CN104316050A - 移动式机器人及其定位和地图构建的方法 - Google Patents

Abstract

移动式机器人的定位和地图构建的方法使用多个矢量场传感器可以减少定位和地图构建中的位置误差。该方法包括：使用编码器获取移动空间中的相对坐标；通过使用矢量场传感器检测信号的强度和方向，来获取移动空间中的绝对坐标；定义移动空间的表面上的多个虚拟小区使得每个小区拥有具有预定位置的多个节点，并且基于可以通过编码器获取的相对坐标和通过矢量场传感器获取的绝对坐标来更新关于小区的节点的位置信息，并且以在先前的节点的位置信息被确定时估计新的节点的位置信息的方式来实现移动空间中的定位和地图构建。

Description

移动式机器人及其定位和地图构建的方法

技术领域

本发明的一个或多个实施例涉及移动式机器人的定位和地图构建的方法。

背景技术

同时定位和地图构建（SLAM）、移动式机器人的定位和地图构建技术，可以被分类成两种主要类别。第一种是在包含移动式机器人可识别的特定指示器（例如，地标或信标）的环境中的移动式机器人的位置的识别。第二种是在不包含特定指示器的普通环境中的移动式机器人的位置的识别。在第二种类别的情况中，使用各种传感器来在不包含特定指示器的环境中识别位置。在这种情况中使用的典型感测技术包括利用图像、激光、和超声的技术。这些感测技术已被惯常地利用来寻找不同于其他位置的地标，并且离散地将其进行创建来识别移动式机器人的位置。最近，研究已经进行到利用作为离散地标的扩展的连续的矢量场来减少定位和地图构建中的误差。

然而，在使用单个传感器创建矢量场来利用矢量场的情况中，移动式机器人围着配置矢量场的小区或沿着小区边界的移动可能导致关于节点（小区的边界）的信息的更新不足。从而，不能减少位置误差。特别是，当移动式机器人以高速移动时，误差可能恶化。

发明内容

通过移动式机器人的定位和地图构建的如下方法的一个或多个实施例，上述问题可以被克服和/或其他方面可以实现，所述方法通过使用多个矢量场传感器补偿相对坐标的累积误差而可以大大地减少定位和地图构建中的位置误差。

一个或多个实施例的另外的方面和/或优点将部分在下面的描述中阐述，并且部分将从描述中变得显而易见，或者可以通过本公开的一个或多个实施例的实践来了解。一个或多个实施例包含这样的另外的方面。

根据一个或多个实施例，移动式机器人的定位和地图构建的方法包括：使用编码器获取移动空间中的相对坐标；通过使用多个矢量场传感器检测信号的强度和方向中的至少一个，来获取移动空间中的绝对坐标；定义移动空间的表面上的多个虚拟小区，使得每个小区拥有具有预定位置的多个节点；以及基于通过编码器获取的相对坐标和通过矢量场传感器获取的绝对坐标，更新关于至少一个小区的节点的位置信息，并实现移动空间中的定位和地图构建，使得当先前的节点的位置信息被确定时可以估计新的节点的位置信息。

当移动式机器人位于一个小区中时，可以执行更新。

该方法可以进一步包括：当移动式机器人位于小区中一个时，计算并应用用于每个节点的权重。

该方法可以进一步包括：当移动式机器人从一个小区移动到另一个小区时，初始化连接至要被扩展的另一节点的节点。

可以基于连接的节点的平均值和协方差值来执行初始化。

可以通过应用快速同时定位和地图构建（SLAM）来执行定位和地图构建。

该方法可以进一步包括使用通过矢量场传感器获取的绝对坐标来补偿通过编码器获取的相对坐标的误差。

相对坐标可以是包括x坐标、y坐标和移动式机器人的行进方向的角度的测距法（odometry）坐标。

小区可以在其之间具有连续性。

配置每个小区的节点可以在其之间具有连续性。

每个矢量场传感器可以是磁场传感器。

每个矢量场传感器可以是Wi-Fi接收信号强度指示器。

每个矢量场传感器可以是FM接收器。

至少两个矢量场传感器可以布置在移动式机器人的行进方向上的移动式机器人的前面和后面。

根据一个或多个实施例，移动式机器人可以包括：编码器，获取移动空间中的相对坐标；多个矢量场传感器，通过使用多个矢量场传感器检测信号的强度和方向中的至少一个来获取移动空间中的绝对坐标；以及控制器，其定义移动空间的表面上的多个虚拟小区使得每个小区可以拥有可以具有预定位置的多个节点，并且基于可以通过编码器获取的相对坐标和通过矢量场传感器获取的绝对坐标来更新关于至少一个小区的节点的位置信息，并且实现移动空间中的定位和地图构建使得当先前的节点的位置信息被确定时新的节点的位置信息可以被估计。

当移动式机器人位于小区中一个时，控制器可以更新关于节点的位置信息。

当移动式机器人位于小区中一个时，控制器可以计算并应用用于每个节点的权重。

当移动式机器人从一个小区移动到另一个小区时，控制器可以初始化连接至要被扩展的另一节点的节点。

可以基于连接的节点的平均值和协方差值来执行初始化连接的节点。

可以通过应用快速同时定位和地图构建（SLAM）来执行定位和地图构建。

控制器可以使用通过矢量场传感器获取的绝对坐标来补偿通过编码器获取的相对坐标的误差。

相对坐标可以是包括x坐标、y坐标和移动式机器人的行进方向的角度的测距法坐标。

小区可以在其之间具有连续性。

配置每个小区的节点可以在其之间具有连续性。

每个矢量场传感器可以是磁场传感器。

每个矢量场传感器可以是Wi-Fi接收信号强度指示器。

每个矢量场传感器可以是FM接收器。

至少两个矢量场传感器可以布置在移动式机器人的行进方向上的移动式机器人的前面和后面。

附图说明

从下面结合附图的实施例的描述中，这些和/或其他方面将变得明显和更容易理解，附图中：

图1是示出根据一个或多个实施例的移动式机器人的视图；

图2是示出诸如图1中所示的移动式机器人的根据一个或多个实施例的移动式机器人的控制***的框图；

图3是示出根据一个或多个实施例的移动式机器人的移动空间的视图；

图4是示意性地示出由诸如图1中所示的移动式机器人的根据一个或多个实施例的移动式机器人执行的定位和地图构建的视图；

图5是示出根据一个或多个实施例的控制移动式机器人的方法的视图；

图6是示出用于配置根据一个或多个实施例的移动式机器人所位于的小区的节点的视图；

图7是示出当移动式机器人从一个小区移动到另一个时，根据一个或多个实施例的移动式机器人周围的节点和小区的视图；

图8是示出在控制根据一个或多个实施例的移动式机器人的方法中的节点初始化的视图；

图9是示出用于根据一个或多个实施例的移动式机器人的矩形行进仿真的结果的视图；以及

图10是示出用于根据一个或多个实施例的移动式机器人的Z字形行进仿真的结果的视图。

具体实施方式

现在将详细参照在附图中所示的一个或多个实施例，在整个附图中，相似的参考标号指代相似的元件。在这点上，本发明的实施例可以以很多不同的形式具体化，而不应该被解释为限于在此阐述的实施例，因为在理解在此讨论的实施例之后，本领域普通技术人员将理解在此描述的***、装置和/或方法的各种变化、修改和等价内容被包括在本发明中。因此，下面仅通过参照附图描述实施例来说明本发明的各方面。

图1是示出根据一个或多个实施例的移动式机器人的视图。移动式机器人100可以在室内空间中移动的同时，通过使用可以由可以在清洁器内部旋转的风扇产生的吸力和/或可以由充电设备产生的静电来吸入在地板上的灰尘和碎片，从而执行清洁。可以给移动式机器人100提供配接站（未示出）来对其电池充电，并卸下灰尘和碎片。

电动车轮218可以被安装在机器人身110的下部来移动该移动式机器人100。电动车轮218可以由驱动马达（未示出）来驱动，来促使移动式机器人100线性地和旋转地移动。此外，诸如，例如，红外传感器或超声传感器等的障碍物检测器106可以被安装到机器人身110的外侧，可能使得移动式机器人在移动的同时避免障碍物。多个矢量场传感器108可以被布置在机器人身110的上部。在非限制性示例中，在图1中，提供了两个矢量场传感器108。然而，移动式机器人的配置不限于此。以下，为了便于数学描述，假设提供N个矢量场传感器108。

图2是示出诸如图1中所示的移动式机器人的根据一个或多个实施例的移动式机器人的控制***的框图。如图2中所示，移动式机器人100的控制***可以包括控制移动式机器人100的整体操作的控制器214。编码器206和多个矢量场传感器108、剩余电池电荷检测器212、障碍物检测器106、收集的灰尘/碎片量检测器216可以电连接至控制器214的输入侧来与控制器214通信。编码器206可以是获取移动式机器人100的相对坐标的传感器。编码器206可以检测移动式机器人100的电动车轮218的旋转的速率和方向，并且可以向控制器214发送相应值。可以通过编码器206检测电动车轮218的旋转的速率和方向来找到移动式机器人的测距法坐标(Δx,Δy,Δθ)。可以被配置为用于找到移动式机器人100的绝对坐标的矢量场传感器108可以基于移动式机器人100周围的特定信号的强度和方向来检测移动式机器人100的绝对位置。这里，绝对位置可以是可以通过特定信号的强度和方向来确定的关于坐标的位置。移动式机器人100可以基于通过编码器206和矢量场传感器108可以获取的位置信息来识别它的当前位置，并且可以驱动电动车轮218移动至目的地。在此过程中，控制器214可以实现移动式机器人100可以在其中移动的空间的地图构建。剩余电池电荷检测器212可以检测可重复充电电池210的剩余电量，并且可以向控制器214提供关于剩余电量的信息。当确定可重复充电电池210的剩余电量不足并且需要重新充电时，控制器214可以停止当前可能在进行中的移动式机器人100的操作，并且可以控制移动式机器人100返回配接站来对可重复充电电池210重新充电。移动式机器人100在移动的同时，障碍物检测器106可以检测可能存在于移动式机器人100前方的障碍物，并且可以向控制器214提供关于障碍物的信息。基于关于障碍物的信息，控制器214可以改变行进路径以使移动式机器人100可能绕过障碍物，从而可能防止由于障碍物而导致的移动式机器人100的停止。收集的灰尘/碎片量检测器216可以检测移动式机器人100中收集的灰尘和碎片的量，并且可以向控制器214提供关于该量的信息。控制器214基于关于收集的灰尘和碎片的量的信息可以确认在移动式机器人100中累积的灰尘和碎片的量，并且当装载的灰尘和碎片的量达到移动式机器人100可承担的最大装载量时，控制器214可以控制移动式机器人100停止清洁操作并返回配接站102来卸下灰尘和碎片。

旋转组件160e、电动车轮218、和灰尘吸入单元220可以电连接至控制器214的输出侧来与控制器214通信。作为接收器160的构件之一的旋转组件160e可以以恒定的速率在某一轨迹上旋转天线（antenna）160a至160d。电动车轮218可以移动移动式机器人100，并且可以包括用于前向和后向移动的驱动车轮以及用于行进方向的改变的重定向车轮。灰尘吸入单元220可以被布置为面对移动式机器人100的下部。从而，灰尘吸入单元220可以吸入要清洁的区域中的地面上的灰尘和碎片，并且可以将它们累积在移动式机器人100中的灰尘/碎片累积空间中。

可以配置有驱动车轮和重定向车轮的电动车轮218可以允许移动式机器人100在固定的位置旋转。

图3是示出根据一个或多个实施例的移动式机器人的移动空间的视图。如图3(a)中所示，移动式机器人100可以在二维平面（例如，地面）302上移动。移动式机器人100可以在二维平面302上创建连续的（或周期的）矢量场，并且可以通过矢量场的检测来补偿测距法中的电动车轮218的累积误差。即，可以给电动车轮218提供编码器206。电动车轮218的旋转的量和速率可以通过编码器206来检测，但是随着移动式机器人100的行进距离增加，其测量值可能变得不可靠，因为在编码器206的检测的结果中可能累积误差。根据一个或多个实施例，通过使用矢量场传感器108感测移动式机器人100的环境的绝对位置来补偿测距法中的累积误差，可以改善移动式机器人100的精确定位和地图构建。图3(b)示出可以在二维平面302上虚拟地创建的多个小区304。如图3(b)中所示，当移动式机器人100移动时，可以在二维平面上连续地创建虚拟小区304。在覆盖小区304的矢量场中，可以以相同尺寸连续地创建小区304。因此，在小区304彼此交会（meet）的点处形成的节点306之间的距离可以是连续的和周期的。

根据此实施例，在移动式机器人100的移动期间，移动式机器人100的矢量场传感器108可以更新小区304的节点306。因为不管移动式机器人位于哪个点，可以使用矢量场传感器108来更新关于小区304的节点306的信息，所以可以减少位置误差，并且因此可以实现更精确地定位和地图构建。为此，矢量场传感器108可以具有如“连续性”、“大空间变化”、和“小时间变化”这样的属性。连续性意味着相邻小区304或相邻节点306可以是连续而不是离散的，并且大空间变化意味着即使当移动式机器人100移动短距离时，通过矢量场传感器108检测到的矢量场的变化也可以是较大的。小时间变化意味着在通过矢量场传感器108检测时的误差可以是较小的。作为矢量场传感器108，可以使用用于检测由通过地球形成的磁场创建的矢量场的磁场传感器、用于检测通过Wi-Fi信号创建的矢量场的Wi-Fi接收信号强度指示器、或者FM接收器。磁场以近似磁偶极子的形状在地球的北极和南极之间创建。此磁场的方向和强度随着位置而变化。因此，通过使用实现为磁传感器的矢量场传感器108来测量地磁场的方向和强度，可以检测矢量场中的移动式机器人100的位置。在Wi-Fi接收信号强度指示器或FM接收器的情况下，可以基于通过Wi-Fi转发器或FM发射器所生成的信号的大小来检测矢量场中的移动式机器人100的位置。虽然Wi-Fi接收信号强度指示器或FM接收器可能需要Wi-Fi转发器或FM信号发生器，但是磁场传感器可以使用在地球周围自然创建的地磁场，从而可以无需诸如信号发生器的额外的设备而相对较方便地使用。

图4是示意性地示出由诸如图1中所示的移动式机器人的根据一个或多个实施例的移动式机器人执行的定位和地图构建的视图。如图4中所示，移动式机器人100的控制器214可以从编码器206接收关于电动车轮218的移动的信息，从而可能获取移动式机器人100的测距法数据(Δx,Δy,Δθ)，并且可以从多个（N）矢量场传感器108接收用于矢量场SLAM的实现的矢量场数据。使用两组数据，控制器214可以更新关于小区304的节点306的位置的信息，可以估计移动式机器人100的当前位置。通过累积位置信息，控制器214可以实现地图构建。

图5是示出根据一个或多个实施例的控制移动式机器人的方法的视图。控制方法指定上面参照图4示意地描述的定位和地图构建。控制方法可以根据移动式机器人100的控制器214的控制来实现。

控制器214可以从编码器206接收关于电动车轮218的移动的信息，从而可能获取测距法数据(Δx,Δy和Δθ)来估计移动式机器人100的当前位置（502）。另外，控制器214可以从矢量场传感器108接收用于矢量场SLAM的实现的矢量场数据（504）。

此时，在移动式机器人100的位置在现有小区304中改变而移动式机器人100没有从小区304移动到另一小区304的情况下（操作506中的“否”），可以通过下面描述的节点更新508、权重计算510、和选择性重新采样512的过程来实现定位和地图构建。

首先，在节点更新508中，用于移动式机器人的扩展的卡尔曼（Kalman）滤波器（EKF）可以用来更新节点。在所示的实施例中，可以如下所述创建EKF的应用所需的观察模型。从N个矢量场传感器108获取的N个矢量场数据的第k个矢量场数据的双线性内插可以如公式1定义。

公式1

$h_R^{\left(k\right)}=\left[\begin{array}{c}(s_x^{l1}{\mathrm{\ω}}_1^{\left(k\right)}+s_x^{l2}{\mathrm{\ω}}_2^{\left(k\right)}+s_x^{l3}{\mathrm{\ω}}_3^{\left(k\right)}+s_x^{l4}{\mathrm{\ω}}_4^{\left(k\right)})\cos x_3+(s_u^{l1}{\mathrm{\ω}}_1^{\left(k\right)}+s_u^{l2}{\mathrm{\ω}}_2^{\left(k\right)}+s_u^{l3}{\mathrm{\ω}}_3^{\left(k\right)}+s_u^{l4}{\mathrm{\ω}}_4^{\left(k\right)})\sin x_3\\ -(s_x^{l1}{\mathrm{\ω}}_1^{\left(k\right)}+s_x^{l2}{\mathrm{\ω}}_2^{\left(k\right)}+s_x^{l3}{\mathrm{\ω}}_3^{\left(k\right)}+s_x^{l4}{\mathrm{\ω}}_4^{\left(k\right)})\sin x_3+(s_u^{l1}{\mathrm{\ω}}_1^{\left(k\right)}+s_u^{l2}{\mathrm{\ω}}_2^{\left(k\right)}+s_u^{l3}{\mathrm{\ω}}_3^{\left(k\right)}+s_u^{l4}{\mathrm{\ω}}_4^{\left(k\right)})\cos x_3\\ s_z^{l1}{\mathrm{\ω}}_1^{\left(k\right)}+s_z^{l2}{\mathrm{\ω}}_2^{\left(k\right)}+s_z^{l3}{\mathrm{\ω}}_3^{\left(k\right)}+s_z^{l4}{\mathrm{\ω}}_4^{\left(k\right)}\end{array}\right]$

公式1的元素可以如公式2中估计。将参照图6给出公式2的描述。图6是示出用于配置根据一个或多个实施例的移动式机器人所位于的小区的节点的视图。

公式2

-用于双线性内插的权重

${\mathrm{\ω}}_1^{\left(k\right)}(x_1^{\left(k\right)},x_2^{\left(k\right)})=\mathrm{\η}(n_{l_{2,x}}-x_1^{\left(k\right)})(n_{l_{3,u}}-x_2^{\left(k\right)})$

${\mathrm{\ω}}_2^{\left(k\right)}(x_1^{\left(k\right)},x_2^{\left(k\right)})=\mathrm{\η}(x_1^{\left(k\right)}-n_{l_{2,x}})(n_{l_{3,u}}-x_2^{\left(k\right)})$

${\mathrm{\ω}}_3^{\left(k\right)}(x_1^{\left(k\right)},x_2^{\left(k\right)})=\mathrm{\η}(n_{l_{2,x}}-x_1^{\left(k\right)})(x_2^{\left(k\right)}-n_{l_{1,u}})$

${\mathrm{\ω}}_4^{\left(k\right)}(x_1^{\left(k\right)},x_2^{\left(k\right)})=\mathrm{\η}(x_1^{\left(k\right)}-n_{l_{1,x}})(x_2^{\left(k\right)}-n_{l_{1,x}})$

$\mathrm{\η}=\frac{1}{(n_{l_{2,x}}-n_{l_{2,x}})(n_{l_{3,x}}-n_{l_{1,x}})}$

机器人的姿势：[x₁ x₂ x₃]^T

传感器k的位置： ${\left[\begin{array}{cc}{x}_1^{\left(k\right)}& x_2^{\left(k\right)}\end{array}\right]}^T$

节点l_k的信号值： ${\left[\begin{array}{ccc}{s}_x^{l_k}& s_u^{l_k}& s_z^{l_k}\end{array}\right]}^T$

节点l_k的位置： $\left[\begin{array}{cc}{n}_{l_{k,x}}& n_{l_{k,u}}\end{array}\right]$

在公式1和2中，x1,x2和x3分别表示移动式机器人的测距法数据的Δx，Δy和Δθ。在公式2中，移动式机器人100的位置可以是根据测距法估计的测量值，并且通过“k”表示的矢量场传感器108的位置可以是与位于移动式机器人100处的矢量场传感器108相关联的物理值。例如，对于半径为200mm的圆的形式的移动式机器人100，移动式机器人的中心可以被定义为坐标***中的原点(0,0)。在矢量场传感器108被安放到移动式机器人100的边沿（在x轴上）的情况下，矢量场传感器108的位置可以是(200,0)。此时，坐标(200,0)是与矢量场传感器108的位置相关联的物理值。在公式1和图6中，节点1的信号值是由矢量场传感器108测量的矢量场数据。

给出公式2来指示小区304中的正确位置，如图6中所示。x3表示移动式机器人的旋转角度Δθ，从而暗示已经实现的坐标***的变换。在公式2中给出的四个值表示考虑权重的在四个节点1至4的移动式机器人100的x坐标、y坐标和z坐标。可以基于节点1至4的位置值和矢量场传感器108的位置值来确定权重。即，如图6中所示，节点1至4的权重可以取决于小区304中的移动式机器人100的位置（更具体地，移动式机器人100的多个矢量场传感器108的位置）而变化。在图6中，移动式机器人100最接近节点1，节点3是次接近移动式机器人100的节点，并且节点2和4相对远离移动式机器人100。即，移动式机器人100如此定位使得节点1至4到移动式机器人100的接近度按节点1->节点3->节点2->节点4的次序减少。在这种情况下，如从连接移动式机器人100与节点1至4的线的厚度可以看出，可以向最接近移动式机器人100的节点1施加最大的权重ω1，并且可以向次于节点1接近移动式机器人100的节点3施加权重ω3，可以向次于节点3的最接近节点2施加权重ω2，并且可以向节点4施加权重ω4。权重的大小可以从ω1到ω3到ω2到ω4减小。

对于移动式机器人100的一个位置，多个矢量场传感器108可以存在。因此，在存在例如N个矢量场传感器108的情况下，可以如公式3给出用于N个矢量场传感器108的观察模型。

公式3

$h_R=\left[\begin{array}{c}{h}_R^{\left(1\right)}\\ .\\ .\\ .\\ h_R^{\left(N\right)}\end{array}\right]$

要找到EKF，可能需要公式3的观察模型的雅可比行列式。为此，可以如下面的公式4中执行计算。

公式4

$H_f=\frac{{\∂h}_R}{\∂s}=\left[\begin{array}{cccccc}{H}_{f_1}& H_{f_2}& .& .& .& H_{f_k}\end{array}\right]$

$s=\left[\begin{array}{cccccccccccc}{s}_x^{l1}& s_u^{l1}& s_z^{l1}& s_x^{l2}& s_u^{l2}& s_z^{l2}& .& .& .& s_x^{\mathrm{lk}}& s_u^{\mathrm{ll}}& s_z^{\mathrm{lk}}\end{array}\right]$

在公式4中，l1、l2、......、和lk表示如图7中所示的移动式机器人100的矢量场传感器108到达的小区的所有节点（即，k个观察地标）。图7是示出当移动式机器人从一个小区移动到另一个时，根据一个或多个实施例的移动式机器人周围的节点和小区的视图。可以将在公式4中估计的Hf模型应用到如公式5中的EKF。

公式5

$Q_t=H_f{\mathrm{\Σ}}_{t-1}{H}_f^T+R$ ：创新（innovation）协方差矩阵

$K_t={\mathrm{\Σ}}_{t-1}{H}_f{Q}_t^{-1}$ ：卡尔曼（Kalman）增益

${\mathrm{\μ}}_t={\mathrm{\μ}}_{t-1}+K_t{(z_t-\widehat{z_t})}^T$ ：地标平均更新

${\mathrm{\Σ}}_t={\mathrm{\Σ}}_{t-1}-K_t{H}_f^T{\mathrm{\Σ}}_{t-1}$ ：地标协方差更新

再次参照图5，在权重计算510中，可以在下面给出的公式6中计算反映测量值和计算值之间的误差的权重。在公式6中获得的值可以用于选择性重新采样512中的选择。

公式6

$\begin{array}{c}{\mathrm{\ω}}_t=\frac{1}{\sqrt{\left|2\mathrm{\π}{Q}_t\right|}}\exp \{-\frac{1}{2}{(z_t-\widehat{z_t})}^T{Q}_t^{-1}(z_t-\widehat{z_t})\}\\ (z_t-\widehat{z_t})\end{array}$

在移动式机器人100从现有小区304向另一小区304移动的情况下（操作506中的“是”），可以实现节点初始化（518）。图8是示出在控制根据一个或多个实施例的移动式机器人的方法中的节点初始化的视图。如图8中所示，移动式机器人100在给定的空间中的二维平面302（例如，地面）上移动的同时，可以通过矢量场的检测来定义虚拟小区。定义小区可以包括指定用于配置小区的多个节点。在小区（例如，812）中，移动式机器人100的控制器214可以检测用于配置小区812的节点802和804的信号的大小（例如，磁场的幅值）来估计节点802和804的位置。当移动式机器人100在此状态下移动到相邻小区814的同时，可以通过产生用于小区814的节点804和806的权重来估计其位置，并且现有小区812的节点802的位置可以被确定。此时，移动式机器人100的控制器214可以通过基于连接至节点806的节点804的平均值和协方差值确定用于初始化的值，以及在考虑到小区812和814的大小和根据矢量场传感器108的数目的矢量场的特征的情况下添加不确定性，来实现小区初始化。

随后，使用矢量场SLAM506至512的结果，控制器214可以更新关于节点306的位置的信息，可以估计移动式机器人100的当前位置（514），可以累积信息，然后可以实现移动式机器人100的环境的地图构建（516）。通过如上产生用于移动式机器人100位于的小区的多个节点的权重，可以增加位置的感测精度。

图9是示出用于根据一个或多个实施例的移动式机器人的矩形行进仿真的结果的视图。下面给出用于图9中所示的仿真的条件。在图9中，输入域指示通过被采用作为矢量场传感器108的地磁传感器而输入的值。因为地磁传感器是3轴传感器，所以三个值通过其输入。

σv=0.015m/s(控制噪声),σR=0.5(观察噪声)

速度:0.3m/s

沿着矩形行进路径的5圈行程

小区大小：1m x1m

矢量场传感器之间的安装间隔：0.35m（在前面和后面的每个处安装两个传感器）

粒子（particle）数目：20

图10是示出用于根据一个或多个实施例的移动式机器人的Z字形行进仿真的结果的视图。下面给出用于图10中所示的仿真的条件。在图10中，输入域指示通过被采用作为矢量场传感器108的地磁传感器输入的值。因为地磁传感器是3轴传感器，所以三个值通过其输入。

σv=0.015m/s(控制噪声),σR=0.5(观察噪声)

速度:0.3m/s

沿着Z字形行进路径的5圈行程

小区大小：1m x1m

矢量场传感器之间的安装间隔：0.35m（在前面和后面的每一个处安装两个传感器）

图9和图10中所示的仿真结果表示：与常规方法相比，在根据一个或多个实施例的移动式机器人的控制方法中可以减少最大误差，如表1中所示。

如从以上描述中显而易见，在根据一个或多个实施例的移动式机器人的定位和地图构建中，通过使用多个传感器产生矢量场并利用所产生的矢量场可以实现更精确的定位和地图构建。

在一个或多个实施例中，这里的任何装置、***、元件、或可解释的单元描述包括一个或多个硬件设备或硬件处理元件。例如，在一个或多个实施例中，任何所述的装置、***、元件、检索器（retriever）、预处理或后处理元件、追踪器、检测器、编码器、解码器等可以进一步包括一个或多个存储器和/或处理元件、以及任何硬件输入/输出传输设备，或者表示一个或多个各自的处理元件或设备的操作部分/方面。此外，术语装置应该被认为与物理***的元件同义，其不限于单个设备或封装，或在所有实施例中的单一的相应封装中实现的所有所述元件，而是取决于实施例，开放地通过不同的硬件元件在不同的封装和/或位置中一起或单独地实现。

除了上述实施例，实施例还可以通过非瞬时性介质，例如，计算机可读介质中/上的计算机可读代码/指令来实现，以控制诸如处理器或计算机的至少一个处理设备来实现任何上述实施例。该介质可以与允许计算机可读代码的存储和/或传输的任何定义的、可测量的和有形的结构对应。

该介质还可以包括，例如，与计算机可读代码、数据文件、数据结构等的组合。计算机可读介质的一个或多个实施例包括：诸如硬盘、软盘和磁带的磁介质；诸如CD ROM和DVD的光介质；诸如光盘的磁光介质；以及诸如只读存储器（ROM）、随机存取存储器（RAM）、闪存等的被专门配置用于存储并执行程序指令的硬件设备。计算机可读代码可以包括诸如由编译器产生的机器代码，以及包含可以由计算机使用例如解释器来运行的更高级代码的文件这两者。介质还可以是任何定义的、可测量的并有形的分布式网络，使得计算机可读代码以分布式方式存储和运行。更进一步，仅作为示例，处理元件可以包括处理器或计算机处理器，并且处理元件可以是分布的和/或包括在单个设备中。

仅作为示例，计算机可读介质还可以在运行（例如，像处理器一样处理）程序指令的至少一个专用集成电路（ASIC）或现场可编码门阵列（FPGA）中实现。

虽然本发明的各方面已经参照其不同实施例具体示出和描述，但是应该理解这些实施例仅应该被认为是描述性意义，而不是为了限制的目的。每个实施例之内的特征或方面的描述应该代表性地被认为可用于其余实施例中的其他类似特征或方面。如果所述技术按不同的次序来执行，以及/或者如果在所述***、架构、设备或电路中的组件以不同的方式组合和/或被其他组件或它们的等价物代替或补充，可以同等地实现适当的结果。

因而，虽然已经示出和描述几个实施例，另外的实施例同样可用，但是本领域技术人员将理解，在不脱离其范围在权利要求及其等价物中限定的本发明的原理和精神的情况下，可以在这些实施例中进行改变。

Claims (14)

1.一种移动式机器人的定位和地图构建的方法，包括：

使用编码器获取移动空间中的相对坐标；

通过使用多个矢量场传感器检测信号的强度和方向中的至少一个，来获取移动空间中的绝对坐标；

定义移动空间的表面上的多个虚拟小区，使得每个小区拥有具有预定位置的多个节点；以及

基于通过编码器获取的相对坐标和通过矢量场传感器获取的绝对坐标，更新关于至少一个小区的节点的位置信息，并且以在先前的节点的位置信息被确定时估计新的节点的位置信息的方式来实现移动空间中的定位和地图构建。

2.根据权利要求1所述的方法，其中当移动式机器人位于小区中的一个时执行所述更新。

3.根据权利要求2所述的方法，进一步包括当移动式机器人位于小区中的一个时计算并应用用于每个节点的权重。

4.根据权利要求1所述的方法，进一步包括当移动式机器人从一个小区移动到另一个小区时，初始化连接至要被扩展的另一节点的节点。

5.根据权利要求4所述的方法，其中基于连接的节点的平均值和协方差值来执行所述初始化。

6.根据权利要求1所述的方法，其中通过应用快速同时定位和地图构建（SLAM）的理论来执行定位和地图构建。

7.根据权利要求1所述的方法，进一步包括使用通过矢量场传感器获取的绝对坐标来补偿通过编码器获取的相对坐标的误差。

8.根据权利要求1所述的方法，其中相对坐标是包括x坐标、y坐标和移动式机器人的行进方向的角度的测距法坐标。

9.根据权利要求1所述的方法，其中小区在小区之间具有连续性。

10.根据权利要求9所述的方法，其中用于配置每个小区的节点在节点之间具有连续性。

11.根据权利要求1所述的方法，其中每个矢量场传感器是磁场传感器。

12.根据权利要求1所述的方法，其中每个矢量场传感器是Wi-Fi接收信号强度指示器。

13.根据权利要求1所述的方法，其中每个矢量场传感器是FM接收器。

14.根据权利要求1所述的方法，其中至少两个矢量场传感器被布置在移动式机器人的行进方向上的移动式机器人的前面和后面。