CN109725327B - 一种多机构建地图的方法及*** - Google Patents
一种多机构建地图的方法及*** Download PDFInfo
- Publication number
- CN109725327B CN109725327B CN201910172775.XA CN201910172775A CN109725327B CN 109725327 B CN109725327 B CN 109725327B CN 201910172775 A CN201910172775 A CN 201910172775A CN 109725327 B CN109725327 B CN 109725327B
- Authority
- CN
- China
- Prior art keywords
- map
- robot
- maps
- information
- environment
- 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.)
- Active
Links
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开提出了一种多机构建地图的方法及***,包括:每个机器人通过激光雷达扫描环境信息并上传至本地服务器中生成该机器人的栅格地图;每个机器人通过视觉传感器识别环境中二维码信息,得到每个二维码的唯一ID以及机器人相对于二维码的位姿上传至本地服务器;所述本地服务器对该组中所有的机器人各自构建的栅格地图及以及每个地图中的二维码信息进行处理,计算出每个机器人建立的地图中包含的二维码的约束信息,根据二维码的约束信息获得不同地图中重合部分并进行地图融合,完成地图融合后,将最终的全局地图上传至云端服务器。能够实现大场景下的全局地图构建,且支持机器人的扩展,***灵活,鲁棒性高。
Description
技术领域
本公开涉及导航技术领域,特别是涉及一种多机构建地图的方法及***。
背景技术
对机器人领域而言,自主探索未知区域并构建出准确的环境地图是一项基础的任务,也是移动机器人在后期完成自主导航等功能的关键之处。能够快速准确的建立出陌生环境的地图模型是机器人感知以及算法处理能力的体现,也决定了机器人的智能化程度以及导航功能的鲁棒性。在建图的具体过程中大多是通过机器人自身装置的传感器来对整个环境进行观测,不同检测原理的传感器的观测模型也完全不同,比如激光雷达等激光测距仪通过光的反射等特性建模,超声传感器利用声波的传播与反射特性建模,相机传感器则利用投影几何学来进行建模。
随着几十年来的技术发展,尤其是机器人所搭载的环境感知传感器如激光雷达、深度相机等在检测精度以及频率上的提高,并且建图策略与算法的不断更新与优化,使得单个机器人在小范围建图的应用上趋于成熟而稳定。
然而,在面对大场景的环境时,仅靠单一机器人一次性完成全局的建图效果往往会受限于单个机器人控制器处理能力不足以及累计误差等因素。因此,针对于多机器人的协作的研究被广泛的开展。研究人员希望通过多机器人协作来对环境进行建模,实现更高的效率以及提高地图的精度和鲁棒性。
在多机协作建图的研究中,首先需要解决的是确定机器人间的网络架构与数据通信方式。关于在整个***下机器人的网络架构主要分为集中式以及分布式结构。传统的集中式结构中对所有机器人的传感器信息采用的是集中管理的形式,通过无线网络等通讯媒介传输到中央处理装置进行数据的集中处理与融合。这种结构对网络的负载压力较大并且由于多机协作实时性要求高,一旦有数据丢失则会造成数据的时序错乱且难以立即修正。在分布式结构中,每个机器人本机先进行局部环境的传感器数据处理,然后通过无线网等网络媒介分享处理后的信息给其他机器人,从而维护自身环境数据并维护全局环境数据。分布式的结构对通信网络造成的压力更小,具有更多的灵活性和更强的鲁棒性。
其次,在多机协作的具体实施过程中的研究的重点在于地图的融合。对于多机建图的整体流程而言,其中各单机的建图技术十分成熟,采用开源的SLAM算法比如Gmapping、Hector等建立二维环境的栅格地图,但是在大场景中单机建图存在效率低、控制器处理能力不足的问题,所以需要多机协作建图,将大场景分割给不同的机器人进行局部子地图的构建,同时保证每两个子地图之间有重合部分,以便于后期的地图融合。如何将两个既有重合部分又有各自不同部分的地图进行融合是一个关键之处。
目前,几种较为主流的融合方式一种是纯依靠数学的算法优化对地图进行处理比如基于扩展卡尔曼滤波以及贝叶斯概率模型的地图融合,一种是基于视觉特征匹配的方式,通过提取ORB特征进行匹配后找出子图间变换关系从而融合,但是该方法由于视觉特征提取的过程受环境、光照等影响较大,误匹配的点过多容易造成错误融合。并且,现有的处理误匹配点的提纯方法也只是人为限定过滤标准,存在很大的偶然性。
发明内容
本说明书实施方式的目的之一是提供一种多机构建地图的***,通过分布式结构,在多机器人协作建图的过程中利用地图融合方式,提取准确的地图特征,该方法通过以下技术方案是实现:
本说明书实施方式提供一种多机构建地图的***,包括:分成多组的若干个机器人,每组机器人分别与对应的本地服务器通信,若干个本地服务器与全局云服务器通信;
每个机器人通过激光雷达扫描环境信息并上传至本地服务器中生成该机器人的栅格地图;
每个机器人通过视觉传感器识别环境中二维码信息,得到每个二维码的唯一ID以及机器人相对于二维码的位姿上传至本地服务器;
所述本地服务器对该组中所有的机器人各自构建的栅格地图及以及每个地图中的二维码信息进行处理,计算出每个机器人建立的地图中包含的二维码的约束信息,根据二维码的约束信息获得不同地图中重合部分并进行地图融合,完成地图融合后,将最终的全局地图上传至云端服务器。
本说明书实施方式的目的之二是提供一种多机构建地图的方法,包括:
通过激光雷达扫描机器人所处的环境信息并生成该机器人的栅格地图;
通过视觉传感器识别机器人所处环境中二维码信息,得到每个二维码的唯一ID以及机器人相对于二维码的位姿;
对所有的机器人各自构建的栅格地图及以及每个地图中的二维码信息进行处理,计算出每个机器人建立的地图中包含的二维码的约束信息,根据二维码的约束信息获得不同地图中重合部分并进行地图融合,完成地图融合后,获得全局地图。
与现有技术相比,本公开的有益效果是:
本公开技术方案解决了二维激光SLAM在多机建图过程中地图拼接成功率较低甚至无法拼接的问题,进而提高了三维场景重构中重复场景检测的准确率。
本公开技术方案通过在环境中铺设二维码并通过视觉传感器提取信息的方式,相当于在环境中每一块区域提供了准确的特征信息。二维码提取的过程快速而准确,并且二维码特征不受环境因素影响,据此进行地图匹配的效果更佳。
本公开技术方案能够实现大场景下的全局地图构建,且支持机器人的扩展,***灵活,鲁棒性高。
对于大场景建图,大场景的特征主要是实际面积大,环境信息较为固定,如工厂车间、办公楼某平层等。单一机器人由于计算能力以及误差累积等因素无法快速、准确的得到想要的结果。本公开技术方案通过多机器人协作的方式,相当于将任务分割,结果整合到一起,完成大场景下建图功能。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例子多机协作建图***网络结构图;
图2(a)-图2(c)为本公开实施例子多机建图中地图融合示意图(以两副子图为例);
图3为本公开实施例子多机协作建图***工作流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
参见附图1所示,该实施例子公开了一种多机构建地图的***,该***由部署在云端的全局云服务器、n个本地机器人服务器以及n个机器人组成。全局云服务器负责对建好全局地图的服务调用以及对本地机器人服务器的控制,维护整体***的运作。
在该实施例中,单个机器人分别通过激光雷达扫描环境信息和视觉传感器提取二维码信息,经过初步处理后上传至本地机器人服务器。
在本地机器人服务器中对于每个子图提取到的二维码建立空间约束向量,求解出不同子图间旋转、平移变换的最优解。
根据最优解完成子图间坐标转换,通过最小二乘法完成地图融合。
融合完成的地图传入全局云以供服务调用。
在具体实施例子中,本地的机器人服务器与全局云服务器间通过因特网通信,与多个机器人间通过无线网络通信,由于机器人本体所搭载的处理器计算能力有限在大场景地图融合中效率很低,故机器人负责局部地图的构建,相关信息传至本地机器人服务器进行统一处理与融合。该实施例子是一种改进式的分布式结构,机器人分布式探索,服务器集中融合地图。
在具体实施例子中,该***具备多台搭载了激光雷达以及视觉传感器的机器人,树莓派作为低成本的机器人本体的处理器通过激光雷达获取环境信息用于生成局部栅格子图,视觉传感器提取环境中张贴的二维码信息并记录。WiFi模块负责实现树莓派与本地机器人服务器之间的数据收发功能。
单个机器人通过激光传感器扫描环境信息,并通过无线网络上传至本地机器人服务器中生成该机器人的栅格地图。同时,机器人通过视觉传感器识别环境中二维码信息,得到每个二维码的唯一ID以及机器人相对于二维码的位姿。将同一地图中的二维码ID以及其位姿信息上传至本地机器人服务器并按机器人序号的不同分类存储。通过分类存储,便于后续的数据的处理及调用。
本地机器人服务器中存有多个机器人上传的各自构建的地图(地图1,地图2,……,地图n)以及每个地图中的二维码信息,接下来就是完成对收集到信息进行处理,找出不同地图中重合部分以及地图融合前的坐标统一的工作。对于两个子图来说,准确的找出两者的共同之处也就是重合部分,并计算出仿射变换的过程对后期的地图融合非常重要。
在本公开的具体实施例子中,对于一个独立的栅格地图,计算出机器人检测到的二维码两两之间的空间向量约束,在此前提下,每个机器人建立的地图中都可以计算出包含的二维码的约束信息,并且在实际环境中二维码的位置是固定不变的,因此一旦检测到的二维码并获知其ID,则无论机器人从哪个角度进行观测、无论是哪个机器人观测到的都是这个唯一的二维码,这一准确的特征信息使得两个不同地图的匹配更加准确且便捷。
完成地图融合后,将最终的全局地图上传至云端服务器,可在机器人的多种应用中被调用,以及能够为更加智能化的机器人技术提供支持。
本公开实施例子所提出的能够实现大场景下多机协作地图构建***,具有兼顾实时性与扩展性的多重云基网络结构在多机器人协作建图的过程中所采用的地图融合方式,提取准确的地图特征,有助于在全局地图的建立中提供更可靠的约束关系。此外,本公开实施例子解决单机器人运算能力不足以及传统的多机器人协作耦合不够紧密的问题,并完成对机器人的整体云服务调度的支持。
本公开实施例子***具备大量准确的环境标记单元,也就是在环境中预先铺设二维码标签,可提供对环境的准确的特征表示。每个二维码都有唯一的ID,因此每个二维码代表了实际环境中的一个位置特征,通过视觉传感器检测并读取到二维码信息,在进行初步坐标转换后传输至本地机器人服务器中进行二维码间向量约束匹配与转换,为子地图融合提供了准确而又稳定的参考特征。***实现多机建图的关键在于多个不同坐标系的子图的重合部分的匹配与对准,通过建立多个二维码间的约束关系,能够保证匹配的准确性,并且整个地图融合的过程不是单一的执行动作而是连续的,随着更多的相同二维码被检测到即更多对应的约束关系被建立,二维码的匹配效果越来越准确。
在具体实施时,二维码铺设要求低,在建图环境地面或墙面均可,以地面铺设为最佳方案。多个二维码之间的铺设位置、方向等均可任意设置无固定要求。
此外,***的另一大特点是其可拓展性,随着更多机器人检测区域的增加,不同的二维码标签也会随之增加,适应环境的变化,始终保持对环境特征的良好表示,从而保障了后续的地图匹配与融合的过程。
实施例子二
参见附图3所示,该实施例子公开了一种多机构建地图的方法,该方法可以基于实施例子一中的***,但并不局限于上述***。例如可以将所有的机器人与一个服务器相通信,利用该服务器进行数据的集中处理。
上述一种多机构建地图的方法在具体实现时,单个机器人通过激光传感器扫描环境信息,针对该环境信息进行处理,生成该机器人的栅格地图,机器人通过视觉传感器识别环境中二维码信息,得到每个二维码的唯一ID以及机器人相对于二维码的位姿。
由于机器人在其地图坐标系中运动时可获得其位姿Probot=(xr,yr,θr)故可算出单个二维码在该地图坐标系下位姿Pcode(n)=(xn,yn,θn),n二维码ID。由于不同机器人建立的地图中坐标系是不一样的,故即使两个机器人检测到了同样的两个二维码但是此处计算的位姿信息是不同的,因此将同一地图中的二维码ID以及其位姿信息上传至服务器并按机器人序号的不同分类存储。
在具体实施例子中,服务器中存有多个机器人上传的各自构建的地图(地图1,地图2,……,地图n)以及每个地图中的二维码信息,接下来就是完成对收集到信息进行处理,找出不同地图中重合部分以及地图融合前的坐标统一的工作。
对于一个独立的栅格地图,计算出机器人检测到的二维码两两之间的空间向量约束,如有Pcode(16)=(x16,y16,θ16)以及Pcode(32)=(x32,y32,θ32),则可以很快计算得出这两个二维码之间的空间向量的约束关系按照以上每两个二维码建立约束的方法,对同一地图中检测到的n个二维码最多可建立个约束条件。
在此前提下,每个机器人建立的地图中都可以计算出包含的二维码的约束信息,并且在实际环境中二维码的位置是固定不变的,因此一旦检测到的二维码并获知其ID,则无论机器人从哪个角度进行观测、无论是哪个机器人观测到的都是这个唯一的二维码,这一准确的特征信息使得两个不同地图的匹配更加准确且便捷。
参见附图2(a)-图2(c)所示,以两个机器人所建的既有独立部分又有重合部分的地图融合为例,匹配与转换关系求解的过程如下:机器人1建立的地图1中检测到ID为16、32的两个二维码并建立约束向量同时在机器人2建立的地图2中同样也检测到了ID为16、32的两个二维码,其约束向量为在实际环境中,尽管两个子图算出的不同,但是这两个二维码空间上的实际相对关系是不变的,从而可以得出两种地图一定有重合部分,可以进行地图的匹配,建立两个地图间变换关系transform是表示两幅子图转换关系的单应矩阵,包括旋转矩阵R和平移向量T以及尺度变量s,即
理论上来说,只需要一组对应的向量即可求解上式中的R、s、T。但是在检测过程中,相机对二维码ID的检测与识别是极为准确的,但对于返回的位姿坐标由于相机的精度以及不可避免的误差,会有所偏差。因此,为将误差的影响最小化,在服务器中持续搜索对比得到两幅子图间更多的二维码约束向量(如地图1和2中继续检测到ID为48的二维码则可建立向量约束)。当找出更多的对应约束向量时,则说明两张地图的重合位置的对接更加准确,从传统的点对点的匹配变成了多边匹配,此方法的误匹配率更低。在此基础上,建立超定方程来求解两张地图间转换关系tranoform,对超定方程来说如下式:
上式中,方程数大于变量数故不存在特解,但是可以求出最优解使得在该解下误差和最小。最优解的解算是通过建立正规方程组,由最小二乘法求解所得。得到最优解后就可以对地图进行坐标变换,统一到同一坐标系中,然后进行地图的融合。本公开实施例子适用于在面积较大的环境中的全局地图的构建并运用到SLAM导航中。
最优解就是最优的R、s、T参数,通过这三个参数就可以将另一张图的地图坐标信息与本图转换成一致从而获得相当于同一坐标系下的两张有重合部分的子图之后便是地图融合拼接的过程
超定方程的方法在复杂度以及结果的准确性上有最好的平衡结果,本公开实施例子的重点在与约束的建立与利用,具体的转换关系计算还有多种方式:
1、直接的数学计算的方法:根据需要求解的三个未知数以及任意的三组约束建立方程组进行求解。此方法只针对所选取的约束有准确的结果,对其他约束后期的并入计算来说并不是最优解。
2、有选择的迭代计算的方法:根据一组约束计算初始变换矩阵(包含R,s,T)。利用初始变换矩阵对需要平移旋转的地图上的点进行变换,并计算变换之后的点坐标和与其相对应的另一地图上的点坐标之间的距离。将要平移旋转的那个地图的删除计算初始变换矩阵的点之后的点集根据初始变换矩阵进行变换,求解变换之后的坐标与另一地图删计算初始变换矩阵的点坐标之间的距离,求出距离的最小值。如果最小值小于给定阈值,则用这对最小距离对应的点来优化变换矩阵;如果最小距离大于阈值,则迭代结束。
3、计算相异度函数:求解最优转换矩阵使得相异度函数最小得到两个地图最大的相似部分。利用差异进化算法进行具体的求解。
在该实施例子中,对于一个独立的栅格地图,计算出机器人检测到的二维码两两之间的空间向量约束,在此前提下,每个机器人建立的地图中都可以计算出包含的二维码的约束信息,并且在实际环境中二维码的位置是固定不变的,因此一旦检测到的二维码并获知其ID,则无论机器人从哪个角度进行观测、无论是哪个机器人观测到的都是这个唯一的二维码,这一准确的特征信息使得两个不同地图的匹配更加准确且便捷。
实施例子三
该实施例子公开了一种导航***,该导航***包括服务器,服务器与多个机器人进行通信,每个机器人实现各自子地图的构建,服务器被配置为执行上述一种多机构建地图的方法实现全局地图的构建,完成导航的功能。上述一种多机构建地图的方法的具体内容参见实施例子二,此处不再进行赘述。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种多机构建地图的***,其特征是,包括:分成多组的若干个机器人,每组机器人分别与对应的本地服务器通信,若干个本地服务器与全局云服务器通信;
每个机器人通过激光雷达扫描环境信息并上传至本地服务器中生成该机器人的栅格地图;
每个机器人通过视觉传感器识别环境中二维码信息,得到每个二维码的唯一ID以及机器人相对于二维码的位姿上传至本地服务器;
所述本地服务器对该组中所有的机器人各自构建的栅格地图及以及每个地图中的二维码信息进行处理,计算出每个机器人建立的地图中包含的二维码的约束信息,根据二维码的约束信息获得不同地图中重合部分并进行地图融合,完成地图融合后,将最终的全局地图上传至云端服务器;
本地服务器根据二维码建立空间约束向量,求解出不同栅格地图间旋转、平移变换的最优解,根据最优解完成栅格地图间坐标转换,通过最小二乘法完成地图融合。
2.如权利要求1所述的一种多机构建地图的***,其特征是,所述本地服务器对于每个栅格地图提取到的二维码建立空间约束向量。
3.如权利要求1所述的一种多机构建地图的***,其特征是,所述本地服务器将同一地图中的二维码ID以及其位姿信息按机器人序号的不同分类存储。
4.如权利要求1所述的一种多机构建地图的***,其特征是,提供环境中二维码信息的环境标记单元为在环境中预先铺设二维码标签,提供对环境的准确的特征表示,每个二维码标签具有唯一的ID,每个二维码代表了实际环境中的一个位置特征。
5.一种多机构建地图的方法,其特征是,包括:
通过激光雷达扫描机器人所处的环境信息并生成该机器人的栅格地图;
通过视觉传感器识别机器人所处环境中二维码信息,得到每个二维码的唯一ID以及机器人相对于二维码的位姿;
对所有的机器人各自构建的栅格地图及以及每个地图中的二维码信息进行处理,计算出每个机器人建立的地图中包含的二维码的约束信息,根据二维码的约束信息获得不同地图中重合部分并进行地图融合,完成地图融合后,获得全局地图;
根据二维码建立空间约束向量,求解出不同栅格地图间旋转、平移变换的最优解,根据最优解完成栅格地图间坐标转换,通过最小二乘法完成地图融合。
6.如权利要求5所述的一种多机构建地图的方法,其特征是,将两个栅格地图进行匹配获得不同地图中重合部分,在两个栅格地图进行匹配时,建立两个地图间变换关系,其中,表示两幅子图转换关系的单应矩阵包括旋转矩阵和平移向量以及尺度变量。
7.如权利要求6所述的一种多机构建地图的方法,其特征是,在两个栅格地图进行匹配时,采用多边匹配的方式,即持续搜索对比得到两幅栅格地图间多个二维码约束向量来实现。
8.如权利要求6所述的一种多机构建地图的方法,其特征是,建立超定方程来求解两张地图间转换关系的单应矩阵,通过建立正规方程组,由最小二乘法求解获得超定方程的最优解。
9.如权利要求8所述的一种多机构建地图的方法,其特征是,获得最优解后对栅格地图进行坐标变换,统一到同一坐标系中,然后进行栅格地图的融合。
10.一种导航***,该导航***包括服务器,服务器与多个机器人进行通信,服务器被配置为执行上述权利要求5-9任一所述的一种多机构建地图的方法实现全局地图的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910172775.XA CN109725327B (zh) | 2019-03-07 | 2019-03-07 | 一种多机构建地图的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910172775.XA CN109725327B (zh) | 2019-03-07 | 2019-03-07 | 一种多机构建地图的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109725327A CN109725327A (zh) | 2019-05-07 |
CN109725327B true CN109725327B (zh) | 2020-08-04 |
Family
ID=66302162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910172775.XA Active CN109725327B (zh) | 2019-03-07 | 2019-03-07 | 一种多机构建地图的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109725327B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110986969B (zh) * | 2019-11-27 | 2021-12-28 | Oppo广东移动通信有限公司 | 地图融合方法及装置、设备、存储介质 |
CN111123926A (zh) * | 2019-12-20 | 2020-05-08 | 上海点甜农业专业合作社 | 一种基于二维码路标自动导航场景的搭建方法 |
CN111090285B (zh) * | 2019-12-24 | 2023-04-25 | 山东华尚电气有限公司 | 一种导览机器人控制***及导航和导览信息管理方法 |
CN111121753A (zh) * | 2019-12-30 | 2020-05-08 | 炬星科技(深圳)有限公司 | 机器人联合建图方法、设备及计算机可读存储介质 |
CN111089585A (zh) * | 2019-12-30 | 2020-05-01 | 哈尔滨理工大学 | 一种基于传感器信息融合的建图及定位方法 |
CN111369640B (zh) * | 2020-02-28 | 2024-03-26 | 广州高新兴机器人有限公司 | 多机器人建图方法、***、计算机存储介质及电子设备 |
CN111352425B (zh) * | 2020-03-16 | 2024-02-09 | 北京猎户星空科技有限公司 | 一种导航***、方法、装置、电子设备及介质 |
CN111443713B (zh) * | 2020-04-14 | 2023-07-18 | 三一机器人科技有限公司 | 融合定位导航***和方法 |
CN111813102B (zh) * | 2020-06-06 | 2023-11-21 | 浙江中力机械股份有限公司 | 一种分布式自主机器人环境地图构建方法 |
CN112527929B (zh) * | 2020-10-20 | 2023-12-08 | 深圳银星智能集团股份有限公司 | 一种栅格地图编码方法及其装置、电子设备 |
CN112685527A (zh) * | 2020-12-31 | 2021-04-20 | 北京迈格威科技有限公司 | 建立地图的方法、装置和电子*** |
CN113074737B (zh) * | 2021-03-25 | 2023-12-29 | 大连理工大学 | 一种基于场景辨识的多机器人分布式协作视觉建图方法 |
CN113108798A (zh) * | 2021-04-21 | 2021-07-13 | 浙江中烟工业有限责任公司 | 一种基于激光雷达的多仓储机器人室内建图定位*** |
CN115965673B (zh) * | 2022-11-23 | 2023-09-12 | 中国建筑一局(集团)有限公司 | 基于双目视觉的集中式多机器人定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143074A (zh) * | 2013-05-07 | 2014-11-12 | 李东舸 | 一种用于基于运动特征信息生成运动特征码的方法和设备 |
CN106097443A (zh) * | 2016-05-30 | 2016-11-09 | 南京林业大学 | 城市室内外一体化三维场景构建与空间自适应导航方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504761B (zh) * | 2009-01-21 | 2012-07-18 | 无锡中星微电子有限公司 | 一种图像拼接的方法和装置 |
KR101074134B1 (ko) * | 2009-03-18 | 2011-10-17 | 경기대학교 산학협력단 | 지점 추천 방법 및 시스템 |
CN103165025B (zh) * | 2013-03-08 | 2015-09-02 | 郑奕斌 | 一种二维码导航方法、装置及载体 |
CN103278170B (zh) * | 2013-05-16 | 2016-01-06 | 东南大学 | 基于显著场景点检测的移动机器人级联地图创建方法 |
CN106272423A (zh) * | 2016-08-31 | 2017-01-04 | 哈尔滨工业大学深圳研究生院 | 一种针对大尺度环境的多机器人协同制图与定位的方法 |
CN108227717B (zh) * | 2018-01-30 | 2021-12-03 | 中国人民解放军陆军装甲兵学院 | 基于orb特征的多移动机器人地图融合方法及融合平台 |
CN108897836B (zh) * | 2018-06-25 | 2021-01-29 | 广州视源电子科技股份有限公司 | 一种机器人基于语义进行地图构建的方法和装置 |
CN109211251B (zh) * | 2018-09-21 | 2022-01-11 | 北京理工大学 | 一种基于激光和二维码融合的即时定位与地图构建方法 |
-
2019
- 2019-03-07 CN CN201910172775.XA patent/CN109725327B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143074A (zh) * | 2013-05-07 | 2014-11-12 | 李东舸 | 一种用于基于运动特征信息生成运动特征码的方法和设备 |
CN106097443A (zh) * | 2016-05-30 | 2016-11-09 | 南京林业大学 | 城市室内外一体化三维场景构建与空间自适应导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109725327A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109725327B (zh) | 一种多机构建地图的方法及*** | |
Cieslewski et al. | Data-efficient decentralized visual SLAM | |
Cunningham et al. | Fully distributed scalable smoothing and mapping with robust multi-robot data association | |
CN109100730B (zh) | 一种多车协同快速建图方法 | |
CN109813319B (zh) | 一种基于slam建图的开环优化方法及*** | |
CN106767827B (zh) | 一种基于激光数据的移动机器人点云地图创建方法 | |
CN106017472A (zh) | 全局路线规划方法、全局路线规划***及无人机 | |
Bosse | ATLAS: a framework for large scale automated mapping and localization | |
US20230236280A1 (en) | Method and system for positioning indoor autonomous mobile robot | |
CN109035329A (zh) | 基于深度特征的相机姿态估计优化方法 | |
CN111260751A (zh) | 基于多传感器移动机器人的建图方法 | |
Yue et al. | Collaborative Perception, Localization and Mapping for Autonomous Systems | |
Deng et al. | Long-range binocular vision target geolocation using handheld electronic devices in outdoor environment | |
Lu et al. | Robot indoor location modeling and simulation based on Kalman filtering | |
CN116429116A (zh) | 一种机器人定位方法及设备 | |
CN115201849A (zh) | 一种基于矢量地图的室内建图方法 | |
CN114967694A (zh) | 一种移动机器人协同环境探索方法 | |
CN114429432A (zh) | 一种多源信息分层融合方法、装置及存储介质 | |
CN114186859A (zh) | 复杂未知环境多机协同多目标任务分配方法 | |
CN111142117B (zh) | 融合折角板和占据栅格的混合导航地图构建方法及*** | |
Contreras et al. | Efficient decentralized collaborative mapping for outdoor environments | |
Yue et al. | Technical background | |
Xue et al. | Visual-marker based localization for flat-variation scene | |
CN109389677A (zh) | 房屋三维实景地图的实时构建方法、***、装置及存储介质 | |
Yang et al. | PSL-SLAM: a monocular SLAM system using points and structure lines in Manhattan World |
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 |