摘 要：本文通过介绍硬件结构、软件结构和相关算法介绍了室内定位导航系统，该系统以两轮自平衡机器人为载体，采集ibeacon的UUID和RSSI信息并发送到云服务器，PC端通过定位导航算法引导移动机器人到达目标位置。系统采用PID算法对移动机器人控制，通过RSSI算法计算移动机器人的当前位置以及导航最优路径。
关键词：ibeacon；移动机器人；室内定位导航
1.引言
隨着科技的进步和目前市场上对LBS业务的需求量的增大，人们对室内定位导航技术的要求也越来越高。在大型商场内，人们需要知道周边商品信息；在地下停车场，如何快速找到停车位；在机场，精准引导乘客办理手续等问题都迫使科技人员提高精准室内导航技术。因此，解决机器人室内定位导航是目前迫不及待而又艰巨的任务。
2.硬件结构
整个系统硬件设计分为：主控制器、电源、WiFi、避障模块、电机、液晶显示以及BLE模块，设计模块框图如图1所示。
本课题旨在研究两轮自平衡机器人在室内环境下的自主定位导航技术。其中作为室内导航载体，考虑到STM32F1系列具有高性能”Cortex-M3”内核，低功耗，容量大，多时钟多端口等优势，机器人采用STM32F103C8T6芯片作为主控制器。
课题采用苹果公司发布的iBeacon模块作为BLE模块，采集室内先验部署的ibeacon信标节点发射的UUID和RSSI信息作为定位算法的基础信息。
系统采用ESP8266 wifi模块MQTT协议实现人机交互，移动机器人将BLE模块采集到的UUID和RSSI信息通过ESP8266发布到云服务器，云服务器根据接收到的信息计算机器人当前所处的位置，云服务器再根据客户端发送的目标位置规划最优路径，引导移动机器人到达目标位置，实现移动机器人的室内导航。
为了便于查看移动机器人状态，该设计加载了一块0.96寸OLED显示屏，OLED不需要背光源，可以做到超低功耗运行，仅需23mA的动态运行电流，可以实时显示电池电量相关数据和设备控制状态。
3.软件结构
系统软件主要用于定位计算和路径规划，如图2所示。
PC端提前创建移动机器人工作环境地图，当云服务器接收到客户端输入的目标坐标后，每隔5秒钟将8266发送的ibeacon信息记录分析，得出最佳路径规划，直到机器人到达目标位置。若机器人在前往目标地址的途中检测到障碍物，可发送信息给服务器，服务器接收到遇障通知后可在地图上做出标记，以便下次路径规划使用。
4.PID控制算法
课题选用PID控制算法对移动机器人进行控制，PID控制算法根据偏差的比例（P）、积分（I）、微分（D）控制系统：
其中，kp为比例带，T1为积分时间，TD为微分时间。
由于两轮自平衡机器人具有原理简单，易于实现，适用面广，控制参数相互独立，参数的选定比较简单等优点，因此课题选用两轮自平衡机器人作为实验载体，如图3所示。对于两轮自平衡机器人，采用PD控制作为核心控制进行直立控制；PI控制对编码器信息进行低通滤波削弱电机控制比重，实现速度控制；PD控制结合Z轴陀螺仪进行转向控制。
5.RSSI算法
由于本课题是基于ibeacon实现室内定位导航的，因此主要根据ibeacon扫描模块读取信标节点的RSSI值（Received Signal Strength Indicator 接收信号强度）计算位置信息。基于RSSI测距的定位算法流程如图4所示。
PC端接收到ibeacon信息后，首先计算出未知节点到各信标节点的欧氏距离：
d = 10^（（abs（RSSI）- A）/（10 * n））
其中，d为计算所得距离（单位：m），RSSI为接收信号强度，A为发射端和接收端相隔1米时的信号强度，n为环境衰减因子。将计算出来的欧氏距离与信标节点一一对应，若存在某一节点对应的欧氏距离明显大于临近信标节点对应的欧氏距离，则将该信标节点对应的欧氏距离删除以排除电磁波在室内反射的情况。
排除干扰信号后将有效欧氏距离按照顺序排列，选择距离最小的K（k>2）个信标节点作为参考点进行加权平均得出未知节点坐标。
6.实验结果
实验选取过道为实验地点，首先部署信标节点，根据多次实验发现信标节点部署间隔以6m-7m最佳，可实现成本精度最大化。部署好信标节点后，通过客户端向云服务器发送目标位置坐标，并在PC端规划最佳路径。表1所示为多次实验随机抽取的5组结果对比。
由表1可知，本课题室内定位导航误差控制在2米以内，为进一步提高定位导航精度，可从优化RSSI算法方面着手实现。
参考文献
[1]李瑞峰，李伟招.基于多传感器信息融合的移动机器人路径规划[J].机电一体化，2002，4（2023）：18-21.
[2]Sancher A，de Castro A，Elvira S，et al.Autonomous indoor ultrasonic positioning system based on a low-cost conditioning circuit[J].Measuremen，2012，45（3）：276-283.
[3]曾连荪，基于人工神经网络的导航数据处理方法研究，上海海运学院学报1999，20，3.
[4]Zhao yang.The recognition and application of light language in unmanned
[5]vehicle environment understanding[C].IEEE International Conference on
[6]Vehicular Electronics and Safety，2011：211-241.
[7]夏梁盛，严卫生.基于栅格法的移动机器人运动规划研究[J].计算机仿真，2012，29（12）：229-233.
[8]孙俊.移动机器人路径规划[D].杭州：杭州电子科技大学，2010：3-12.
（作者单位：成都理工大学信息科学与技术学院）