CN111486840A - 机器人定位方法、装置、机器人及可读存储介质 - Google Patents

Abstract

本申请提供机器人定位方法、装置、机器人及可读存储介质，方法包括：获取预设基准定位方式发布的第一当前位姿信息以及其余定位方式发布的第二当前位姿信息，将由第一当前位姿信息与一个第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中，以输入信息对中的第二当前位姿信息和第一当前位姿信息之间的当前位置偏差为量测量，得到各子滤波器输出的当前局部误差估计，并输入到主滤波器进行最优融合，得到当前全局估计误差，并据此校正第一当前位姿信息。本申请通过联邦滤波器将各定位方式的数据进行融合，输出全局最优的全局估计误差对第一当前位姿信息进行校正，提高了最终的定位精度。

Description

机器人定位方法、装置、机器人及可读存储介质

技术领域

本申请涉及机器人技术领域，具体而言，涉及一种机器人定位方法、装置、机器人及可读存储介质。

背景技术

服务机器人工作环境复杂，环境随时改变，受外界影响、干扰较多，所以如果要在室内环境中自主完成导航任务，需要知道机器人自身在环境中的全局位置，即机器人需要具有室内自主定位的能力。

目前，机器人定位的方法有很多，主要有GNSS（Global Navigation SatelliteSystem，全球卫星导航***）、激光SLAM（simultaneous localization and mapping，即时定位与地图构建）、视觉SLAM、里程计、IMU（Inertial Measurement Unit，惯性测量单元）、WIFI、蓝牙、红外等。但是，各方法在单独采用时或多或少都会存在某些难以解决的问题。

为此，目前常采用多方式协同的定位方案。但是，在采用多种定位方式来共同进行定位时，如何对多种定位方式的数据进行融合，以得到更为精确的定位结果，就成为了影响最终定位准确性的关键。

发明内容

本申请实施例的目的在于提供一种机器人定位方法、装置、机器人及可读存储介质，用以解决目前采用单种定位手段进行定位时全局定位的准确性不高的问题。

本申请实施例提供了一种机器人定位方法，包括：获取预设基准定位方式所发布的第一当前位姿信息；获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息；将由所述第一当前位姿信息与一个所述第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中；每一种所述其余定位方式对应一个所述子滤波器；各子滤波器以所述输入信息对中的所述第二当前位姿信息和所述第一当前位姿信息之间的当前位置偏差作为量测量对状态量进行估计，得到针对所述状态量的当前局部误差估计；将所述第一当前位姿信息以及各所述各子滤波器输出的当前局部误差估计，输入到所述联邦滤波器的主滤波器进行最优融合，得到当前全局估计误差；根据所述当前全局估计误差校正所述第一当前位姿信息。

在上述实现过程中，通过联邦滤波器即可实现对各定位方式与基准定位方式之间的信息融合，从而输出全局最优的全局估计误差。进而即可以依据该全局估计误差，对基准定位方式的第一当前位姿信息进行校正。这样，即实现了对多种定位方式的数据的融合，提高了最终的定位精度。

进一步地，所述预设基准定位方式为IMU定位方式；所述状态量包括以下至少之一：所述IMU的位置误差；所述IMU的姿态误差；所述IMU的速度误差；所述IMU的陀螺零偏；所述IMU的加速度计零偏。。

进一步地，所述其余定位方式包括WiFi定位方式；所述获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息，包括：获取当前接收到的WiFi信号的接收信号强度指示RSSI数据；将所述RSSI数据输入预设的定位模型中，得到所述第二当前位姿信息；所述定位模型为通过由预先设置的大量采样点和各采样点对应的RSSI数据作为样本数据训练得到的模型。

进一步地，所述其余定位方式包括基于Odom（里程计坐标系）数据的定位方式；所述获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息，包括：对Odom数据进行速度积分递推计算，得到所述第二当前位姿信息。

进一步地，在将由所述第一当前位姿信息与一个所述第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中之后，所述方法还包括：各所述子滤波器输出各所述其余定位方式与所述基准定位方式的当前局部协方差矩阵；在将所述第一当前位姿信息以及各所述子滤波器输出的当前局部误差估计输入到所述联邦滤波器的主滤波器进行最优融合之前，所述方法还包括：确定所有的所述当前局部协方差矩阵满足预设第一可信度要求。

应当理解的是，在联邦滤波器中，各子滤波器以及主滤波器在输出相应的误差估计的同时，还会输出相应的协方差矩阵。在协方差矩阵中的一个对角线上的各元素值表征的是方差。因此，在本申请实施例中，可以通过各子滤波器输出的当前局部协方差矩阵中所含有的各方差值来确定本次局部误差估计的可用性，从而在子滤波器的局部误差估计满足可信度要求时，才输入主滤波器进行最优融合，从而提高的本申请方案的可靠性。

进一步地，所述联邦滤波器的主滤波器在进行最优融合后，还得到当前全局协方差矩阵；在根据所述当前全局估计误差校正所述第一当前位姿信息之前，所述方法还包括：确定所述当前全局协方差矩阵满足预设第二可信度要求。

如前文所述，在本申请实施例中，可以通过主滤波器输出的当前全局协方差矩阵中所含有的各方差值来确定本次全局误差估计的可用性，从而在主滤波器的全局误差估计满足可信度要求时，才将全局误差估计用来校正第一当前位姿信息，从而提高的本申请方案的可靠性。

进一步地，所述方法还包括：在所述当前全局协方差矩阵不满足预设第二可信度要求时，按照预设方式进行提示，以便对所述联邦滤波器进行校正。

在上述实现过程中，在不满足可信度要求时，即可进行提示以便对联邦滤波器进行校正，从而可以有效保障联邦滤波器的可靠性，进而保障本申请实施例的方案的可靠性。

本申请实施例还提供了一种机器人定位装置，包括：获取模块和处理模块；所述获取模块，用于获取预设基准定位方式所发布的第一当前位姿信息，以及有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息；所述处理模块，用于将由所述第一当前位姿信息与一个所述第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中；每一种所述其余定位方式对应一个所述子滤波器；所述处理模块，还用于在各子滤波器中，以所述输入信息对中的所述第二当前位姿信息和所述第一当前位姿信息之间的当前位置偏差作为量测量对状态量进行估计，得到针对所述状态量的当前局部误差估计；所述处理模块，还用于将所述第一当前位姿信息以及各所述各子滤波器输出的当前局部误差估计，输入到所述联邦滤波器的主滤波器进行最优融合，得到当前全局估计误差；所述处理模块，还用于根据所述当前全局估计误差校正所述第一当前位姿信息。

本申请实施例还提供了一种机器人，包括：处理器、存储器及通信总线；所述通信总线用于实现所述处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现上述任一种的机器人定位方法。

本申请实施例中还提供了一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一种的机器人定位方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种机器人定位方法的流程示意图；

图2为本申请实施例提供的一种联邦滤波器结构示意图；

图3为本申请实施例提供的一种具体的联邦滤波器结构示意图；

图4为本申请实施例提供的一种机器人定位装置的结构示意图；

图5为本申请实施例提供的一种机器人的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

实施例一：

本申请实施例中提供了一种机器人定位方法，参见图1所示，包括：

S101：获取预设基准定位方式所发布的第一当前位姿信息。

在本申请实施例中，预设基准定位方式可以为IMU定位方式，也可以为基于Odom数据的定位方式。

示例性的，在采用IMU定位方式时，机器人可以获取到IMU数据，进而实时进行捷联算法更新，从而得到基于IMU定位方式的当前位姿信息。

应当理解的是，IMU数据通常为机器人的角速度数据和加速度数据等，通过捷联算法对IMU数据处理后，即可得到机器人的速度、位置、姿态等信息。

示例性的，在采用基于Odom数据的定位方式时，则可以通过对Odom数据进行速度积分递推计算，从而得到基于Odom数据的定位方式的当前位姿信息。

S102：获取有别于基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息。

在本申请实施例中，基准定位方式以及其余定位方式可以由工程师根据实际需要进行设定，并在机器人上配置相应的功能器件，从而确保本申请方案的可施行性。

示例性的，在本申请实施例中，基准定位方式可以采用IMU定位方式，而其余定位方式可以采用WiFi定位方式和/或Odom定位方式。

示例性的，在本申请实施例中，基准定位方式也可以采用Odom定位方式，而其余定位方式可以采用WiFi定位方式和/或IMU定位方式。

在本申请实施例中，在采用WiFi定位方式时，可以预先在不同采样点位置（比如每个采样点在地图中间隔1至2米）采集各采样点对应的RSSI数据，进而将大量采样点和各采样点对应的RSSI数据作为样本数据输入到预设的模型（比如支持向量机算法的二分类模型等）中进行训练，从而得到训练好的模型。

此后，即可按照预设的采集频率（比如1Hz频率）不断获取机器人当前接收到的WiFi信号的RSSI数据（即当前RSSI数据），将当前RSSI数据输入到训练好的模型中，即可得到基于WiFi定位方式的当前位姿信息。

应当理解的是，在本申请实施例中，为了提高定位准确性，在采集各采样点对应的RSSI数据的同时，还可以采集各采样点对应的AP（Access Point，无线接入点）位置，将大量采样点和各采样点对应的RSSI数据、各采样点对应的AP位置作为样本数据输入到预设的模型中进行训练，从而得到训练好的模型。在进行WiFi定位时，即采集机器人的当前RSSI数据以及当前对应的AP位置作为输入数据，输入到训练好的模型中，从而得到基于WiFi定位方式的当前位姿信息。

需要注意的是，在本申请实施例中所述的第一当前位姿信息和第二当前位姿信息表征的都是当前时刻的位姿信息，其仅是采用不同的定位方式进行发布。

S103：将由第一当前位姿信息与一个第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中。

需要理解的是，在本申请实施例中，每一种其余定位方式均分别对应一个子滤波器，同时一个子滤波器也仅对应一种其余定位方式。也即其余定位方式与子滤波器之间具有一一对应关系。也即在本申请实施例中，每一个子滤波器仅会获取到第一当前位姿信息与一个第二当前位姿信息。为了便于表述，本申请中将输入到子滤波器中的第一当前位姿信息与一个第二当前位姿信息称作输入信息对。

应当了解的是，联邦滤波器是一种分布式滤波器，其采用分块估计结构，对多个***实现信息融合，实现***整体状态的全局最优估计。其结构可以参见图2所示。

S104：各子滤波器以输入信息对中的第二当前位姿信息和第一当前位姿信息之间的当前位置偏差作为量测量对状态量进行估计，得到针对状态量的当前局部误差估计。

在本申请实施例中，联邦滤波器的各子滤波器可以采用卡尔曼滤波器（比如扩展卡尔曼滤波器）来实现，从而实现局部最优估计。

应当了解的是，卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法。其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻状态量的估计值和当前时刻的观测值（即量测量）来更新对状态量的估计，得出当前时刻状态量的估计值。

应当理解的是，理论上，在每一种定位方式都定位完全准确的情况下，第二当前位姿信息和第一当前位姿信息应当是对应于相同的位姿。但是在实际应用过程中，针对同一时刻的机器人位姿，不同的定位方式往往会存在一定的偏差。因此在本申请实施例中就可以计算得到输入到各子滤波器的输入信息对中的第二当前位姿信息和第一当前位姿信息之间的当前位置偏差，进而依据输入信息对中的第二当前位姿信息和第一当前位姿信息之间的当前位置偏差作为量测量，来对状态量进行估计。

还应当理解的是，在本申请实施例中，状态量为机器人中与位姿信息相关的一些误差。

比如，对于IMU定位方式而言，可以设置IMU的位置误差、姿态误差、速度误差、陀螺零偏（如三轴陀螺仪的三轴常值漂移误差）、加速度计零偏（如加速度计常值漂移误差）等中的一种或多种作为状态量。示例性的，可以将IMU定位方式中的位置误差、姿态误差、速度误差、陀螺零偏和加速度计零偏全部作为状态量进行误差估计。

又比如，对于基于里程计Odom数据的定位方式而言，可以设置基于里程计Odom数据的定位方式中的位置误差、姿态误差、速度误差等中的一种或多种作为状态量。示例性的，可以将基于里程计Odom数据的定位方式中的位置误差、姿态误差、速度误差全部作为状态量进行误差估计。

S105：将第一当前位姿信息以及各子滤波器输出的当前局部误差估计输入到联邦滤波器的主滤波器进行最优融合，得到当前全局估计误差。

根据前文可知，在将由第一当前位姿信息与一个第二当前位姿信息构成输入信息对输入到子滤波器中后，子滤波器会估计出基准定位方式与该第二当前位姿信息对应的其余定位方式之间，在当前时刻的状态量。在本申请实施例中，可以将当前时刻的状态量作为局部误差估计输入到主滤波器中。

需要说明的是，在联邦滤波器中，各子滤波器在输出当前局部误差估计的同时，还会输出与当前局部误差估计对应的当前局部协方差矩阵。通过各当前局部误差估计对应的当前局部协方差矩阵，可以确定当前局部误差估计的可靠性。

在本申请实施例中，可以在将当前误差状态量以及各当前局部误差估计输入到联邦滤波器的主滤波器进行最优融合之前，先确定所有的当前局部协方差矩阵是否满足预设第一可信度要求。在所有的当前局部协方差矩阵均满足预设第一可信度要求时，才将当前误差状态量以及各当前局部误差估计输入到联邦滤波器的主滤波器进行最优融合。若存在某一或某些当前局部协方差矩阵不满足预设第一可信度要求，则可以按照预设方式进行提示，以便通知工程师对联邦滤波器进行校正。

在本申请实施例中，提示方式包括但不限于通过预设短信、邮件等通信方式进行通知。

应当理解的是，在协方差矩阵中的一个对角线上的各元素值表征的是方差。在本申请实施例中，可以根据当前局部协方差矩阵中的各方差值确定是否满足预设第一可信度要求。示例性的，可以在当前局部协方差矩阵中的各方差值均小于预设第一方差阈值时，确定满足预设第一可信度要求，否则，确定不满足预设第一可信度要求。

此外，在本申请实施例中，主滤波器在进行最优融合后，还会得到当前全局估计误差对应的当前全局协方差矩阵。基于当前全局协方差矩阵可以确定当前全局误差估计的可靠性。

类似的，在本申请实施例中，在得到当前全局估计误差和当前全局协方差矩阵后，在执行步骤S106之前，可以先确定当前全局协方差矩阵是否满足预设第二可信度要求。在当前全局协方差矩阵满足预设第二可信度要求时，才执行步骤S106。否则，则可以按照预设方式进行提示，以便通知工程师对联邦滤波器进行校正。

类似的，在本申请实施例中，可以根据当前全局协方差矩阵中的各方差值确定是否满足预设第二可信度要求。示例性的，可以在当前全局协方差矩阵中的各方差值均小于预设第二方差阈值时，确定满足预设第二可信度要求，否则，确定不满足预设第二可信度要求。

在本申请实施例中，各阈值可以由工程师根据实际需要进行设置。

需要说明的是，联邦滤波器包括有重置的联邦滤波器和无重置的联邦滤波器两类。其中，无重置的联邦滤波器在滤波过程中子滤波器之间无信息交流，子滤波器自我递推，局部滤波精度低，但是由于无重置的联邦滤波器中各子滤波器相互独立，因此一个子滤波器的故障不会影响其余子滤波器，因此可以提供更高的容错性。而有重置的联邦滤波器在主滤波器输出全局误差以及当前全局协方差矩阵反馈到各个子滤波器，从而重置各子滤波器的局部误差估计值和当前局部协方差矩阵，从而可以提高局部滤波精度，较无重置的联邦滤波器而言，滤波精度更高。但是，有重置的联邦滤波器局部滤波受全局滤波反馈的影响，这就使得一个子滤波器故障会使得原本良好的子滤波器也受到影响，因此有重置的联邦滤波器较无重置的联邦滤波器而言容错性较低。

在本申请实施例中，可以根据实际需要，由工程师选择采用有重置的联邦滤波器或是无重置的联邦滤波器来实现本申请实施例的方案。

S106：根据当前全局估计误差校正第一当前位姿信息。

在本申请实施例中，在得到当前全局估计误差后，即可基于该当前全局估计误差对基准定位方式所发布的第一当前位姿信息进行校正，从而使得最终确定的定位结果更为精确。

本申请实施例中提供的机器人定位方法，通过联邦滤波器将各定位方式与基准定位方式之间的定位信息进行融合，从而输出全局最优的全局估计误差，进而可以依据该全局估计误差，对基准定位方式的第一当前位姿信息进行校正，得到更为精确的定位结果。这样，即实现了对多种定位方式的数据的融合，提高了最终的定位精度。

实施例二：

本实施例在实施例一的基础上，以IMU定位方式作为基准定位方式，WiFi定位方式和基于Odom数据的定位方式作为其余定位方式的情况为例，对本申请实施例的方案作进一步示例说明。

首先，机器人运行ROS（Robot Operating System，机器人操作***）环境。

接着，参见图3所示，图3为本实施例中的联邦滤波器结构示意图。机器人进行各定位方式的当前数据处理，得到各定位方式对应的机器人当前位姿信息，并根据图3所示的结构将各定位方式对应的机器人当前位姿信息，分别输入到相应的子滤波器中。

示例性的：

对于WiFi定位方式，机器人会预先训练好模型，进而基于训练好的模型得到对应的当前位姿信息。

具体而言，机器人可以预先对室内定位区域（即地图）划分网格，并预先按照预设间隔距离（比如1至2米）建立采样点，采集各采样处机器人所获取到的RSSI数据。将各采样点位置以及各采样点对应的RSSI数据构成样本集数据输入到预设的模型中进行训练，得到训练好的模型。进而在定位时，可以获取当前的RSSI数据输入到模型中，从而得到对应的当前位姿信息。

对于IMU定位方式，机器人可以对获取到的IMU数据实时进行捷联算法更新，从而得到IMU定位方式对应的当前位姿信息。

对于基于Odom数据的定位方式，机器人可以对Odom数据进行速度积分递推计算，从而得到基于Odom数据的定位方式所对应的当前位姿信息。

接着：

取IMU定位方式中当前的位置误差、姿态误差、速度误差、陀螺零偏、加速度计零偏为状态量；WiFi定位方式与IMU定位方式之间的位置误差为量测量，通过子滤波器1（为扩展卡尔曼器）估计出WiFi定位方式与IMU定位方式之间的状态量（当前局部误差估计1）和当前局部协方差矩阵1。

取IMU定位方式中当前的位置误差、姿态误差、速度误差、陀螺零偏、加速度计零偏为状态量；基于Odom数据的定位方式与IMU定位方式之间的位置误差为量测量，通过子滤波器2（为扩展卡尔曼器）估计出基于Odom数据的定位方式与IMU定位方式之间的状态量（当前局部误差估计2）和当前局部协方差矩阵2。

接着，将IMU定位方式对应的机器人当前位姿信息，以及当前局部误差估计1和当前局部协方差矩阵1、当前局部误差估计2和当前局部协方差矩阵2，输入到主滤波器中，得到当前全局估计误差和当前全局协方差矩阵。

最后，使用当前全局估计误差对IMU定位方式对应的当前位姿信息进行校正，得到校正后的位姿信息，实现精确定位。

通过本申请实施例的方案，可以实现对于机器人的实时全局定位。通过联邦滤波器，可以实现对于多种定位方式之间的数据融合，从而可以使得得到的全局定位结果可靠性更高。

实施例三：

基于同一发明构思，本申请实施例中还提供了一种机器人定位装置。请参阅图4所示，图4示出了与实施例一所示的方法对应的机器人定位装置100。应理解，机器人定位装置100具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。机器人定位装置100包括至少一个能以软件或固件的形式存储于存储器中或固化在机器人定位装置100的操作***中的软件功能模块。具体地：

参见图4所示，机器人定位装置100包括：获取模块101、和处理模块102。其中：

获取模块101，用于获取预设基准定位方式所发布的第一当前位姿信息，以及有别于基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息；

处理模块102，用于将由所述第一当前位姿信息与一个所述第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中；每一种所述其余定位方式对应一个所述子滤波器；

处理模块102，还用于在各子滤波器中，以所述输入信息对中的所述第二当前位姿信息和所述第一当前位姿信息之间的当前位置偏差作为量测量对状态量进行估计，得到针对所述状态量的当前局部误差估计；

处理模块102，还用于将所述第一当前位姿信息以及各所述各子滤波器输出的当前局部误差估计，输入到所述联邦滤波器的主滤波器进行最优融合，得到当前全局估计误差；

处理模块102，还用于根据所述当前全局估计误差校正所述第一当前位姿信息。

在本申请实施例中，预设基准定位方式为IMU定位方式；状态量包括以下至少之一：IMU的位置误差；IMU的姿态误差；IMU的速度误差；IMU的陀螺零偏；IMU的加速度计零偏。

在本申请实施例中，其余定位方式包括WiFi定位方式；获取模块101具体用于：获取当前接收到的WiFi信号的接收信号强度指示RSSI数据；将RSSI数据输入预设的定位模型中，得到第二当前位姿信息；定位模型为通过由预先设置的大量采样点和各采样点对应的RSSI数据作为样本数据训练得到的模型。

在本申请实施例中，其余定位方式包括基于里程计坐标系Odom数据的定位方式；获取模块101具体用于：对Odom数据进行速度积分递推计算，得到第二当前位姿信息。

在本申请实施例的一种可行实施方式中，各子滤波器还会输出各其余定位方式与基准定位方式的当前局部协方差矩阵；处理模块102还用于在将当前误差状态量以及各当前局部误差估计输入到联邦滤波器的主滤波器进行最优融合之前，确定所有的当前局部协方差矩阵满足预设第一可信度要求。

在本申请实施例的一种可行实施方式中，联邦滤波器的主滤波器在进行最优融合后，还得到当前全局协方差矩阵；处理模块102还用于在根据当前全局估计误差校正第一当前位姿信息之前，确定当前全局协方差矩阵满足预设第二可信度要求。

在上述可行实施方式中，处理模块102还用于在当前全局协方差矩阵不满足预设第二可信度要求时，按照预设方式进行提示，以便对联邦滤波器进行校正。

需要理解的是，出于描述简洁的考量，部分实施例一中描述过的内容在本实施例中不再赘述。

实施例四：

本实施例提供了一种机器人，参见图5所示，其包括处理器501、存储器502以及通信总线503。其中：

通信总线503用于实现处理器501和存储器502之间的连接通信。

处理器501用于执行存储器502中存储的一个或多个程序，以实现上述实施例一/实施例二中的机器人定位方法。

可以理解，图5所示的结构仅为示意，机器人还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置，例如还可以具有显示屏、扬声器等部件。

本实施例还提供了一种可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD（SecureDigital Memory Card，安全数码卡）卡、MMC（Multimedia Card，多媒体卡）卡等，在该可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一中的机器人定位方法。在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

在本文中，多个是指两个或两个以上。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种机器人定位方法，其特征在于，包括：

获取预设基准定位方式所发布的第一当前位姿信息；

获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息；

将由所述第一当前位姿信息与一个所述第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中；每一种所述其余定位方式对应一个所述子滤波器；

各子滤波器以所述输入信息对中的所述第二当前位姿信息和所述第一当前位姿信息之间的当前位置偏差作为量测量对状态量进行估计，得到针对所述状态量的当前局部误差估计；

将所述第一当前位姿信息以及各所述各子滤波器输出的当前局部误差估计，输入到所述联邦滤波器的主滤波器进行最优融合，得到当前全局估计误差；

根据所述当前全局估计误差校正所述第一当前位姿信息。

2.如权利要求1所述的机器人定位方法，其特征在于，所述预设基准定位方式为惯性测量单元IMU定位方式；

所述状态量包括以下至少之一：

所述IMU的位置误差；

所述IMU的姿态误差；

所述IMU的速度误差；

所述IMU的陀螺零偏；

所述IMU的加速度计零偏。

3.如权利要求2所述的机器人定位方法，其特征在于，所述其余定位方式包括WiFi定位方式；

所述获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息，包括：

获取当前接收到的WiFi信号的接收信号强度指示RSSI数据；

将所述RSSI数据输入预设的定位模型中，得到所述第二当前位姿信息；所述定位模型为通过由预先设置的大量采样点和各采样点对应的RSSI数据作为样本数据训练得到的模型。

4.如权利要求2所述的机器人定位方法，其特征在于，所述其余定位方式包括基于里程计坐标系Odom数据的定位方式；

所述获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息，包括：

对Odom数据进行速度积分递推计算，得到所述第二当前位姿信息。

5.如权利要求1-4任一项所述的机器人定位方法，其特征在于，在将由所述第一当前位姿信息与一个所述第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中之后，所述方法还包括：各所述子滤波器输出各所述其余定位方式与所述基准定位方式的当前局部协方差矩阵；

在将所述第一当前位姿信息以及各所述各子滤波器输出的当前局部误差估计输入到所述联邦滤波器的主滤波器进行最优融合之前，所述方法还包括：

确定所有的所述当前局部协方差矩阵满足预设第一可信度要求。

6.如权利要求1-4任一项所述的机器人定位方法，其特征在于，所述联邦滤波器的主滤波器在进行最优融合后，还得到当前全局协方差矩阵；

在根据所述当前全局估计误差校正所述第一当前位姿信息之前，所述方法还包括：

确定所述当前全局协方差矩阵满足预设第二可信度要求。

7.如权利要求6所述的机器人定位方法，其特征在于，所述方法还包括：

在所述当前全局协方差矩阵不满足预设第二可信度要求时，按照预设方式进行提示，以便对所述联邦滤波器进行校正。

8.一种机器人定位装置，其特征在于，包括：获取模块和处理模块；

所述获取模块，用于获取预设基准定位方式所发布的第一当前位姿信息，以及有别于所述基准定位方式的至少一种其余定位方式所发布的第二当前位姿信息；

所述处理模块，用于将由所述第一当前位姿信息与一个所述第二当前位姿信息构成输入信息对分别输入到预设的联邦滤波器的各子滤波器中；每一种所述其余定位方式对应一个所述子滤波器；

所述处理模块，还用于在各子滤波器中，以所述输入信息对中的所述第二当前位姿信息和所述第一当前位姿信息之间的当前位置偏差作为量测量对状态量进行估计，得到针对所述状态量的当前局部误差估计；

所述处理模块，还用于将所述第一当前位姿信息以及各所述各子滤波器输出的当前局部误差估计，输入到所述联邦滤波器的主滤波器进行最优融合，得到当前全局估计误差；

所述处理模块，还用于根据所述当前全局估计误差校正所述第一当前位姿信息。

9.一种机器人，其特征在于，包括：处理器、存储器及通信总线；

所述通信总线用于实现所述处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至7任一项所述的机器人定位方法。

10.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至7任一项所述的机器人定位方法。

Images