，a(t
i-1
)为系统状态转移矩阵，x(t
i-1
∣t
i-1
)为所述目标对象在所述第二时刻的最优状态向量。
[0238]
可选地，所述系统状态转移矩阵为：
[0239][0240]
其中，
[0241]
其中，η＝x,y，分别表示x，y坐标轴；thi为所述第一时刻与所述第二时刻的时间间隔；α为所述自适应目标动力学模型中的机动频率参数；α
η
为在x轴或y轴上的机动频率，为高斯白噪声方差。
[0242]
可选地，所述预测子模块具体用于：
[0243]
根据公式预测所述目标对象在所述第一时刻的最优状态向量；
[0244]
其中，x(ti∣ti)为所述目标对象在所述第一时刻的最优状态向量，x(ti∣t
i-1
)为在第二时刻预测所述目标对象在所述第一时刻的所述预测状态向量，kn(ti)为非线性卡尔曼滤波器的增益，zn(ti)为第n个读写器在所述第一时刻测量的所述测量位置，hn[xn(ti)]为第
n个读写器对应的测量函数，n(ti)为所述读写器的数量。
[0245]
可选地，所述预测子模块具体用于：
[0246]
根据公式预测所述最优状态向量；
[0247]
其中，x(ti∣ti)为所述目标对象在所述第一时刻的最优状态向量，x(ti∣t
i-1
)为所述预测状态向量，kn(ti)为非线性卡尔曼滤波器的增益，zn(ti)为第n个读写器在所述第一时刻测量的所述测量位置，为根据各个所述测量位置预测的所述目标对象在所述第一时刻的预测位置。
[0248]
可选地，所述装置还包括：
[0249]
更新模块，用于根据所述目标对象在所述第一时刻的最优状态向量中的加速度估计值，更新所述自适应目标动力学模型中的机动频率和/或高斯白噪声方差。
[0250]
可选地，所述更新模块具体用于：
[0251]
根据如下公式，确定更新后的所述机动频率和高斯白噪声方差：
[0252][0253]
其中，为所述目标对象在所述第一时刻的加速度估计值，为所述目标对象在第二时刻的加速度估计值，所述第二时刻为所述第一时刻的前一时刻，wa(t
i-1
)为零均值白噪声离散序列，β为加速度离散序列的机动频率，α为所述机动频率，thi为所述第一时刻与所述第二时刻的时间间隔，为所述零均值白噪声离散序列的方差，为所述高斯白噪声方差。
[0254]
本技术实施例还提供一种路径跟踪系统，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的路径跟踪方法实施例的各个过程，且能达到相同的技术效果，为了避免重复，这里不再赘述。
[0255]
本技术实施例还提供一种可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的路径跟踪方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0256]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0257]
以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也
应视为本技术的保护范围。