CN108931245A - 移动机器人的局部自定位方法及设备 - Google Patents
移动机器人的局部自定位方法及设备 Download PDFInfo
- Publication number
- CN108931245A CN108931245A CN201810872628.9A CN201810872628A CN108931245A CN 108931245 A CN108931245 A CN 108931245A CN 201810872628 A CN201810872628 A CN 201810872628A CN 108931245 A CN108931245 A CN 108931245A
- Authority
- CN
- China
- Prior art keywords
- particle
- pose
- mobile robot
- information
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供了一种移动机器人的局部自定位方法及设备，能够根据里程信息和加速度信息确定移动机器人的运动状态，在运动状态为异常状态时，获取用于预测移动机器人位姿的粒子分布信息，再对粒子进行聚类，将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿，并将预测位姿地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿，并在观测匹配度小于第一阈值时，重新确定观测匹配度和移动机器人的位姿，从而能够在当前环境与地图差异较大，或者移动机器人出现轮子打滑、空转等异常情况时，实现移动机器人的准确自定位，避免出现移动机器人定位丢失的问题，方案简单、易实现，提高了移动机器人自定位的准确性。
Description
技术领域
本申请涉及移动机器人技术领域，尤其涉及一种移动机器人的局部自定位方法及设备。
背景技术
随着移动机器人技术的发展和进一步落地，对移动机器人相关技术的研究也越来越深入，由于移动机器人的工作环境具有非结构化和不确定性，因此移动机器人的自主智能性研究变得极其重要。移动机器人自定位技术，作为移动机器人研究的三大热点技术之一，得到了广泛的关注。
当前，常见的移动机器人自定位算法有基于里程计推算、基于视觉的路标识别、基于地图匹配的全局定位、陀螺导航、GPS等多种自定位方法，每种技术都有各自的优点及局限性。基于里程计推算虽然短期精度高、成本低，但不能避免误差的无限累积。陀螺导航无需外部参考，但随时间有漂移，不适合长时间的精确定位。GPS定位易受到精度、安全等因素的限制，且存在室内无法使用等问题。视觉定位容易受到光照、形变、高速运动等影响，且计算复杂度较高。
中国专利“CN201397390Y一种集装箱自动搬运车的定位导航***”采用惯性导航、GPS和激光定位相结合实现移动机器人的自定位，虽然定位实时性好、精度高，但仍要依靠GPS才能实现自定位，且室内环境中不能使用该方法。另外，当前采用惯导***和激光定位再结合基于自适应蒙特卡洛自定位算法实现的移动机器人自定位方法，在当前环境与地图差异较大，或者移动机器人出现轮子打滑、空转等异常情况时，不能实现移动机器人的准确自定位，容易出现定位丢失等问题。
申请内容
本申请的一个目的是提供一种移动机器人的局部自定位方法及设备，用以解决现有技术中移动机器人由于打滑、空转及观测环境与现有地图相差较大等情况造成的局部定位不准的问题。
为实现上述目的，本申请提供了一种移动机器人的局部自定位方法，其中，所述移动机器人包括惯性导航***和激光雷达，所述惯性导航***包括里程计、加速度计和陀螺仪，该方法包括：
根据从惯性导航***获取的里程信息和加速度信息，确定移动机器人的运动状态；
在所述运动状态为异常状态时，根据从惯性导航***获取的里程信息、加速度信息和角度变化信息，获取用于预测移动机器人位姿的粒子分布信息；
根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿；
将所述预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿；
若观测匹配度小于第一阈值，根据匹配观测窗口对应的移动机器人运动范围，重新确定观测匹配度和移动机器人的位姿，所述匹配观测窗口包括通过激光雷达获得的具有时序关系的多帧激光观测数据。
进一步地，根据从惯性导航***获取的里程信息和加速度信息，确定移动机器人的运动状态，包括：
若从里程计获取的里程信息持续增加且从加速度计获取的加速度信息变化小于第二阈值时，将移动机器人的运动状态确定为异常状态。
进一步地，根据从惯性导航***获取的里程信息、加速度信息和角度变化信息，获取用于预测移动机器人位姿的粒子分布信息，包括：
根据从里程计获取的里程信息、从加速度计获取的加速度信息和从陀螺仪获取的角度变化信息，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息。
进一步地，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息，包括：
根据里程信息、加速度信息和角度变化信息，初始化用于预测移动机器人位姿的粒子分布信息；
根据里程信息更新粒子位置；
将从激光雷达获取的当前时刻激光观测数据与粒子所在位置的地图进行匹配，根据匹配结果确定粒子权重；
根据粒子权重进行粒子重采样，获取重采样后的粒子分布信息。
进一步地，根据里程信息更新粒子位置，包括：
根据上一时刻的粒子分布信息，通过预设的运动模型获取当前时刻的粒子分布信息。
进一步地，根据粒子权重进行粒子重采样，包括：
根据上一时刻的粒子权重，通过随机采样策略重新生成采样粒子。
进一步地，根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿，包括：
根据所述粒子分布信息，通过无监督学习聚类算法对粒子进行聚类，获取粒子分类；
根据粒子分类，获取其中粒子权重均值最大的分类；
将所述粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿。
进一步地，将所述预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿，包括：
通过迭代最近点算法将所述预测位姿对应的地图与当前时刻激光观测数据进行点云匹配，获取观测匹配度和移动机器人的位姿。
进一步地，根据匹配观测窗口对应的移动机器人运动范围，重新确定移动机器人的位姿，包括：
根据匹配观测窗口中多帧激光观测数据的移动机器人位姿，确定移动机器人运动范围；
根据所述移动机器人运动范围，调整粒子分布的预设运动模型的参数并获取用于预测移动机器人位姿的粒子分布信息；
根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿；
将所述预测位姿对应的地图与匹配观测窗口中激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿。
进一步地，所述激光观测数据为包含角度和距离数据的激光扫描信息。
进一步地，该方法还包括：
在所述运动状态为异常状态时，减少匹配观测窗口中激光观测数据的数量。
进一步地，该方法还包括：
在当前激光观测数据与地图的匹配度大于第三阈值时，增加匹配观测窗口中激光观测数据的数量。
本申请还提供了一种移动机器人的局部自定位设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述移动机器人的局部自定位方法。
本申请还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述移动机器人的局部自定位方法。
与现有技术相比，本申请提供的方案能够根据里程信息和加速度信息确定移动机器人的运动状态，在运动状态为异常状态时，获取用于预测移动机器人位姿的粒子分布信息，再对粒子进行聚类，将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿，并将预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿，并在观测匹配度小于第一阈值时，重新确定观测匹配度和移动机器人的位姿，从而能够在当前环境与地图差异较大，或者移动机器人出现轮子打滑、空转等异常情况时，实现移动机器人的准确自定位，避免出现移动机器人定位丢失的问题，方案简单、易实现，提高了移动机器人自定位的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例提供的一种移动机器人的局部自定位方法的流程图。
图2为本申请实施例提供的一种优选的移动机器人当前激光观测数据与地图的观测匹配度示意图。
图3为本申请实施例提供的一种优选的移动机器人的局部自定位***的示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请的一些实施例提供了一种移动机器人的局部自定位方法。该移动机器人可包括惯性导航***和激光雷达。惯性导航***可包括但不限于里程计、加速度计和陀螺仪。激光雷达可以包括但不限于单线激光雷达和多线激光雷达。如图1所示，该方法具体包括如下步骤：
步骤S101，根据从惯性导航***获取的里程信息和加速度信息，确定移动机器人的运动状态；
步骤S102，在所述运动状态为异常状态时，根据从惯性导航***获取的里程信息、加速度信息和角度变化信息，获取用于预测移动机器人位姿的粒子分布信息；
步骤S103，根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿；
步骤S104，将所述预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿；
步骤S105，若观测匹配度小于第一阈值，根据匹配观测窗口对应的移动机器人运动范围，重新确定观测匹配度和移动机器人的位姿，所述匹配观测窗口包括通过激光雷达获得的具有时序关系的多帧激光观测数据。
该方案尤其适合用于移动机器人的局部自定位场景，能够根据里程信息和加速度信息判断移动机器人是否处于异常运动状态，若处于异常运动状态，则根据惯性导航***和激光雷达提供的信息对移动机器人进行局部自定位，重新确定移动机器人的当前位姿。在此，该方案的局部自定位方法，是从一个确定的起始点出发，通过相对该起始点的偏移量来确定移动机器人的位姿的方法。
在步骤S101中，根据从惯性导航***获取的里程信息和加速度信息，确定移动机器人的运动状态。在此，里程信息从惯性导航***中的里程计获取，加速度信息从惯性导航***中的加速度计获取。里程信息为码盘(轮子转数)统计信息，只要轮子转动，就会做相应的累积，里程信息反映的是相对于上一时刻在二维平面上x、y坐标的变化和移动机器人朝向的变化。加速度计主要提供在三维方向(x,y,z)上的方向加速度信息。陀螺仪主要提供相对朝向变化，即陀螺仪通过积分得到角度，再根据加速度计检测到的重力方向，最后通过Kalman滤波得到最终的角度。
在移动机器人的实际工作中，会发生多种异常情况，例如，移动机器人发生了空转、打滑的情况，即轮子在转但是机器人的位置并没有发生移动或者轮子没转但是机器人的位置发生了移动，打滑、空转时，往往都会错误累计里程，使得机器人定位错误。本申请的一些实施例中，通过加速度信息来提供辅助信息来判断机器人是否在原地，例如加速度计在二维平面的x、y方向没有变化则可判定该机器人在原地。又例如，如果监听到里程计一直变化但是加速度计没有明显变化时，可以作为当机器人打滑空转依据，
具体来说，如果从里程计获取的里程信息持续增加且从加速度计获取的加速度信息变化小于第二阈值时，则将移动机器人的运动状态确定为异常状态。这里，里程信息持续增加说明移动机器人的轮子一直在转动，但是加速度计检测到的信息变化并不明显，第二阈值是一个很小的预设值，用来说明加速度信息的变化程度，如果加速度信息的变化小于第二阈值，可认为移动机器人的加速度信息没有太大的变化。因此，发生了移动机器人的轮子在转动而加速度没什么变化的情况下，则认为该移动机器人位于异常状态，从而将其运动状态确定为异常状态。
另外，移动机器人也可能会出现里程信息变化不明显或很小，但是加速度信息持续一段时间的情况，这种情况说明移动机器人的轮子转动幅度较小，但是加速度变化较大，该移动机器人可能打滑了，此时该移动机器人也位于异常状态，也可将其运动状态确定为异常状态。
在步骤S102中，如果机器人运动状态为异常状态，则根据从惯性导航***获取的里程信息、加速度信息和角度变化信息，获取用于预测移动机器人位姿的粒子分布信息。在检测到移动机器人的运动状态异常时，此时移动机器人的位姿可能就不准确了，需要对移动机器人的当前位姿态进行局部自定位，重新确定准确的位姿。这里移动机器人的位姿包括移动机器人的位置和姿态，用于指明移动机器人所处的位置和朝向。
在此，里程信息从惯性导航***中的里程计获取，加速度信息从惯性导航***中的加速度计获取，角度变化信息从惯性导航***中的陀螺仪获取。具体地来说，是根据里程信息、加速度信息和角度变化信息，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息。
自适应蒙特卡洛定位算法(Adaptive Monte Carlo Localization，AMCL)，是一种移动机器人的概率统计方法，该方法通过在已知地图的基础上使用粒子滤波算法跟踪机器人的位姿。
本申请的一些实施例中，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息，可包括如下步骤：
根据里程信息、加速度信息和角度变化信息，初始化用于预测移动机器人位姿的粒子分布信息；
根据里程信息更新粒子位置；
将从激光雷达获取的当前时刻激光观测数据与粒子所在位置的地图进行匹配，根据匹配结果确定粒子权重；
根据粒子权重进行粒子重采样，获取重采样后的粒子分布信息。
在此，将获取的里程信息、加速度信息和角度变化信息作为自适应蒙特卡洛自定位算法的先验信息，自适应蒙特卡洛自定位算法根据这些先验信息对粒子分布信息进行初始化。
有了初始的粒子分布信息后，再根据里程信息对粒子位置进行更新。具体来说，是根据上一时刻的粒子分布信息，通过预设的运动模型获取当前时刻的粒子分布信息。本申请的一些实施例中，预设的运动模型为高斯模型，可将里程信息输入该运动模型从而获得该模型的协方差和均值。粒子更新是根据上一时刻每个粒子的分布，再结合运动模型从而得到当前时刻的每个粒子的预测分布。
对粒子位置进行更新，得到更新后的粒子分布信息后，再将从激光雷达获取的当前时刻激光观测数据与粒子所在位置的地图进行匹配，根据匹配结果确定粒子权重。在此，激光观测数据为包含角度和距离数据的激光扫描信息，激光观测数据从激光雷达获取，本申请的一些实施例中，激光雷达在二维平面上旋转一周即可得到一条激光扫描信息。同时，移动机器人也携带了移动环境的全局地图，该全局地图可通过激光雷达的扫描数据建立，也可用于与激光观测数据进行匹配。如果激光观测数据与某个粒子位置的地图的匹配结果高，则可确定该粒子的权重高，如果激光观测数据与某个粒子位置的地图的匹配结果低，则可确定该粒子的权重低。
为每个粒子确定了相应权重后，再根据粒子权重进行粒子重采样，获取重采样后的粒子分布信息。具体来说，对于每个粒子，根据上一时刻的粒子权重w(t-1)，通过随机采样策略重新生成采样粒子，从而得到重采样后的粒子分布信息。
在步骤S103中，根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿。在此，用于预测移动机器人位姿的粒子分布在较大的范围内，每个粒子具有各自的权重，所有粒子的权重之和为1，粒子的权重即移动机器人出现在该粒子对应位置上的概率。由于自适应蒙特卡洛自定位算法并没有确定一个移动机器人最可能出现的位置，本申请的一些实施例中，通过对粒子进行聚类来预测移动机器人最可能的当前位姿即预测位姿，再根据对当前位姿的感知来确定该预测位姿是否正确。
具体地，本申请的一些实施例中，对粒子进行聚类并确定预测位姿，首先根据粒子分布信息，通过无监督学习聚类算法对粒子进行聚类，获取粒子分类。聚类的本质就是按照一定的原则，将数据映射到不同的属性集合中。优选地，本申请的一些实施例中，可采用DBSCAN聚类算法来对粒子进行聚类。DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)是一个比较有代表性的基于密度的聚类算法，与其他划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
得到聚类后的粒子分类后，再根据粒子分类，获取其中粒子权重均值最大的分类。在此，进行聚类后会得到多个粒子分类，每个粒子分类中包含多个粒子，本申请的一些实施例中，根据粒子分类中所有粒子对应的权重计算每个粒子分类的粒子权重均值，再得到粒子权重均值最大的粒子分类。
确定粒子权重均值最大的粒子分类后，再将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿。在此，粒子权重均值已经得到，该权重均值可能与某些粒子的权重相同，也可能与某些粒子的权重相近，本申请的一些实施例中，可将该权重均值对应的位姿确定为与其权重均值相同或相近的粒子所对应的位姿，该权重均值对应的位姿即为预测位姿，即根据里程信息、加速度信息和角度变化信息预测的移动机器人位姿。
在步骤S104中，将预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿。由于通过粒子聚类得到的移动机器人预测位姿是比较粗糙的位姿，本申请的一些实施例中，再将当前时刻的激光观测数据与预测位姿对应的地图通过迭代最近点算法进行点云匹配，得到观测匹配度和移动机器人的位姿，该匹配是比较精细的匹配，可得到更加精确的位姿。
迭代最近点(Iterative Closest Point，ICP)算法是一种迭代计算方法，能够使不同的坐标下的点云数据合并到同一个坐标***中。ICP算法的目的是要找到待配准点云数据与参考云数据之间的旋转参数R和平移参数T，使得两点数据之间满足某种度量准则下的最优匹配。ICP算法本质上是基于最小二乘法的最优配准方法，算法重复进行选择对应关系点对，计算最优刚体变换，直到满足正确配准的收敛精度要求。
通过ICP算法进行匹配后得到相应的观测匹配度和移动机器人的位姿，该位姿是最精确的匹配后位姿，也就是当前移动机器人的最终预测位姿。如图2所示，图中白色矩形组成的部分为移动机器人所处的室内环境，室内环境中存在多个障碍物，室内环境中的阴影部分为激光雷达未受阻碍的扫描范围，室内环境边缘或室内障碍物上的点代表激光观测数据，根据该图得到的相关数据可知，激光观测数据与地图的观测匹配度达到95％以上，几乎能够全部匹配，说明该移动机器人的最终预测位姿与真实位姿非常接近。
在步骤S105，若观测匹配度小于第一阈值，根据匹配观测窗口对应的移动机器人运动范围，重新确定观测匹配度和移动机器人的位姿。在此，匹配观测窗口包括多帧激光观测数据，这些激光观测数据通过激光雷达获得，并具有时序关系，即这些激光观测数据是在不同的时刻获取，并且按照时刻的先后顺序进行排列。第一阈值是预先设置的观测匹配度阈值，用来确定是否需要对移动机器人进行重新定位，第一阈值可根据实际情况进行设置，也可根据移动机器人在实际场景中的定位情况进行调整。本申请的一些实施例中，如果观测匹配度小于第一阈值，说明对移动机器人的自定位效果不佳，因此需要对移动机器人进行重新局部定位。如果观测匹配度均大于第一阈值，则说明该移动机器人自定位成功，移动机器人最终的位姿就是通过ICP算法匹配后得到的移动机器人的最终预测位姿。
具体来说，首先根据匹配观测窗口中多帧激光观测数据的移动机器人位姿，确定移动机器人运动范围。在此，移动机器人运动范围指的是匹配观测窗口对应的机器人位姿变化的范围，确定移动机器人的运动范围可先记录匹配观测窗口中第一帧激光观测数据中的机器人位姿，再记录匹配观测窗口中后续帧的激光观测数据中的机器人位姿，根据这些机器人位姿确定移动机器人的运动范围。
接下来，再根据得到的移动机器人运动范围，调整粒子分布的预设运动模型的参数并获取用于预测移动机器人位姿的粒子分布信息。本申请的一些实施例中，预设运动模型为高斯模型，通过调整预设运动模型的参数可调整粒子分布，将粒子均匀分布在该运动范围内，从而得到新的粒子分布信息。
与前述根据粒子分布信息确定移动机器人的位姿的方法相似，随后根据粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿，再将预测位姿对应的地图与匹配观测窗口中激光观测数据进行匹配，从而确定观测匹配度和移动机器人的位姿。此时得到的移动机器人的位姿即为最终确定的机器人位姿，该位姿很大可能位于移动机器人的真实位姿附近。
本申请的一些实施例中，还可以在移动机器人的运动状态为异常状态时，减少匹配观测窗口中激光观测数据的数量，通过减少激光观测数据的数量，可以动态调整参与机器人自定位的历史累积观测数据，提高匹配效率，缩短机器人自定位的时间。
本申请的一些实施例中，还可以在当前激光观测数据与地图的匹配度大于第三阈值时，增加匹配观测窗口中激光观测数据的数量。这里第三阈值是预设的观测匹配度的上限阈值，用于确定是否调整匹配观测窗口的大小，如果当前激光观测数据与地图的匹配度已经较大，并超过了第三阈值时，将匹配观测窗口调大，即增加匹配观测窗口中激光观测数据的数量，从而避免误触发。
本申请的一些实施例中，还提供了一种优选的移动机器人的局部自定位***，如图3所示，该***主要包括三个部分：动态窗口生成模块、自定位模块和数据采集模块。
动态窗口生成模块用于结合惯导***提供的里程信息及加速度信息，判断机器人是否处于空转等异常状态，如果机器人处于异常状态，减小动态窗口(即匹配观测窗口)大小，以便快速在局部重新计算粒子分布，排除定位异常问题。
数据采集模块主要用于获取激光观测数据、里程计信息和加速度信息，为其他模块运行提供数据支撑，其主要由传感器数据采集滤波模块、里程计信息获取模块、加速度信息获取模块组成。传感器数据采集滤波模块用于采集激光传感器数据，并采用相关滤波算法除去多余的激光测量数据和多余噪点，即对激光观测数据进行滤波和除去噪点。滤波算法可采用单点过滤、中值滤波、提取houghline等来规避测量不准造成的类似于平面不对应的问题。里程计信息获取模块用于获取里程数据，为自定位模块提供先验知识。加速度信息获取模块用于获取加速度信息，为机器人的轮子是否打滑、空转提供判断依据。
自定位模块主要用于根据环境地图及里程计信息、激光观测信息以及动态窗口，采用改进的粒子滤波算法，实现机器人自定位功能。其主要由改进粒子滤波模块、粒子聚类模块、ICP匹配算法模块、基于窗口粒子分布计算模块组成。
改进粒子滤波模块用于对于每个粒子，首先利用随机采样策略，基于上一时刻的权重w(t-1)重新生成采样粒子，并利用里程计获得的机器人运动信息，更新粒子位置，然后利用激光观测数据与粒子所在位置处的地图相似度，计算粒子权重，得到当前观测下的粒子分布。粒子聚类模块用于采用聚类算法，根据粒子分布，得到最大聚类。ICP匹配算法模块用于结合最大聚类均值位姿、激光观测以及用于定位的全局地图，进行点云匹配，得到匹配程度及精确匹配后位姿。基于窗口粒子分布计算模块用于根据动态窗口生成模块生成的动态窗口，在当前定位匹配程度均小于某一设定阈值，且匹配次数达到窗口中激光观测数据的数量(即匹配程度大于窗口大小)时，则根据机器人的动态窗口大小，重新计算粒子分布及粒子权重。
本申请的一些实施例还提供了一种移动机器人的局部自定位设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述移动机器人的局部自定位方法。
本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述移动机器人的局部自定位方法。
综上所述，本申请的一些实施例提供的方案能够根据里程信息和加速度信息确定移动机器人的运动状态，在运动状态为异常状态时，获取用于预测移动机器人位姿的粒子分布信息，再对粒子进行聚类，将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿，并将预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿，并在观测匹配度小于第一阈值时，重新确定观测匹配度和移动机器人的位姿，从而能够在当前环境与地图差异较大，或者移动机器人出现轮子打滑、空转等异常情况时，实现移动机器人的准确自定位，避免出现移动机器人定位丢失的问题，方案简单、易实现，提高了移动机器人自定位的准确性。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。
Claims (14)
1.一种移动机器人的局部自定位方法，其中，所述移动机器人包括惯性导航***和激光雷达，所述惯性导航***包括里程计、加速度计和陀螺仪，该方法包括：
根据从惯性导航***获取的里程信息和加速度信息，确定移动机器人的运动状态；
在所述运动状态为异常状态时，根据从惯性导航***获取的里程信息、加速度信息和角度变化信息，获取用于预测移动机器人位姿的粒子分布信息；
根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿；
将所述预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿；
若观测匹配度小于第一阈值，根据匹配观测窗口对应的移动机器人运动范围，重新确定观测匹配度和移动机器人的位姿，所述匹配观测窗口包括通过激光雷达获得的具有时序关系的多帧激光观测数据。
2.根据权利要求1所述的方法，其中，根据从惯性导航***获取的里程信息和加速度信息，确定移动机器人的运动状态，包括：
若从里程计获取的里程信息持续增加且从加速度计获取的加速度信息变化小于第二阈值时，将移动机器人的运动状态确定为异常状态。
3.根据权利要求1所述的方法，其中，根据从惯性导航***获取的里程信息、加速度信息和角度变化信息，获取用于预测移动机器人位姿的粒子分布信息，包括：
根据从里程计获取的里程信息、从加速度计获取的加速度信息和从陀螺仪获取的角度变化信息，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息。
4.根据权利要求3所述的方法，其中，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息，包括：
根据里程信息、加速度信息和角度变化信息，初始化用于预测移动机器人位姿的粒子分布信息；
根据里程信息更新粒子位置；
将从激光雷达获取的当前时刻激光观测数据与粒子所在位置的地图进行匹配，根据匹配结果确定粒子权重；
根据粒子权重进行粒子重采样，获取重采样后的粒子分布信息。
5.根据权利要求4所述的方法，其中，根据里程信息更新粒子位置，包括：
根据上一时刻的粒子分布信息，通过预设的运动模型获取当前时刻的粒子分布信息。
6.根据权利要求4所述的方法，其中，根据粒子权重进行粒子重采样，包括：
根据上一时刻的粒子权重，通过随机采样策略重新生成采样粒子。
7.根据权利要求1所述的方法，其中，根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿，包括：
根据所述粒子分布信息，通过无监督学习聚类算法对粒子进行聚类，获取粒子分类；
根据粒子分类，获取其中粒子权重均值最大的分类；
将所述粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿。
8.根据权利要求1所述的方法，其中，将所述预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿，包括：
通过迭代最近点算法将所述预测位姿对应的地图与当前时刻激光观测数据进行点云匹配，获取观测匹配度和移动机器人的位姿。
9.根据权利要求1所述的方法，其中，根据匹配观测窗口对应的移动机器人运动范围，重新确定移动机器人的位姿，包括：
根据匹配观测窗口中多帧激光观测数据的移动机器人位姿，确定移动机器人运动范围；
根据所述移动机器人运动范围，调整粒子分布的预设运动模型的参数并获取用于预测移动机器人位姿的粒子分布信息；
根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿；
将所述预测位姿对应的地图与匹配观测窗口中激光观测数据进行匹配，确定观测匹配度和移动机器人的位姿。
10.根据权利要求1所述的方法，其中，所述激光观测数据为包含角度和距离数据的激光扫描信息。
11.根据权利要求1所述的方法，其中，该方法还包括：
在所述运动状态为异常状态时，减少匹配观测窗口中激光观测数据的数量。
12.根据权利要求1所述的方法，其中，该方法还包括：
在当前激光观测数据与地图的匹配度大于第三阈值时，增加匹配观测窗口中激光观测数据的数量。
13.一种移动机器人的局部自定位设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行权利要求1至12中任一项所述的方法。
14.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810872628.9A CN108931245B (zh) | 2018-08-02 | 2018-08-02 | 移动机器人的局部自定位方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810872628.9A CN108931245B (zh) | 2018-08-02 | 2018-08-02 | 移动机器人的局部自定位方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108931245A true CN108931245A (zh) | 2018-12-04 |
| CN108931245B CN108931245B (zh) | 2021-09-07 |
Family
ID=64445544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810872628.9A Active CN108931245B (zh) | 2018-08-02 | 2018-08-02 | 移动机器人的局部自定位方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108931245B (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109633666A (zh) * | 2019-01-18 | 2019-04-16 | 广州高新兴机器人有限公司 | 室内动态环境下基于激光雷达的定位方法及计算机存储介质 |
| CN109947103A (zh) * | 2019-03-18 | 2019-06-28 | 深圳一清创新科技有限公司 | 无人驾驶控制方法、装置、***和承载设备 |
| CN110260855A (zh) * | 2019-06-24 | 2019-09-20 | 北京壹氢科技有限公司 | 一种融合行人航位推算、地磁信息与室内地图信息的室内行人导航定位方法 |
| CN110361744A (zh) * | 2019-07-09 | 2019-10-22 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
| CN110488818A (zh) * | 2019-08-08 | 2019-11-22 | 深圳市银星智能科技股份有限公司 | 一种基于激光雷达的机器人定位方法、装置和机器人 |
| CN110779528A (zh) * | 2019-11-07 | 2020-02-11 | 四川长虹电器股份有限公司 | 基于粒子滤波器的定位恢复方法及机器人设备 |
| CN111077495A (zh) * | 2019-12-10 | 2020-04-28 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
| CN111076724A (zh) * | 2019-12-06 | 2020-04-28 | 苏州艾吉威机器人有限公司 | 三维激光定位方法及*** |
| CN111421548A (zh) * | 2020-04-21 | 2020-07-17 | 武汉理工大学 | 一种移动机器人定位方法及*** |
| CN111578958A (zh) * | 2020-05-19 | 2020-08-25 | 山东金惠新达智能制造科技有限公司 | 移动机器人导航实时定位方法、***、介质及电子设备 |
| CN111609853A (zh) * | 2019-02-25 | 2020-09-01 | 北京奇虎科技有限公司 | 三维地图构建方法、扫地机器人及电子设备 |
| CN111707252A (zh) * | 2020-06-11 | 2020-09-25 | 上海有个机器人有限公司 | 定位判断方法和装置 |
| CN111765888A (zh) * | 2019-04-01 | 2020-10-13 | 阿里巴巴集团控股有限公司 | 设备定位方法、装置、电子设备及可读存储介质 |
| CN112068547A (zh) * | 2020-08-05 | 2020-12-11 | 歌尔股份有限公司 | 一种基于amcl的机器人定位方法、装置和机器人 |
| CN112344933A (zh) * | 2020-08-21 | 2021-02-09 | 北京京东乾石科技有限公司 | 一种信息生成的方法、装置和存储介质 |
| CN112880664A (zh) * | 2021-01-21 | 2021-06-01 | 深圳市镭神智能***有限公司 | 一种行驶设备的定位方法、装置、设备及存储介质 |
| CN112965076A (zh) * | 2021-01-28 | 2021-06-15 | 上海思岚科技有限公司 | 一种用于机器人的多雷达定位***及方法 |
| CN113296503A (zh) * | 2021-05-08 | 2021-08-24 | 西安达升科技股份有限公司 | 一种用于agv小车路径优化方法、装置及存储介质 |
| CN113310484A (zh) * | 2021-05-28 | 2021-08-27 | 杭州艾米机器人有限公司 | 一种移动机器人定位方法和*** |
| CN113503876A (zh) * | 2021-07-09 | 2021-10-15 | 深圳华芯信息技术股份有限公司 | 多传感器融合的激光雷达定位方法、***以及终端 |
| CN113514843A (zh) * | 2021-07-09 | 2021-10-19 | 深圳华芯信息技术股份有限公司 | 多子图激光雷达定位方法、***以及终端 |
| CN114088093A (zh) * | 2020-11-09 | 2022-02-25 | 北京京东乾石科技有限公司 | 一种点云地图构建方法、装置、***及存储介质 |
| CN114199251A (zh) * | 2021-12-03 | 2022-03-18 | 江苏集萃智能制造技术研究所有限公司 | 一种机器人的防碰撞定位方法 |
| CN114543819A (zh) * | 2021-09-16 | 2022-05-27 | 北京小米移动软件有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
| CN114643579A (zh) * | 2022-03-29 | 2022-06-21 | 深圳优地科技有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
| CN115127559A (zh) * | 2022-06-28 | 2022-09-30 | 广东利元亨智能装备股份有限公司 | 一种定位方法、装置、设备和存储介质 |
| CN117589154A (zh) * | 2024-01-19 | 2024-02-23 | 深圳竹芒科技有限公司 | 自移动设备的重定位方法、自移动设备和可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090024251A1 (en) * | 2007-07-18 | 2009-01-22 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating pose of mobile robot using particle filter |
| CN105652871A (zh) * | 2016-02-19 | 2016-06-08 | 深圳杉川科技有限公司 | 移动机器人的重定位方法 |
| CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
| CN107356252A (zh) * | 2017-06-02 | 2017-11-17 | 青岛克路德机器人有限公司 | 一种融合视觉里程计与物理里程计的室内机器人定位方法 |
-
2018
- 2018-08-02 CN CN201810872628.9A patent/CN108931245B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090024251A1 (en) * | 2007-07-18 | 2009-01-22 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating pose of mobile robot using particle filter |
| CN105652871A (zh) * | 2016-02-19 | 2016-06-08 | 深圳杉川科技有限公司 | 移动机器人的重定位方法 |
| CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
| CN107356252A (zh) * | 2017-06-02 | 2017-11-17 | 青岛克路德机器人有限公司 | 一种融合视觉里程计与物理里程计的室内机器人定位方法 |
Cited By (41)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109633666A (zh) * | 2019-01-18 | 2019-04-16 | 广州高新兴机器人有限公司 | 室内动态环境下基于激光雷达的定位方法及计算机存储介质 |
| CN109633666B (zh) * | 2019-01-18 | 2021-02-02 | 广州高新兴机器人有限公司 | 室内动态环境下基于激光雷达的定位方法及计算机存储介质 |
| CN111609853A (zh) * | 2019-02-25 | 2020-09-01 | 北京奇虎科技有限公司 | 三维地图构建方法、扫地机器人及电子设备 |
| CN109947103A (zh) * | 2019-03-18 | 2019-06-28 | 深圳一清创新科技有限公司 | 无人驾驶控制方法、装置、***和承载设备 |
| CN109947103B (zh) * | 2019-03-18 | 2022-06-28 | 深圳一清创新科技有限公司 | 无人驾驶控制方法、装置、***和承载设备 |
| CN111765888A (zh) * | 2019-04-01 | 2020-10-13 | 阿里巴巴集团控股有限公司 | 设备定位方法、装置、电子设备及可读存储介质 |
| CN110260855A (zh) * | 2019-06-24 | 2019-09-20 | 北京壹氢科技有限公司 | 一种融合行人航位推算、地磁信息与室内地图信息的室内行人导航定位方法 |
| CN110361744A (zh) * | 2019-07-09 | 2019-10-22 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
| CN110361744B (zh) * | 2019-07-09 | 2022-11-01 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
| CN110488818A (zh) * | 2019-08-08 | 2019-11-22 | 深圳市银星智能科技股份有限公司 | 一种基于激光雷达的机器人定位方法、装置和机器人 |
| CN110488818B (zh) * | 2019-08-08 | 2020-07-17 | 深圳市银星智能科技股份有限公司 | 一种基于激光雷达的机器人定位方法、装置和机器人 |
| CN110779528A (zh) * | 2019-11-07 | 2020-02-11 | 四川长虹电器股份有限公司 | 基于粒子滤波器的定位恢复方法及机器人设备 |
| CN111076724A (zh) * | 2019-12-06 | 2020-04-28 | 苏州艾吉威机器人有限公司 | 三维激光定位方法及*** |
| CN111076724B (zh) * | 2019-12-06 | 2023-12-22 | 苏州艾吉威机器人有限公司 | 三维激光定位方法及*** |
| CN111077495A (zh) * | 2019-12-10 | 2020-04-28 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
| CN111077495B (zh) * | 2019-12-10 | 2022-02-22 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
| CN111421548A (zh) * | 2020-04-21 | 2020-07-17 | 武汉理工大学 | 一种移动机器人定位方法及*** |
| CN111421548B (zh) * | 2020-04-21 | 2021-10-19 | 武汉理工大学 | 一种移动机器人定位方法及*** |
| CN111578958A (zh) * | 2020-05-19 | 2020-08-25 | 山东金惠新达智能制造科技有限公司 | 移动机器人导航实时定位方法、***、介质及电子设备 |
| CN111707252A (zh) * | 2020-06-11 | 2020-09-25 | 上海有个机器人有限公司 | 定位判断方法和装置 |
| CN112068547A (zh) * | 2020-08-05 | 2020-12-11 | 歌尔股份有限公司 | 一种基于amcl的机器人定位方法、装置和机器人 |
| CN112068547B (zh) * | 2020-08-05 | 2024-05-28 | 歌尔股份有限公司 | 一种基于amcl的机器人定位方法、装置和机器人 |
| CN112344933A (zh) * | 2020-08-21 | 2021-02-09 | 北京京东乾石科技有限公司 | 一种信息生成的方法、装置和存储介质 |
| CN114088093A (zh) * | 2020-11-09 | 2022-02-25 | 北京京东乾石科技有限公司 | 一种点云地图构建方法、装置、***及存储介质 |
| CN112880664A (zh) * | 2021-01-21 | 2021-06-01 | 深圳市镭神智能***有限公司 | 一种行驶设备的定位方法、装置、设备及存储介质 |
| CN112965076B (zh) * | 2021-01-28 | 2024-05-24 | 上海思岚科技有限公司 | 一种用于机器人的多雷达定位***及方法 |
| CN112965076A (zh) * | 2021-01-28 | 2021-06-15 | 上海思岚科技有限公司 | 一种用于机器人的多雷达定位***及方法 |
| CN113296503A (zh) * | 2021-05-08 | 2021-08-24 | 西安达升科技股份有限公司 | 一种用于agv小车路径优化方法、装置及存储介质 |
| CN113310484A (zh) * | 2021-05-28 | 2021-08-27 | 杭州艾米机器人有限公司 | 一种移动机器人定位方法和*** |
| CN113503876B (zh) * | 2021-07-09 | 2023-11-21 | 深圳华芯信息技术股份有限公司 | 多传感器融合的激光雷达定位方法、***以及终端 |
| CN113514843A (zh) * | 2021-07-09 | 2021-10-19 | 深圳华芯信息技术股份有限公司 | 多子图激光雷达定位方法、***以及终端 |
| CN113503876A (zh) * | 2021-07-09 | 2021-10-15 | 深圳华芯信息技术股份有限公司 | 多传感器融合的激光雷达定位方法、***以及终端 |
| CN114543819A (zh) * | 2021-09-16 | 2022-05-27 | 北京小米移动软件有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
| CN114543819B (zh) * | 2021-09-16 | 2024-03-26 | 北京小米移动软件有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
| CN114199251B (zh) * | 2021-12-03 | 2023-09-15 | 江苏集萃智能制造技术研究所有限公司 | 一种机器人的防碰撞定位方法 |
| CN114199251A (zh) * | 2021-12-03 | 2022-03-18 | 江苏集萃智能制造技术研究所有限公司 | 一种机器人的防碰撞定位方法 |
| CN114643579A (zh) * | 2022-03-29 | 2022-06-21 | 深圳优地科技有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
| CN114643579B (zh) * | 2022-03-29 | 2024-01-16 | 深圳优地科技有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
| CN115127559A (zh) * | 2022-06-28 | 2022-09-30 | 广东利元亨智能装备股份有限公司 | 一种定位方法、装置、设备和存储介质 |
| CN117589154A (zh) * | 2024-01-19 | 2024-02-23 | 深圳竹芒科技有限公司 | 自移动设备的重定位方法、自移动设备和可读存储介质 |
| CN117589154B (zh) * | 2024-01-19 | 2024-05-24 | 深圳竹芒科技有限公司 | 自移动设备的重定位方法、自移动设备和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108931245B (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108931245A (zh) | 移动机器人的局部自定位方法及设备 | |
| CN109144056A (zh) | 移动机器人的全局自定位方法及设备 | |
| CN108152831B (zh) | 一种激光雷达障碍物识别方法及*** | |
| CN110146909B (zh) | 一种定位数据处理方法 | |
| KR101572851B1 (ko) | 동적 환경에서 모바일 플랫폼의 지도 작성방법 | |
| US9244152B1 (en) | Determining device locations using movement, signal strength | |
| EP2597485B1 (en) | Rapid lidar image correlation for ground navigation | |
| CN113916243B (zh) | 目标场景区域的车辆定位方法、装置、设备和存储介质 | |
| CN112639502A (zh) | 机器人位姿估计 | |
| EP2133662A2 (en) | Methods and system of navigation using terrain features | |
| EP2175237B1 (en) | System and methods for image-based navigation using line features matching | |
| US9651388B1 (en) | System and method for improved simultaneous localization and mapping | |
| WO2018221455A1 (ja) | 更新装置、制御方法、プログラム及び記憶媒体 | |
| CN112805766B (zh) | 用于更新详细地图的装置和方法 | |
| WO2017121936A1 (fr) | Procédé et système de détermination de la position d'un engin mobile | |
| CN110989619B (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
| KR102125538B1 (ko) | 자율 주행을 위한 효율적인 맵 매칭 방법 및 그 장치 | |
| CN116097128A (zh) | 用于对车辆位置进行确定的方法和设备 | |
| CN113822944B (zh) | 一种外参标定方法、装置、电子设备及存储介质 | |
| CN111615677A (zh) | 一种无人机的安全降落方法、装置、无人机及介质 | |
| CN110794434B (zh) | 一种位姿的确定方法、装置、设备及存储介质 | |
| CN109945864B (zh) | 室内行车定位融合方法、装置、存储介质及终端设备 | |
| CN109769206B (zh) | 一种室内定位融合方法、装置、存储介质及终端设备 | |
| CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
| CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |