陳 靜，翟 曦，趙紫薇

(1.河北省科技情報研究院，石家莊 050000；2.河北省兒童醫(yī)院，石家莊 050000)

0 引言

工業(yè)機器人作為智能制造的重要載體，在大范圍復雜任務中具有巨大潛力。隨著社會的發(fā)展和科技的進步，巡邏機器人在大型商場、工業(yè)制造車間等場景應用較為廣泛。巡邏機器人是指在固定區(qū)域內(nèi)執(zhí)行檢查、數(shù)據(jù)采集、安全風險識別等功能的機器人，其可自行完成巡檢任務[1]。但機器人在巡邏過程中，容易受到障礙物以及機器人自身關節(jié)運動偏差影響，導致其距離預設目標位置與實際達到位置之間存在偏差，影響其巡邏效果，使巡邏任務的完成效率和質(zhì)量較差。為此研究巡邏機器人定位誤差補償方法意義重大[2]?，F(xiàn)在也有很多學者研究巡邏機器人定位誤差補償方法，如高貫斌等人[3]提出的誤差相似度機器人定位誤差補償方法，該方法通過構建機器人定位誤差模型，獲得當前機器人定位誤差后，使用距離和夾角余弦作為誤差補償因子傳遞函數(shù)，再依據(jù)誤差相似度對機器人定位誤差進行補償。但該方法在應用過程中，其補償后的機器人定位位置方向均勻性較差，因此應用效果不佳。廖昭洋等人[4]提出一種基于時空混合圖卷積網(wǎng)絡的機器人定位誤差補償方法。首先通過設計圖關系編碼模塊、時空混合特征解碼模塊，構建基于圖卷積網(wǎng)絡的機器人位姿誤差預測模型；然后，針對傳統(tǒng)迭代補償方法中機器人逆解次數(shù)多導致效率低的問題，該文將定位誤差補償問題轉(zhuǎn)化為優(yōu)化問題，并利用遺傳算法同時對位置進行誤差補償。但該方法需要耗費較大的時間和精力，定位誤差補償?shù)墓ぷ餍瘦^低。馬虹[5]提出移動機器人融合定位補償方法，該方法利用機器視覺技術獲得機器人當前位置數(shù)據(jù)后，使用改進金字塔LK算法計算機器人移動速度得到機器人移動三維位置信息，對該三維位置信息進行融合后，使用小波神經(jīng)網(wǎng)絡對該三維位置信息進行修正，實現(xiàn)機器人定位誤差補償。但該方法受小波神經(jīng)網(wǎng)絡模型迭代泛化性能影響，其對機器人定位誤差補償精度不足。5G通信技術也稱為第五代移動通信技術，其是新一代寬帶移動技術[6]，在通信傳輸過程中延時極小，通信傳輸安全性較高，具有高速率、低延遲、大容量和廣覆蓋等特點，且可實現(xiàn)多設備并發(fā)連接[7-8]，可以為巡邏機器人的定位誤差自動補償提供更加穩(wěn)定和快速的數(shù)據(jù)傳輸服務。因此本文在此以5G通信技術為基礎，提出基于5G通信技術的巡邏機器人定位誤差自動補償方法，以提升巡邏機器人定位技術水平。該方法在巡邏機器人工作區(qū)域架設5G無線通信網(wǎng)絡，并將AD7380型號位置傳感器安裝在巡邏機器人上，利用位置傳感器獲取巡邏機器人工作時的位置信息后，利用5G無線通信網(wǎng)絡將其傳輸?shù)接脩鬚C端，得到巡邏機器人位置采樣點數(shù)據(jù)；并采用小波分析對采樣點數(shù)據(jù)進行去噪，以該數(shù)據(jù)為基礎，使用拉丁超立方采樣方法描述巡邏機器人在其巡邏空間內(nèi)的位置，得到巡邏機器人空間位置數(shù)據(jù)；再依據(jù)巡邏機器人空間位置數(shù)據(jù)，計算該機器人預設目標點誤差矢量，并構建巡邏機器人定位誤差補償模型，實現(xiàn)巡邏機器人定位誤差補償。該方法可以提高巡邏機器人的定位精度和穩(wěn)定性，從而提高巡邏任務的完成效率和質(zhì)量。且還可以推動5G通信技術在智慧城市、工業(yè)生產(chǎn)等領域的應用，為現(xiàn)代社會的安全保障和智慧城市建設提供技術支持。因此，基于5G通信技術的巡邏機器人定位誤差自動補償方法的研究具有重要的實踐價值。

1 巡邏機器人定位誤差自動補償方法

1.1 巡邏機器人工作區(qū)域5G無線通信網(wǎng)絡架設

由于巡邏機器人工作區(qū)域為預先設置的固定區(qū)域，為便于機器人管理，架設巡邏機器人工作區(qū)域5G無線通信網(wǎng)絡，將若干個巡邏機器人端口直接指向5G無線通信網(wǎng)絡內(nèi)，實現(xiàn)巡邏機器人的端對端管理，達到巡邏機器人集中管控目的[9]。使用網(wǎng)絡切片集中式跨區(qū)域映射網(wǎng)絡結構，架設巡邏機器人工作區(qū)域5G無線通信網(wǎng)絡，其中需要采用5G通信技術，該是一種基于新一代移動通信標準的技術，它采用了更高的頻段和更多的帶寬，以實現(xiàn)更快的數(shù)據(jù)傳輸速度和更低的延遲。5G無線通信網(wǎng)絡，使得機器人可以通過這個網(wǎng)絡與其他設備進行通信。這個網(wǎng)絡由若干個5G基站組成，每個基站覆蓋一個特定的區(qū)域?；局g通過光纖相連，形成一個通信網(wǎng)絡。在該網(wǎng)絡中，機器人和其他設備通過5G終端設備連接到5G基站，然后通過互聯(lián)網(wǎng)或其他網(wǎng)絡進行數(shù)據(jù)傳輸。5G網(wǎng)絡支持高速數(shù)據(jù)傳輸和低延遲通信，可以滿足巡邏機器人的實時控制和傳輸?shù)刃枨?。所架設巡邏機器人工作區(qū)域5G無線通信網(wǎng)絡，如圖1所示。

圖1 巡邏機器人工作區(qū)域5G無線通信網(wǎng)絡結構

在巡邏機器人工作區(qū)域5G無線通信網(wǎng)絡結構內(nèi)，網(wǎng)絡虛擬與編排器負責處理巡邏機器人不通過域內(nèi)的虛擬網(wǎng)絡請求，并回應虛擬映射網(wǎng)絡命令，傳輸不同域網(wǎng)絡信息與物理資源狀態(tài)信息。網(wǎng)絡物理資源由若干個接入網(wǎng)域基礎設施組成[10]，形成不同類型的自治域，其與基礎網(wǎng)絡服務供應商(SP)連接，為巡邏機器人工作區(qū)域提供虛擬網(wǎng)絡。虛擬網(wǎng)絡供應商(VNP)與服務供應商(SP)相連，通過不同服務供應商提供的網(wǎng)絡通信協(xié)議，并向巡檢機器人業(yè)務支撐平臺發(fā)送虛擬網(wǎng)絡請求，實現(xiàn)巡邏機器人與其管理平臺之間的信息傳輸。

1.2 基于位置傳感器的巡邏機器人位置拉丁超立方采樣

在巡邏機器人上安裝AD7380型號位置傳感器，利用該傳感器采集巡邏機器人在巡邏過程中的位置信息，再利用搭建的5G無線通信網(wǎng)絡將巡邏機器人位置信息傳輸?shù)接脩鬚C端內(nèi)，得到巡邏機器人位置采樣點數(shù)據(jù)。為提高后續(xù)巡邏機器人定位誤差計算的精度，對巡邏機器人位置采樣點數(shù)據(jù)進行去噪處理，以避免噪聲對后續(xù)定位誤差計算的干擾。小波分析去噪是將原始信號分解成不同尺度的小波系數(shù)，然后通過閾值處理來去除噪聲信號，最后再將去噪后的小波系數(shù)重構成新的信號。小波分析去噪適用性較強，可以應用于各種類型的信號。且去噪效果強，可保留信號的主要特征和信息，從而提高信號的質(zhì)量和精度。其計算速度更快，具有較高的靈活性和適應性。因此，采用小波分析來對巡邏機器人位置采樣點數(shù)據(jù)進行去噪處理。將巡邏機器人位置采樣點數(shù)據(jù)看作一種時間序列信號，則一個含噪聲的巡邏空間內(nèi)位置樣本時間序列信號可以表示成如下形式：

s(i)=f(i)+wδe(i)

(1)

式中，f(i)為真實信號，e(i)為噪聲信號，s(i)為含噪聲的信號，wδ為小波分解系數(shù)，δ為分解層。

其過程主要分為：分解、閾值量化、重構，分解過程如圖2所示，具體的過程描述如下：

1)小波分解。選擇一個小波，對信號s(i)進行X層小波分解。

2)波分解高頻系數(shù)的閾值量化。選擇一個閾值進行軟閾值量化處理，然利用該值對1到X層的每層的高頻系數(shù)噪聲進行處理。

3)信號重構。根據(jù)小波分解的第X層的低頻系數(shù)和經(jīng)過量化處理后的高頻系數(shù)，進行信號的重構。

圖2 小波分解過程

小波分解后，低頻系數(shù)大于噪聲高頻系數(shù)。所以，選取閾值λ與分解系數(shù)進行比較，具體如下式所示。當分解系數(shù)小于閾值λ時，說明分解系數(shù)為噪聲，對其進行去除；反之則該分解系數(shù)為不含噪信號，對其進行保留。

(2)

λ=ρ2lg(G)

(3)

式中，G為信號長度，ρ為噪聲水平的估值。綜合上述，重構后的信號表示為：

(4)

最后將重構后的信號輸出，由此實現(xiàn)去噪。接下來，以去噪后巡邏機器人位置采樣點數(shù)據(jù)為基礎，使用拉丁超立方采樣方法描述巡邏機器人在其巡邏空間內(nèi)的位置。拉丁超立方采樣方法(LHS，latin hypercube sampling)是一種常用的隨機采樣方法，但與傳統(tǒng)的隨機采樣方法不同，LHS可以保證樣本的均勻性和多樣性，從而提高采樣的效率和準確性。LHS的基本思想是將樣本空間劃分成若干個等分的子區(qū)間，然后在每個子區(qū)間中隨機選取一個樣本點。具體地，假設要采樣n個變量，每個變量有m個可能的取值，那么首先將每個變量的取值范圍分成m個等分，然后在每個等分中隨機選取一個樣本點。這樣就可以得到n個變量的m個樣本點，它們構成了一個LHS樣本集。LHS采樣方法的優(yōu)點在于能夠避免采樣點之間的相關性，從而更好地表示樣本空間的特征。此外，LHS還能夠有效地避免采樣點的聚集現(xiàn)象，即采樣點不會過于集中在某些區(qū)域，而是均勻分布在整個樣本空間中。其詳細過程如下：

令巡邏機器人位置采樣點維度為O，機器人的總數(shù)量為N，N=O，巡邏機器人位置采樣點數(shù)量為M個，si表示N個巡邏機器人采樣點維度變量，將該變量按照巡邏機器人巡邏范圍劃分為Q個子區(qū)間，M=Q。在將變量s1內(nèi)的Q個變量值和s2內(nèi)的Q個變量值進行配對處理，得到巡邏機器人位置采樣點二元集合{s1j，s2j}，其中j=1，2，...，M，再將該二元集合與變量s3內(nèi)的Q個變量值進行配對處理，依次類推，直至Q個區(qū)域的變量均匹配完成后，即可得到N個巡邏機器人在其巡邏空間內(nèi)拉丁超立方采樣位置樣本，其表達公式如下：

(5)

式中，S表示巡邏機器人在其巡邏空間內(nèi)拉丁超立方采樣位置樣本矩陣，在該矩陣內(nèi)[11]，每列均表示一個拉丁超立方采樣后的樣本向量，每行均表示Q個變量任意排列組合。

利用公式(1)即可得到巡邏機器人在其巡邏空間內(nèi)的位置樣本。

1.3 巡邏機器人定位誤差計算

在巡邏機器人巡邏空間內(nèi)，令其預設目標點的理論位置坐標由Ut(xt，yt，zt)表示，而通過公式(5)得到的巡邏機器人實際位置坐標為Ua(xa，ya，za)，則巡邏機器人預設目標點誤差矢量計算公式如下：

D=Ut-Ua=(xt-xa，yt-ya，zt-za)=

(Δx，Δy，Δz)

(6)

式中，D表示巡邏機器人預設目標點誤差矢量；Δx、Δy、Δz分別表示巡邏機器人預設目標點誤差矢量在三維坐標系內(nèi)變量。

以歐式距離方式描述巡邏機器人預設目標定位點的絕對誤差，其表達公式如下：

(7)

式中，D表示巡邏機器人預設目標定位點的絕對誤差。

1.4 巡邏機器人定位誤差補償模型構建

以上個小節(jié)得到的巡邏機器人預設目標定位點誤差矢量作為基礎，構建巡邏機器人定位誤差補償模型。依據(jù)巡邏機器人預設目標定位點誤差矢量和定位絕對誤差，建立描述巡邏機器人定位誤差分布規(guī)律的空間相似度模型，按照Taylor公式，巡邏機器人的定位誤差與其關節(jié)旋轉(zhuǎn)角度為線性函數(shù)和非線性函數(shù)相加的關系[12-13]。令巡邏機器人行走時的自由度為n，該巡邏機器人在特定行走區(qū)間內(nèi)任意選取m個目標位置點，則巡邏機器人關節(jié)轉(zhuǎn)角向量計算公式如下：

Θs=[Θs1，Θs2，…，Θsm]T

(8)

式中，Θs表示巡邏機器人關節(jié)轉(zhuǎn)角向量集合；T表示巡邏機器人關節(jié)轉(zhuǎn)角向量正態(tài)分布。

當巡邏機器人目標位置點為k時，此時巡邏機器人關節(jié)輸入由下式表示：

Θsk=[Θsk1，Θsk2，…，Θskn]T

(9)

式中，Θsk表示目標位置點為k時機器人關節(jié)輸入向量。

利用回歸模型描述巡邏機器人在其巡邏過程中的目標點誤差分布規(guī)律，其原理是基于已有的數(shù)據(jù)建立回歸模型，通過對回歸模型的分析，可以得出巡邏機器人在不同目標點上的誤差分布規(guī)律?；貧w模型的優(yōu)勢在于能夠通過對已有數(shù)據(jù)的學習和分析，得出目標點誤差分布規(guī)律，并進行預測和修正，從而提高巡邏機器人的定位準確性和可靠性。與傳統(tǒng)的規(guī)則模型相比，回歸模型具有更好的靈活性和適應性，能夠更好地適應實際場景中的復雜性和多變性，為巡邏任務的完成提供重要的支持和保障。因此，利用回歸模型描述巡邏機器人在其巡邏過程中的目標點誤差分布規(guī)律，表達公式如下：

ΔPsrk，l(Θsk)=D·[W(τ：，l，Θsk)+gl(Θsk)]

(10)

式中，ΔPsrk，l(Θsk)表示巡邏機器人在其巡邏過程中的目標點誤差分布規(guī)律；l表示拉丁超立方采樣空間坐標系的3個方向；gl(·)表示隨機過程函數(shù)；W(τ：，l，Θsk)表示Θsk的回歸模型；τ：，l表示回歸參數(shù)。Θsk的回歸模型展開公式如下：

W(τ：，l，Θsk)=τ1，l+τ2，lΘsk1+…+τn+1，lΘskn=

f(Θsk)Tτ：，l

(11)

式中，τ1，l...τn+1，l表示需要擬合的回歸參數(shù)；f(Θsk)表示巡邏機器人關節(jié)轉(zhuǎn)角函數(shù)。

依據(jù)公式(10)結果，建立巡邏機器人目標定位點關于其自身關節(jié)轉(zhuǎn)角向量?模型，表達公式如下：

?=[f(Θs1)，…，f(Θsm)]T

(12)

Θsi、Θsj表示任意兩個巡邏機器人目標定位點，且二者均屬于Θs，則該兩個巡邏機器人目標定位點隨機過程之間的協(xié)方差補償量計算公式如下：

(13)

(14)

式中，ζv表示巡邏機器人連桿v的模型參數(shù)；Θsi，v與Θsj，v分別表示第i和第j目標點連桿v的關節(jié)轉(zhuǎn)角。

以公式(14)結果為基礎，建立巡邏機器人采樣點定位誤差相似度模型R，其表達公式如下：

Ri，j=ε(ζ，Θsi，Θsj)

(15)

式中，Ri，j表示巡邏機器人采樣點定位誤差相似度模型R內(nèi)第(i，j)個元素；參數(shù)ζ可利用最大似然估計計算，表達公式如下：

(16)

式中，|R|表示巡邏機器人采樣點定位誤差相似度模型R的行列式。

將公式(15)代入到公式(13)內(nèi)，則公式(13)可改寫為：

(17)

參數(shù)向量是計算巡邏機器人目標定位點誤差補償?shù)幕A[14-15]，在此使用最小二乘法估計參數(shù)向量τ：，l，為便于書寫，τ下式以替代τ：，l，則巡邏機器人目標定位點關于其自身關節(jié)轉(zhuǎn)角向量模型與其位置定位誤差關系由下式表示：

(?T?)τ*=?T·ΔPsr

(18)

式中，τ*表示τ的最小二乘估計；ΔPsr表示參數(shù)標定后的訓練機器人定位點誤差。

當公式(18)滿足以下條件時：

(19)

則巡邏機器人采樣點定位誤差相似度模型R為對角線矩陣，其表達公式如下：

(20)

在公式(20)內(nèi)引入權重矩陣，則公式(20)可改寫為：

(21)

式中，Q表示權重矩陣；σ1l，σ2l，…，σml表示1～m目標點在l方向上的算術平方根。

利用Q?和QΔPsr替換公式(18)內(nèi)的?和ΔPsr，則公式(14)可改寫為：

(?TQ2?)τ*=?TQ2·ΔPsr

(22)

其中：c*的計算公式如下：

τ*=(?TR-1?)-1?T·ΔPsr

(23)

經(jīng)過上述步驟，得到τ的最小二乘估計值，將其帶入到公式(10)內(nèi)，再以公式(10)為基礎進一步計算巡邏機器人目標定位點隨機過程之間的協(xié)方差補償量，將該補償量輸入到巡邏機器人控制端內(nèi)，實現(xiàn)巡邏機器人定位誤差自動補償。

2 仿真實驗

為驗證所提方法的優(yōu)越性，接下來進行仿真實驗，其具體的仿真步驟描述如下。

步驟1：首先架設5G無線通信網(wǎng)絡，并選取實驗對象，并對其進行相關的實驗參數(shù)設置，以確保所得結果的可靠性；

步驟2：在巡邏機器人上安裝位置傳感器，令該巡邏機器人在特定區(qū)域內(nèi)執(zhí)行巡邏任務，利用5G無線通信網(wǎng)絡將獲取的數(shù)據(jù)信息傳輸?shù)接脩鬚C端；

步驟3：使用拉丁超立方采樣方法描述巡邏機器人在其巡邏空間內(nèi)的位置，得到巡邏機器人空間位置數(shù)據(jù)；

步驟4：計算該機器人預設目標點誤差矢量，并構建巡邏機器人定位誤差補償模型，利用該模型補償巡邏機器人定位誤差。

步驟5：在上述的基礎上進行實驗測試，并對其結果進行相應的分析。

在上述仿真步驟的基礎上，進行相關的設置。此次仿真實驗以型號為MR8巡邏機器人作為實驗對象，該巡邏機器人具備自主定位導航、設備儀表識別、自動定時巡邏和巡邏報告生成等多種功能。該型號巡邏機器人適用于配電房、自動化車間、高危車間以及室內(nèi)等場所，其總高度為125 cm，底盤大小為43*45 cm，重量為25 kg。其相關的參數(shù)設置如下表1所示。

表1 MR8巡邏機器人參數(shù)設置

實驗操作系統(tǒng)為Windows 10 64位操作系統(tǒng)，其處理器為Intel(R)Core(TM)i5-6500 CPU@3.00 GHz，內(nèi)存為16 G，采用Matlab軟件進行仿真分析。

接下來，基于上述設置，令該巡邏機器人在特定區(qū)域內(nèi)執(zhí)行巡邏任務，使用本文方法對該巡邏機器人定位誤差進行補償，分析本文方法可行性。設置的測試指標有5G無線通信測試、巡邏機器人定位信息采集測試、巡邏機器人定位誤差計算、巡邏機器人定位誤差補償測試、巡邏機器人定位誤差補償耗時測試，通過上述指標，完成對所提方法的驗證。

2.1 5G無線通信測試

利用位置傳感器采集巡邏機器人在巡邏區(qū)域內(nèi)的位置信息，并使用5G無線通信網(wǎng)絡將其傳輸?shù)接脩鬚C端，采用電子計時器測試在通信傳輸隊列長度不同情況下，5G無線通信網(wǎng)絡的傳輸時間，傳輸時間越短其速度越快，巡邏機器人定位誤差補償?shù)乃俣纫簿驮娇?。其結果如圖2所示。分析圖3可知，本文方法在使用5G通信技術傳輸巡邏機器人定位信息時，其傳輸時間會隨著隨著通信隊列長度的增加而增加，在通信隊列長度為150 Bytes時，其傳輸時間為0.2 s，低于預期值。該結果說明：本文方法使用5G無線通信傳輸巡邏機器人定位信息速度較快，傳輸能力較好，可提高巡邏機器人定位誤差補償?shù)乃俣取?/p>

圖3 5G無線通信測試結果

2.2 巡邏機器人定位信息采集

采集巡邏機器人在其巡邏區(qū)域內(nèi)的定位信息是對其定位進行補償?shù)幕A，接下來對巡邏機器人的定位信息采集進行檢測，在一個巡邏空間內(nèi)，設置18個位置點，使用拉丁超立方采樣方法描述巡邏機器人在其巡邏空間內(nèi)的定位信息采集位置，實現(xiàn)定位信息采集，其結果如圖4所示。分析圖4可知，本文方法可有效在巡邏機器人的巡邏空間內(nèi)，采集其定位信息，且無遺漏，還可得到該巡邏機器人的采集線路。上述結果表明：本文方法具備較好的巡邏機器人定位信息采集能力。

圖4 巡邏機器人定位信息采集

2.3 巡邏機器人定位誤差計算

以該巡邏機器人8個定位點作為實驗對象，測試本文方法計算巡邏機器人X軸方向定位誤差能力，并設置巡邏機器人定位誤差閾值為0.5 m，測試結果如表2所示。分析表2可知，本文方法在計算該巡邏機器人定位誤差時，計算誤差與實際誤差之間差值最小為0 m，最大為0.02 m，該數(shù)值遠低于預設的巡邏機器人定位誤差閾值，其說明本文方法計算巡邏機器人定位誤差較為準確，是因此在進行巡邏機器人定位誤差計算前，對采樣點數(shù)據(jù)進行去噪，提升了數(shù)據(jù)質(zhì)量，在一定程度上避免了噪聲的干擾。同時也從側面說明本文方法對巡邏機器人定位誤差補償能力較好。

表2 巡邏機器人定位誤差計算

2.4 巡邏機器人定位誤差補償測試

以10個預設目標點作為實驗對象，使用本文方法對該巡邏機器人定位誤差進行補償，目標的具體位置和定位誤差補償后的數(shù)據(jù)結果如下表3所示，效果呈現(xiàn)如圖5所示。分析表3和圖5可知，使用本文方法對該巡邏機器人定位誤差進行補償后，該巡邏機器人所到的位置與其預設目標點位置基本一致。該結果說明：本文方法可精準的對該巡邏機器人定位誤差進行補償，具備較好的應用性。

表3 目標的具體位置及定位誤差補償后結果

圖5 巡邏機器人定位誤差補償結果

進一步驗證本文方法對巡邏機器人定位誤差補償效果，以巡邏機器人到預設位置誤差作為衡量指標，測試本文方法應用前后該誤差值變化情況，結果如圖6所示。分析圖6可知，本文方法應用前，該巡檢機器人在不同定位點編碼位置時的定位誤差數(shù)值均較高，而應用本文方法對該巡檢機器人定位誤差進行補償后，其定位誤差始終保持在0.20 m以下。該結果說明：本文方法的定位誤差補償效果較好，在應用過程中具備較好的可行性。

圖6 巡邏機器人定位誤差補償效果

2.5 巡邏機器人定位誤差補償耗時測試

在上述測試的基礎上，為驗證所提方法的實用性，將定位誤差補償耗時作為評價指標，測試所提方法在進行定位誤差補償時所消耗的時間。由于該測試在MATLAB中完成，為記錄定位誤差補償時所消耗時間，選用tic-toc函數(shù)來記錄。將所得結果與預期結果相比較，并進行相應的分析，以完成所提方法的實用性驗證。所得測試結果如表4所示。

表4 巡邏機器人定位誤差補償耗時測試結果

根據(jù)表4測試結果可知，所提方法在對不同位置進行補償時，補償耗時有所差異，但仍然低于預期結果。其耗時范圍維持在0.32 s到0.35 s之間，其總體定位誤差補償耗時結果為3.31 s，比預期結果少0.89 s。經(jīng)對比可說明，所提方法具有了有效縮短巡邏機器人的定位誤差補償耗時，具有較高的工作效率，更加具有實用性。

綜合上述結果可知，基于5G通信技術的巡邏機器人定位誤差自動補償方法，定位信息速度較快，傳輸能力較好，且具備較好的巡邏機器人定位信息采集能力以及較高的定位誤差自動補償精度和較快的補償速度，具有極佳的定位誤差補償效果。

3 結束語

5G通信技術是指第五代移動通信技術，其主要特點包括高速率、低延遲、大容量和廣覆蓋等。在巡邏機器人應用場景中，5G通信技術可以提供更加穩(wěn)定和快速的數(shù)據(jù)傳輸服務，為巡邏機器人的定位誤差自動補償提供了技術支持。因此，在此背景下，本文針對巡檢機器人定位誤差較大情況，提出基于5G通信技術的巡邏機器人定位誤差自動補償方法。在該方法中利用5G無線通信技術實現(xiàn)巡檢機器人定位信息的傳輸，并以巡檢機器人定位信息為基礎，通過定位誤差自動補償模型實現(xiàn)巡邏機器人定位誤差補償。從實驗結果中得知，本文方法可有效降低巡邏機器人定位誤差，提高定位誤差自動補償精度和補償速度，其定位誤差補償效果較好，具備一定的可行性和實用性，未來該方法可在巡邏機器人應用場景推廣，并結合其他先進技術如人工智能、機器學習等進一步提高定位精度和穩(wěn)定性，從而更好地服務于現(xiàn)代社會的安全保障和智慧城市建設。