基於可見光通訊的機器人與智慧型手機協同定位框架

目錄

1. 概述

本文旨在解決傳統技術（如GPS）因訊號阻擋而失效的室內定位挑戰。它提出了一個利用可見光通訊（VLC）的協同定位框架。該系統使用以開關鍵控（OOK）調變的LED燈來傳輸識別碼（ID）和位置資料。智慧型手機的CMOS相機利用捲簾快門效應，將這些光訊號捕捉為條紋，實現高速光學相機通訊（OCC）。透過解碼這些條紋，裝置可取得與預先映射的實體位置連結的唯一識別碼（UID），從而確定自身位置。此框架專為需要人機協作的場景設計，例如倉庫和商業服務，其中即時、共享的位置感知至關重要。

2. 創新點

核心創新在於設計了一個統一的、基於VLC的系統，用於智慧型手機與機器人之間的協同定位。主要貢獻包括：

1. 多方案VLP設計： 該系統整合了多種可見光定位（VLP）方案，以處理不同的智慧型手機傾斜姿態和變化光照條件，增強了實際應用的穩健性。
2. 整合式協同框架： 它建立了一個即時平台，智慧型手機和機器人的位置均被獲取並在智慧型手機介面上共享，實現相互感知。
3. 實驗驗證： 本研究聚焦並透過實驗驗證了關鍵效能指標：ID識別準確率、定位準確度以及即時性。

3. 系統演示說明

演示系統分為發射端和接收端兩部分。

3.1 系統架構

架構包含由微控制器單元（MCU）控制的LED發射器，廣播調變後的位置資料。接收端是智慧型手機（用於人員追蹤）和配備相機的機器人。智慧型手機作為中央樞紐，處理來自LED的VLC資料以進行自我定位，並接收機器人位置資料（可能透過WiFi/BLE等其他方式），以顯示統一的協同地圖。

3.2 實驗設置

如文中（圖1）所示，實驗設置包含四個安裝在平板上的LED發射器。一個可擴展的控制電路單元負責管理這些LED。環境設計用於模擬一個典型的室內空間，其中機器人和攜帶智慧型手機的人員同時運作。

4. 技術細節與數學公式

核心技術依賴於OOK調變和捲簾快門效應。LED以高頻調變的開/關狀態，被CMOS感測器捕捉時，並非呈現均勻的亮/暗影像，而是在影像上形成交替的暗帶和亮帶（條紋）。這些條紋的圖案編碼了數位資料（即UID）。

位置估算： 一旦UID被解碼，透過查詢預先建立的資料庫，即可獲得LED的世界座標 $(X_{LED}, Y_{LED}, Z_{LED})$。利用相機幾何（針孔模型）以及偵測到的LED影像像素座標 $(u, v)$，可以估算裝置相對於LED的位置。對於已知LED高度 $H$ 的簡化二維情況，若已知或已校正相機的傾斜角度 $\theta$ 和焦距 $f$，則可近似計算相機到LED垂直投影的距離 $d$：

$ d \approx \frac{H}{\tan(\theta + \arctan(\frac{v - v_0}{f}))} $

其中 $(u_0, v_0)$ 是主點。觀測到多個LED即可進行三角測量，以實現更精確的二維/三維定位。

5. 實驗結果與圖表說明

論文指出，基於實驗系統，已證明該框架的可行性、高準確度和即時效能。雖然提供的摘要未詳述具體數值結果，但引用了達到高準確度（例如，在相關的純機器人工作中達到2.5公分[2,3]）。

隱含的圖表/圖形：

• 圖1：整體實驗環境與結果： 可能展示包含四個LED面板、一個機器人以及一個攜帶智慧型手機人員的實體設置。關鍵「結果」可能是智慧型手機顯示螢幕的示意圖或截圖，顯示地圖上兩個實體的即時位置。
• 準確度評估圖表： 典型的圖表會包含靜態和動態測試下定位誤差的累積分佈函數（CDF），並將所提方法與基準方法進行比較。
• 即時效能指標： 顯示不同條件下延遲（從影像捕捉到位置顯示的時間）的圖表。

6. 分析框架：範例情境

情境： 倉庫人機團隊揀貨。
步驟1（地圖建構）： 將具有唯一UID的LED安裝在倉庫天花板的已知位置。地圖資料庫將每個UID連結到其 $(X, Y, Z)$ 座標。
步驟2（機器人定位）： 機器人朝上的相機捕捉LED條紋，解碼UID，並使用幾何演算法計算其精確位置。它導航至庫存貨架。
步驟3（工作人員定位）： 揀貨員的智慧型手機相機（可能傾斜）也捕捉LED訊號。系統的多方案VLP補償了傾斜角度，解碼UID並確定工作人員的位置。
步驟4（協同作業）： 機器人和智慧型手機透過區域網路交換座標。智慧型手機應用程式顯示雙方位置。機器人可以導航至工作人員位置交付揀取的物品，或者當工作人員過於接近機器人路徑時，系統可以發出警報。
成果： 在不依賴微弱或擁擠的射頻訊號下，提升安全性、效率和協調性。

7. 應用前景與未來方向

近期應用：

• 智慧倉庫與工廠： 用於物流中的庫存機器人、自動導引車（AGV）和工作人員。
• 醫療保健： 追蹤醫院中的移動醫療設備和醫護人員。
• 零售業： 大型商店中的顧客導航以及與服務機器人的互動。
• 博物館與機場： 為訪客提供精確的室內導航。

未來研究方向：

1. 與SLAM整合： 將基於VLC的絕對定位與機器人的SLAM深度融合（如[2,3]所提示），以在動態環境中實現穩健、無漂移的導航。
2. AI增強訊號處理： 使用深度學習在極端條件下（動態模糊、部分遮擋、其他光源干擾）解碼VLC訊號。
3. 標準化與互通性： 為VLC定位訊號開發通用協定，以實現大規模部署，類似於IEEE 802.15.7r1工作小組的努力。
4. 節能設計： 最佳化智慧型手機端的處理演算法，以最小化持續使用相機所帶來的電池消耗。
5. 異質感測器融合： 將VLC與超寬頻（UWB）、WiFi RTT和慣性感測器結合，打造容錯性高、可用性高的定位系統。

8. 參考文獻

1. [1] 作者。"基於機器人作業系統的機器人定位方法。" 會議/期刊, 年份。
2. [2] 作者。"基於單一LED的機器人定位方法。" 會議/期刊, 年份。
3. [3] 作者。"[相關工作]結合SLAM。" 會議/期刊, 年份。
4. [4] 作者。"論機器人的協同定位。" 會議/期刊, 年份。
5. [5-7] 作者。"適用於不同光照/傾斜情況的VLP方案。" 會議/期刊, 年份。
6. IEEE Standard for Local and metropolitan area networks--Part 15.7: Short-Range Optical Wireless Communications. IEEE Std 802.15.7-2018.
7. Gu, Y., Lo, A., & Niemegeers, I. (2009). A survey of indoor positioning systems for wireless personal networks. IEEE Communications Surveys & Tutorials.
8. Zhuang, Y., et al. (2018). A survey of positioning systems using visible LED lights. IEEE Communications Surveys & Tutorials.

9. 原創分析與專家評論