CN112099509B - 地图优化方法、装置及机器人 - Google Patents

地图优化方法、装置及机器人 Download PDF

Info

Publication number
CN112099509B
CN112099509B CN202011013422.4A CN202011013422A CN112099509B CN 112099509 B CN112099509 B CN 112099509B CN 202011013422 A CN202011013422 A CN 202011013422A CN 112099509 B CN112099509 B CN 112099509B
Authority
CN
China
Prior art keywords
closed
sensing data
map
loop
constraint relation
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
Application number
CN202011013422.4A
Other languages
English (en)
Other versions
CN112099509A (zh
Inventor
龙学雄
李建禹
易雨亭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikrobot Co Ltd
Original Assignee
Hangzhou Hikrobot Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikrobot Co Ltd filed Critical Hangzhou Hikrobot Co Ltd
Priority to CN202011013422.4A priority Critical patent/CN112099509B/zh
Publication of CN112099509A publication Critical patent/CN112099509A/zh
Application granted granted Critical
Publication of CN112099509B publication Critical patent/CN112099509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请实施例提供一种地图优化方法、装置及机器人，该方法包括：获取机器人在第一区域内运动时所述机器人上的传感器采集的传感数据，以及采集所述传感数据时对应的机器人的位置和姿态；根据所述传感数据以及对应的位置和姿态，构建第一地图；根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系；根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图。本申请实施例的方案，通过标记信息来进行闭环检测，获取闭环约束关系，并基于闭环约束关系对第一地图进行优化，能够较好的消除大部分累计误差，其准确率和鲁棒性较好，更有利于对机器人的导航。

Description

地图优化方法、装置及机器人
技术领域
本申请实施例涉及计算机视觉技术领域，尤其涉及一种地图优化方法、装置及机器人。
背景技术
机器人是一种广泛应用于人类生产生活中的一种设备，当机器人在工作时，需要获取自身的定位和导航信息，因此需要较为准确的电子地图，为机器人的定位和导航提供服务。
当前，电子地图是通过机器人在区域内运动，根据机器人在区域内采集的传感数据，以及采集传感数据时的位置和姿态来获取的。由于机器人在运动过程中，采集传感数据时的位置可能存在较大的累计误差，因此得到的电子地图与区域内的实际环境产生较大的差异，不利于对机器人的导航。
发明内容
本申请实施例提供一种地图优化方法、装置及机器人，以解决由于累积误差导致地图与实际环境差异较大，不利于对机器人导航的问题。
第一方面，本申请实施例提供一种地图优化方法，包括：
获取机器人在第一区域内运动时所述机器人上的传感器采集的传感数据，以及采集所述传感数据时对应的机器人的位置和姿态；
根据所述传感数据以及对应的位置和姿态，构建第一地图；
根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系；
根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图。
在一种可能的实施方式中，所述闭环约束关系包括惯性约束关系、第一闭环约束关系和第二闭环约束关系；根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系，包括：
获取所述惯性约束关系；
根据所述至少一个区域处设置的标记信息，获取所述第一闭环约束关系；
根据所述第一区域中的纹理信息，获取所述第二闭环约束关系。
在一种可能的实施方式中，所述优化处理包括一次第一优化处理和至少一次第二优化处理；根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图，包括：
根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行第一优化处理，得到第三地图；
根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图。
在一种可能的实施方式中，获取惯性约束关系，包括：
在所述传感数据中确定多个关键帧传感数据，其中，所述多个关键帧传感数据根据所述机器人采集的时间的先后顺序排列，任意相邻的两个关键帧传感数据对应的采集区域有重合部分；任意相邻的两个关键帧传感数据的位置之差大于或等于第一阈值，或者，任意相邻的两个关键帧传感数据的姿态对应的角度之差大于或等于第二阈值；
根据每个关键帧传感数据的位置和姿态，获取所述惯性约束关系。
在一种可能的实施方式中，根据所述至少一个区域处设置的标记信息，获取所述第一闭环约束关系，包括：
根据所述标记信息，对所述传感数据进行匹配处理，在所述传感数据中确定多个第一闭环，其中，每个第一闭环中关联了在不同时刻采集了同一区域处的标记信息的两个传感数据的位置和姿态；
根据所述第一闭环，确定所述第一闭环约束关系。
在一种可能的实施方式中，根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行优化处理，得到第三地图，包括：
根据所述第一闭环约束关系和所述惯性约束关系，确定第一代价函数；
根据所述第一代价函数对所述第一地图进行优化处理，直至所述第一代价函数的值小于或等于第一预设值时，得到所述第三地图。
在一种可能的实施方式中，所述第一代价函数为：
其中，y1为所述第一代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n为所述关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
在一种可能的实施方式中，根据所述第一区域中的纹理信息，获取所述第二闭环约束关系，包括：
对所述传感数据进行匹配处理，在所述传感数据中确定多个第二闭环，其中，每个第二闭环中关联了在不同时刻采集的同一区域的纹理信息的两个传感数据的位置和姿态；
根据所述第二闭环，确定所述第二闭环约束关系。
在一种可能的实施方式中，根据第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图，包括：
根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，确定第二代价函数；
根据所述第二代价函数对所述第三地图进行优化处理，直至所述第二代价函数的值小于或等于第二预设值时，得到所述第二地图。
在一种可能的实施方式中，所述第二代价函数为：
其中，y2为所述第二代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n2为第二闭环的数量，ΔTj -1为第j个第二闭环的第二闭环约束关系，Tj1为所述第j个第二闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Tj2为所述第j个第二闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop2_j为Tj1和Tj2相对ΔTj -1的残差；
n为所述关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
第二方面，本申请实施例提供一种地图优化装置，包括：
获取模块，用于获取机器人在第一区域内运动时所述机器人上的传感器采集的传感数据，以及采集所述传感数据时对应的机器人的位置和姿态；
构建模块，用于根据所述传感数据以及对应的位置和姿态，构建第一地图；
处理模块，用于根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系；
优化模块，用于根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图。
在一种可能的实施方式中，所述闭环约束关系包括惯性约束关系、第一闭环约束关系和第二闭环约束关系；所述处理模块具体用于：
获取所述惯性约束关系；
根据所述至少一个区域处设置的标记信息，获取所述第一闭环约束关系；
根据所述第一区域中的纹理信息，获取所述第二闭环约束关系。
在一种可能的实施方式中，所述优化处理包括一次第一优化处理和至少一次第二优化处理；所述优化模块具体用于：
根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行第一优化处理，得到第三地图；
根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图。
在一种可能的实施方式中，所述处理模块具体用于：
在所述传感数据中确定多个关键帧传感数据，其中，所述多个关键帧传感数据根据所述机器人采集的时间的先后顺序排列，任意相邻的两个关键帧传感数据对应的采集区域有重合部分；任意相邻的两个关键帧传感数据的位置之差大于或等于第一阈值，或者，任意相邻的两个关键帧传感数据的姿态对应的角度之差大于或等于第二阈值；
根据每个关键帧传感数据的位置和姿态，获取所述惯性约束关系。
在一种可能的实施方式中，所述处理模块具体用于：
根据所述标记信息，对所述传感数据进行匹配处理，在所述传感数据中确定多个第一闭环，其中，每个第一闭环中关联了在不同时刻采集了同一区域处的标记信息的两个传感数据的位置和姿态；
根据所述第一闭环，确定所述第一闭环约束关系。
在一种可能的实施方式中，所述优化模块具体用于：
根据所述第一闭环约束关系和所述惯性约束关系，确定第一代价函数；
根据所述第一代价函数对所述第一地图进行优化处理，直至所述第一代价函数的值小于或等于第一预设值时，得到所述第三地图。
在一种可能的实施方式中，所述第一代价函数为：
其中，y1为所述第一代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n为所述关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
在一种可能的实施方式中，所述处理模块具体用于：
对所述传感数据进行匹配处理，在所述传感数据中确定多个第二闭环，其中，每个第二闭环中关联了在不同时刻采集的同一区域的纹理信息的两个传感数据的位置和姿态；
根据所述第二闭环，确定所述第二闭环约束关系。
在一种可能的实施方式中，所述优化模块具体用于：
根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，确定第二代价函数；
根据所述第二代价函数对所述第三地图进行优化处理，直至所述第二代价函数的值小于或等于第二预设值时，得到所述第二地图。
在一种可能的实施方式中，所述第二代价函数为：
其中，y2为所述第二代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n2为第二闭环的数量，ΔTj -1为第j个第二闭环的第二闭环约束关系，Tj1为所述第j个第二闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Tj2为所述第j个第二闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop2_j为Tj1和Tj2相对ΔTj -1的残差；
n为所述关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
第三方面，本申请实施例提供一种机器人，包括处理器和传感器，其中：
所述传感器用于，当所述机器人在第一区域内运动时，采集传感数据，并向所述处理器发送所述传感数据；
所述处理器用于：
获取所述传感数据，以及所述传感器采集所述传感数据时对应的机器人的位置和姿态；
根据所述传感数据以及对应的位置和姿态，构建第一地图；
根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系；
根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图。
本申请实施例提供的地图优化方法、装置及机器人，首先获取机器人在第一区域内运动时机器人上的传感器采集的传感数据，以及采集每帧传感数据时对应的机器人位置和姿态，根据传感数据以及对应的位置和姿态，构建第一区域的第一地图，其中在第一区域中的至少一个区域处设置有标记信息，根据该标记信息，能够获取闭环约束关系，该闭环约束关系反映了各帧传感数据之间的关联关系，然后根据该闭环约束关系，对第一地图进行优化处理，即可得到优化后的第二地图。由于标记信息比区域的普通纹理信息更易识别，基于标记信息获取的闭环约束关系更加精准，在机器人由于累计误差得到的第一地图与实际环境差异较大的情况下，根据基于标记信息获取的闭环约束关系来对第一地图进行优化，得到的第二地图，能够较好的消除大部分累计误差，其准确率和鲁棒性较好，更有利于对机器人的导航。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。
图1A为本申请实施例提供的机器人位姿示意图；
图1B为本申请实施例提供的地图优化的应用场景示意图；
图2为本申请实施例提供的地图优化方法的流程示意图；
图3为本申请实施例提供的第一级闭环节点的示意图；
图4为本申请实施例提供的第一地图构建示意图；
图5为本申请实施例提供的第一级闭环检测示意图；
图6为本申请实施例提供的第一优化后示意图；
图7为本申请实施例提供的第二级闭环检测示意图；
图8为本申请实施例提供的第二优化后示意图；
图9为本申请实施例提供的地图优化装置的结构示意图；
图10为本申请实施例提供的机器人的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先对本申请涉及的概念进行解释。
地图：通过传感器数据构建的用于机器人定位导航的地图，例如可以包括激光地图和视觉地图等。
闭环：机器人两次访问同一个位置形成的约束关系。
位姿：表示机器人的位置和姿态，三维位姿包括x，y，theta，六维的位姿则包括三维的平移和三维的旋转。下面结合图1A对位姿进行解释说明，其中，图1A示例的为三维位姿。
图1A为本申请实施例提供的机器人位姿示意图，如图1A所示，包括第一区域101，机器人102在第一区域101内运动。以第一区域101的地面上的任意一点O为参考原点建立坐标系，分别为x轴和y轴，x轴和y轴垂直。在建立坐标系后，根据O点和机器人102所在的A点的关系，能够将A点在坐标系内的坐标表示出来。例如在图1A中，A点在坐标系内的坐标为(x1，y1)。
除了A点的x和y轴坐标外，还需要theta才能确定机器人处于A点时的位姿，其中，theta定义为机器人的朝向与x轴的夹角。如图1A所示，当机器人朝向AB时，AB连线为机器人的朝向，其与x轴的夹角为α，因此此时机器人的位姿可由(x1，y1，α)唯一确定。当机器人朝向AC时，AC连线为机器人的朝向，其与x轴的夹角为β，因此此时机器人的位姿可由(x1，y1，β)唯一确定。
由于机器人102上安装有传感器，当机器人102在第一区域101内运动时，会采集传感数据。当机器人102所处的位置不变时，若机器人102的朝向不同，传感器采集的传感数据对应的区域也不相同。例如在图1A中，当机器人102朝向AB方向时，传感器能够采集到区域103的传感数据，当机器人102朝向AC方向时，传感器能够采集到区域104的传感数据，等等。机器人102能够获取到自身的位姿，然后根据不同时刻下采集的传感数据以及采集每一帧传感数据时机器人102的位姿，构建第一区域101内的地图。
优化：通过梯度下降的方法对地图进行优化的过程。
图1B为本申请实施例提供的地图优化的应用场景示意图，如图1B所示，包括机器人111，在机器人111上安装有传感器112，机器人111在第一区域113内运动，传感器112采集传感数据并发送给处理器114，由处理器114根据传感数据构建地图并进行地图的优化。
可选的，在机器人111上还可以安装有里程计，例如轮式里程计，用于记录机器人111的移动距离和移动方向。当机器人从起点出发后，轮式里程计可以根据一定的时间间隔来对机器人的移动信息进行记录，例如记录当前位置与上一位置之间的距离和方向。进一步的，可以根据轮式里程计记录的移动距离，在机器人移动了一定的距离后对机器人的当前帧数据进行记录，即，在机器人每运动了一定的距离后，对机器人在当前位姿下传感器采集的传感数据进行记录。同时，根据里程计记录的机器人的移动距离和方向，即可确定机器人111在采集每一帧传感数据时的位置和姿态。
由于轮式里程计在进行里程记录时会产生一定的误差。例如，当机器人111从O点出发，向左移动3米到达B点，然后从B点向上移动3米到达C点，则根据机器人记录的位置，C点应当在O点的左上方位置处，距离O点米，但是实际上C点距离O点的距离是5米，此时就表明里程计记录的机器人111的位置出现了误差。在第一区域113较大时，这种累计误差会更大，从而使得根据传感数据构建的第一地图与实际的第一区域有较大的差别。
地图构建是机器人激光导航或者是视觉导航等导航方式的重要过程，面对大范围的地图，建图过程中因为巨大的里程计累积误差，进行闭环会耗费非常多的时间，或者得到非常低的准确率，导致建图时间长或者是地图完全错误。
为解决上述问题，本申请实施例在第一区域113内设置有若干个区域，作为闭环节点，机器人111在第一区域113运动时，会多次访问闭环节点，根据多次访问闭环节点时的传感数据来实现对地图的优化。在部分闭环节点处会设置标记信息，如图1B所示，在A点设置了反光板115。通过设置标记信息，能够在地图范围比较大的情况下，迅速在传感数据中将多次访问A点时采集的传感数据联系起来，形成A点的闭环，便于地图的优化。
本申请实施例中，处理器114可以独立设置，也可以设置于机器人111内部，闭环节点的数量设置也可根据实际需要。标记信息根据地图种类的不同也可设置不同的种类，例如地图为激光地图时设置标记信息为反光板，地图为视觉地图时设置标记信息为二维码、特殊的地面纹理等等。通过标记信息的设置，使得处理器114能够对传感数据进行匹配处理，得到更为准确的闭环约束关系，从而提高地图优化的效果和效率。
在图1B中针对本申请的应用场景进行了介绍，下面，通过具体实施例对本申请所示的技术方案进行详细说明。需要说明的是，下面几个具体实施例可以相互结合，对于相同或相似的内容，在不同的实施例中不再进行重复说明。
图2为本申请实施例提供的地图优化方法的流程示意图，如图2所示，包括：
S21，获取机器人在第一区域内运动时所述机器人上的传感器采集的传感数据，以及采集所述传感数据时对应的机器人的位置和姿态。
第一区域为需要构建地图的区域，在构建第一区域的地图后，能够在机器人处于第一区域时提供导航，帮助机器人从一个位置前往另一个位置，从而实现机器人搬运、送货或扫地等一系列的工作。
本申请实施例中需要构建的地图为机器人可识别的地图。在机器人身上安装有传感器，机器人可以在第一区域内运动，当机器人在第一区域内运动时，机器人身上的传感器的位置和姿态会发生变化，从而使得传感数据有相应的位置和姿态。其中，传感器的位置即表示机器人获取到的自身的位置，传感器的姿态即表示机器人获取到的姿态，机器人的位置和姿态的具体解释可以参见图1A的示例，此处不再赘述。
传感器的位置和姿态会随着机器人的运动而不断变化，相应的，每帧传感数据的位置和姿态就表示传感器在采集这一帧传感数据时传感器的位置和姿态。通过机器人在第一区域运动时采集不同位置的传感数据来实现地图的构建。
S22，根据所述传感数据以及对应的位置和姿态，构建第一地图。
在获取了机器人在第一区域内运动时传感器采集的传感数据之后，根据这多帧传感数据，以及每一帧传感数据对应的位置和姿态，即可构建第一区域的第一地图。
本申请实施例中的第一地图有多种类型，例如可以为激光地图，也可以为视觉地图。根据第一地图的类型，机器人上安装的传感器也可能各不相同。
例如，当第一地图为激光地图时，机器人上安装的传感器为激光传感器，从而能够根据激光传感器采集的传感数据构建激光地图。当第一地图为视觉地图时，机器人上安装的传感器包括下式镜头，从而能够根据下式镜头采集的图像构建视觉地图，等等。
S23，根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系。
闭环约束关系指的是机器人至少两次访问同一区域时形成的约束关系，本申请实施例中，机器人访问同一区域并不限定于机器人在第一区域内运动时必须至少两次经过该区域，而只要机器人身上的传感器在采集传感数据时，至少两次均采集到该区域的传感数据即可。
例如，第一区域中包括一个区域A，机器人访问区域A并不一定表示机器人在运动时的位置经过了区域A，而只要机器人在运动时采集的传感数据中包括区域A相关的传感数据，即表示机器人访问了区域A。
本申请实施例中，在至少一个区域处设置有标记信息，当机器人访问了设置有标记信息的区域时，采集的传感数据中也会包括标记信息相关的传感数据部分。
通常，在获取闭环约束关系时，可以直接对传感数据进行匹配，获取机器人多次访问同一区域的传感数据，就能够确定该同一区域的闭环约束关系。但是在地图规模较大的情形下，容易检测到错误的闭环。例如，区域A和区域B的地理特征较为类似，当机器人访问了区域A并访问了区域B后，有可能根据区域A和区域B构成闭环约束关系，但是区域A和区域B是完全不同的两个区域，此时就构成了错误的闭环关系。
基于此，本申请实施例中，根据在至少一个区域设置的标记信息来获取闭环约束关系，其中，标记信息通常是一些较为显著的特征。根据机器人上安装的传感器的类型不同，设置的标记信息也可能不同。例如，当安装的传感器为激光传感器时，设置的标记信息可以为反光条。激光传感器采集传感数据的原理是，由一束激光照射到物理表面，物体表面反射的激光会携带方位、距离等信息，形成的传感数据即为激光点云数据。
因此，标记信息设置为反光条，反光条的反射率比一般的物体的反射率高，能够在激光照射时，反射更强烈，容易被识别。
例如，当安装的传感器为下式镜头时，设置的标记信息可以为二维码。下式镜头采集的主要是图像数据，而二维码的特征较容易被识别，因此在第一位置设置二维码，根据二维码能够迅速确定第一位置的传感数据。
可以理解的是，上述标记信息中例如反光条、二维码的设定仅仅是对标记信息的一种举例，并不构成对标记信息的限定，实际中可以根据需要确定具体的标记信息，只要标记信息易于被识别即可。
根据在至少一个区域处设置的标记信息来获取闭环约束关系，由于标记信息易于被识别，因此得到的闭环约束关系通常更为准确，更不容易检测到错误的闭环。
S24，根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图。
在获取闭环约束关系之后，由于闭环约束关系关联了不同的传感数据之间的位置和姿态，因此根据闭环约束关系能够获知各传感数据之间的关联关系。然后，基于该闭环约束关系，对第一地图进行优化处理，得到优化后的第二地图。
本申请实施例提供的地图优化方法，首先获取机器人在第一区域内运动时机器人上的传感器采集的传感数据，以及每帧传感数据对应的位置和姿态，根据传感数据以及对应的位置和姿态，构建第一区域的第一地图，其中在第一区域中的至少一个区域处设置有标记信息，根据该标记信息，能够获取闭环约束关系，该闭环约束关系反映了各帧传感数据之间的关联关系，然后根据该闭环约束关系，对第一地图进行优化处理，即可得到优化后的第二地图。由于标记信息比区域的普通纹理信息更易识别，基于标记信息获取的闭环约束关系更加精准，在机器人由于累计误差得到的第一地图与实际环境差异较大的情况下，根据基于标记信息获取的闭环约束关系来对第一地图进行优化，得到的第二地图，能够较好的消除大部分累计误差，其准确率和鲁棒性较好，更有利于对机器人的导航。
下面以具体的实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本申请实施例中，闭环约束关系包括惯性约束关系、第一闭环约束关系和第二闭环约束关系，不同的约束关系的获取方式不一致，下面将分别进行介绍。
首先，在控制机器人在第一区域内运动之前，先在至少一个区域设置标记信息，设置了标记信息的区域为后续进行地图优化时的第一级闭环节点。
本申请实施例中所指的第一级闭环节点设置了标记信息的区域，也是机器人在第一区域内运动时会多次访问的区域。此处的第一级闭环节点，不是从第一区域的历史信息中进行搜索匹配得到，这样太过耗时，并且在第一区域范围过大时很容易影响闭环的准确性。第一级闭环节点通过标记信息来确定，其中，标记信息可以是设置一些实际的标记物体，例如为激光传感器下的反光条、下式镜头下的二维码，可选的，标记信息还可以为对部分特殊位置的标记。例如，标记信息为对机器人在第一区域内运动时的起点和终点的标记，将起点和终点作为闭环节点，等等。
图3为本申请实施例提供的第一级闭环节点的示意图，如图3所示，在第一区域31内设置了两个第一级闭环节点，分别为A点和B点，在这两个第一级闭环节点处设置有标记信息。除了设置这两个第一级闭环节点外，图3中还包括若干个其他的节点，如图3中的C、D、E、F、G、H、I所示。
在设置了多个第一级闭环节点后，控制机器人在第一区域运动，其中，机器人会多次访问之前设置的第一级闭环节点，即设置有标记信息的区域。进一步的，机器人还可以访问第一区域内除第一级闭环节点外的其他节点。当机器人在第一区域内运动时，机器人上的传感器会采集传感数据，根据机器人的位置和姿态的不同，采集的传感数据对应的区域也会有所不同。机器人会获取传感器采集的传感数据，以及每一帧传感数据对应的位置和姿态。
根据机器人在第一区域内运动时采集的传感数据，以及每一帧传感数据对应的位置和姿态，即可构建第一地图。需要说明的是，由于机器人在运动时，其获取的自身的位置和姿态可能会有误差，尤其在第一区域的范围较大时，这种误差会更为明显。因此，根据传感数据以及传感数据对应的位置和姿态构建的第一地图，与实际的第一区域的环境差别可能较大，因此在后续中，需要对第一地图进行优化，来尽量减小或者消除这种误差。
下面将结合图4对该过程进行说明。图4为本申请实施例提供的第一地图构建示意图，如图4所示，每个方块为机器人在第一区域内运动时访问过的区域，其中虚线表示机器人在第一区域内的第一圈访问轨迹，实线表示机器人在第一区域内的第二圈访问轨迹。
在理想情况下，当机器人访问同一区域时，构建得到的第一地图中，该区域的方位信息是一定的。但是由于有累积误差的存在，可能导致第一地图中该区域的方位信息有多个。例如在图4中，传感器对区域A有两次观测，根据其中一次观测确定了区域A在第一地图中的方位，根据另一次观测确定了区域A’在第一地图中的方位，但是实际上区域A和区域A’是同一区域。类似的，还包括区域B和区域B’，等等。由此可见，构建得到的第一地图的误差是比较大的。
在构建第一地图之后，可以进行第一次闭环检测和地图的优化。
第一次闭环检测是用于获取第一闭环约束关系，具体的，可以根据设置的标记信息，来对传感数据进行匹配处理，确定第一闭环，从而获取第一闭环约束关系。例如在图3中，区域A和区域B这两个区域设置有标记信息，在进行第一级闭环检测时，只在这些区域进行闭环检测，因为在大范围地图条件下，能够通过标记信息这一显著的特征将闭环帧从大量的传感数据中筛选出来，这些区域的闭环检测的成功率可以得到保证。
图5为本申请实施例提供的第一级闭环检测示意图，如图5所示，通过设置的第一级闭环节点，进行第一级闭环检测。
针对第一闭环约束关系，可以根据在至少一个区域处设置的标记信息，对传感数据进行匹配处理，在传感数据中确定多个第一闭环，其中，每个第一闭环中关联了在不同时刻采集了同一区域处的标记信息的两个传感数据的位置和姿态；然后，根据第一闭环，确定第一闭环约束关系。
在图5中，区域A和区域A’为同一区域，设置了标记信息。对区域A有两次观测，因此可以根据区域A处设置的标记信息，来确定区域A的第一闭环，得到第一闭环约束关系，如图5中的AA’连线示意。同样的，根据区域B处设置的标记信息，来确定区域B的第一闭环，得到第一闭环约束关系，如图5中的BB’连线示意。
在获取了第一闭环约束关系之后，还需要获取惯性约束关系。
针对于惯性约束关系，指的是相邻关键帧传感数据之间的里程计约束。例如，机器人在上一时刻采集了一帧传感数据，在下一时刻采集了另一帧传感数据，这两帧传感数据中包括同一区域的传感数据，则这两帧传感数据具有一定的约束关系，或者称为关联关系。
实际中，假设机器人根据时间先后顺序采集了10000帧传感数据，则任意相邻的两帧传感数据之间就具备惯性约束关系，可以根据任意相邻的两帧传感数据以及对应的位置和姿态，来获取惯性约束关系。
但是，由于机器人采集的传感数据的量可能较大，且任意相邻的两帧传感数据采集时相隔的时间较短，两帧传感数据的内容相差较小，直接根据所有相邻的传感数据来获取惯性约束关系，不仅计算量较大，且数据较为冗余。
因此，可以在采集的传感数据中，选择一部分传感数据作为关键帧传感数据，来获取惯性约束关系。其中，关键帧传感数据的获取有一定的条件。当关键帧传感数据根据机器人采集的时间的先后顺序排列时，任意相邻的两个关键帧传感数据对应的采集区域有重合部分，只有具备重合部分的采集区域，才能够构成惯性约束关系。例如现有三帧关键帧传感数据，第一帧关键帧传感数据的采集区域包括区域A，第二帧关键帧传感数据的采集区域包括区域A和区域B，第三帧关键帧传感数据的采集区域包括区域B，则区域A为第一帧关键帧传感数据和第二帧关键帧传感数据对应的采集区域的重合部分，区域B为第二帧关键帧传感数据和第三帧关键帧传感数据对应的采集区域的重合部分，其中，区域A和区域B可以为相同的区域，也可以为不同的区域。
同时，为了避免数据冗余，在选取关键帧传感数据时，还可以设定任意相邻的两个关键帧传感数据的位置之差大于或等于第一阈值，或者，任意相邻的两个关键帧传感数据的姿态对应的角度之差大于或等于第二阈值。上述条件，限定了在选取关键帧传感数据时，要求任意相邻的两帧关键帧传感数据之间，机器人经过了一定的位置的变化，或者姿态的变化。
例如在总共的10000帧传感数据中，根据上述条件，最终选取了1000帧关键帧传感数据，然后根据每个关键帧传感数据的位置和姿态，即可获取惯性约束关系。
在获取了第一闭环约束关系和惯性约束关系之后，可以根据第一闭环约束关系和惯性约束关系，对第一地图进行优化处理。
具体的，根据第一闭环约束关系和惯性约束关系，确定第一代价函数；然后，根据第一代价函数对第一地图进行优化处理，直至第一代价函数的值小于或等于第一预设值时，得到第三地图。
其中，第一代价函数为：
其中，y1为第一代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n为关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
需要说明的是，第一闭环的数量并不一定等于设置标记信息的区域的数量。任意两个针对同一设置了标记信息的区域的传感数据均可以构成第一闭环。例如，如果机器人对区域A共有3次观测，对应了3帧传感数据，则这3帧传感数据中的任意两帧，均可以构成一个第一闭环，针对区域A的闭环的数量就有3个。
图6为本申请实施例提供的第一优化后示意图，如图6所示，通过第一级闭环检测得到的第一闭环约束关系，以及惯性约束关系，可以对第一地图进行优化处理。
优化处理之后，消除了较大的累计误差。例如针对起点的两次观测，在对第一地图优化之前，起点在第一地图中的方位信息有两个，且两个方位信息相差较大。在对第一地图优化之后得到的第三地图中，起点在第一地图中的方位信息只有一个。而针对其他的区域，在进行地图优化之后，各区域在第三地图中的方位信息比较接近，误差变小(参见图6中的部分重叠的方块)。
在进行第一优化处理，得到第三地图之后，可以对第三地图进行至少一次第二优化处理，得到第二地图。下面将以一次第二优化处理为例进行说明。
通过第一优化处理之后得到的第三地图，其较大的误差已经被消除，因此可以基于自然纹理进行第二优化处理。
首先，需要进行第二次闭环检测，获取第二闭环约束关系。具体的，可以对传感数据进行匹配处理，在传感数据中确定多个第二闭环，其中，每个第二闭环中关联了在不同时刻采集了同一区域处的纹理信息的两个传感数据的位置和姿态；然后，根据第二闭环，确定第二闭环约束关系。
图7为本申请实施例提供的第二级闭环检测示意图，如图7所示，根据自然纹理对传感数据进行匹配，能够得到第二闭环。
第一级闭环检测需要在地图全局进行搜索匹配，因为第一地图存在很大的误差，需要用显著的标记特征进行鲁棒匹配。在完成一次优化之后，第二级闭环检测只需要根据普通的自然纹理特征在附近的一定范围内的若干帧传感数据中进行第二级闭环检测。图7中所示的粗连线是第二级闭环检测的结果，表示连接的两个点之间观测的是同一个区域。
在获取了第二闭环约束关系之后，可以根据第一闭环约束关系、第二闭环约束关系和惯性约束关系，对第三地图进行优化处理。
具体的，根据第一闭环约束关系、第二闭环约束关系和惯性约束关系，确定第二代价函数；然后，根据第二代价函数对第三地图进行优化处理，直至第二代价函数的值小于或等于第二预设值时，得到第二地图。
第二代价函数为：
其中，y2为第二代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n2为第二闭环的数量，ΔTj -1为第j个第二闭环的第二闭环约束关系，Tj1为第j个第二闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Tj2为第j个第二闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop2_j为Tj1和Tj2相对ΔTj -1的残差；
n为关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。/>
图8为本申请实施例提供的第二优化后示意图，如图8所示，本次优化不仅仅使用第二级闭环检测到的第二闭环，还会使用第一闭环(包括第一级闭环检测的结果)，来对第三地图进行优化，得到第二地图。通过上述优化，得到的第二地图，其累计误差基本上被消除，全局性较好。
本申请实施例提供的地图优化方法，首先获取机器人在第一区域内运动时机器人上的传感器采集的传感数据，以及每帧传感数据对应的位置和姿态，根据传感数据以及对应的位置和姿态，构建第一区域的第一地图，其中在第一区域中的至少一个区域处设置有标记信息，根据该标记信息，能够获取闭环约束关系，该闭环约束关系反映了各帧传感数据之间的关联关系，然后根据该闭环约束关系，对第一地图进行优化处理，即可得到优化后的第二地图。由于标记信息比区域的普通纹理信息更易识别，基于标记信息获取的闭环约束关系更加精准，在机器人由于累计误差得到的第一地图与实际环境差异较大的情况下，根据基于标记信息获取的闭环约束关系来对第一地图进行优化，得到的第二地图，能够较好的消除大部分累计误差，其准确率和鲁棒性较好，更有利于对机器人的导航。
图9为本申请实施例提供的地图优化装置的结构示意图，如图9所示，包括：
获取模块91，用于获取机器人在第一区域内运动时所述机器人上的传感器采集的传感数据，以及采集所述传感数据时对应的机器人的位置和姿态；
构建模块92，用于根据所述传感数据以及对应的位置和姿态，构建第一地图；
处理模块93，用于根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系；
优化模块94，用于根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图。
在一种可能的实施方式中，所述闭环约束关系包括惯性约束关系、第一闭环约束关系和第二闭环约束关系；所述处理模块93具体用于：
获取所述惯性约束关系；
根据所述至少一个区域处设置的标记信息，获取所述第一闭环约束关系；
根据所述第一区域中的纹理信息，获取所述第二闭环约束关系。
在一种可能的实施方式中，所述优化处理包括一次第一优化处理和至少一次第二优化处理；所述优化模块94具体用于：
根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行第一优化处理，得到第三地图；
根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图。
在一种可能的实施方式中，所述处理模块93具体用于：
在所述传感数据中确定多个关键帧传感数据，其中，所述多个关键帧传感数据根据所述机器人采集的时间的先后顺序排列，任意相邻的两个关键帧传感数据对应的采集区域有重合部分；任意相邻的两个关键帧传感数据的位置之差大于或等于第一阈值，或者，任意相邻的两个关键帧传感数据的姿态对应的角度之差大于或等于第二阈值；
根据每个关键帧传感数据的位置和姿态，获取所述惯性约束关系。
在一种可能的实施方式中，所述处理模块93具体用于：
根据所述标记信息，对所述传感数据进行匹配处理，在所述传感数据中确定多个第一闭环，其中，每个第一闭环中关联了在不同时刻采集了同一区域处的标记信息的两个传感数据的位置和姿态；
根据所述第一闭环，确定所述第一闭环约束关系。
在一种可能的实施方式中，所述优化模块94具体用于：
根据所述第一闭环约束关系和所述惯性约束关系，确定第一代价函数；
根据所述第一代价函数对所述第一地图进行优化处理，直至所述第一代价函数的值小于或等于第一预设值时，得到所述第三地图。
在一种可能的实施方式中，所述第一代价函数为：
其中，y1为第一代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n为所述关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
在一种可能的实施方式中，所述处理模块93具体用于：
对所述传感数据进行匹配处理，在所述传感数据中确定多个第二闭环，其中，每个第二闭环中关联了在不同时刻采集的同一区域的纹理信息的两个传感数据的位置和姿态；
根据所述第二闭环，确定所述第二闭环约束关系。
在一种可能的实施方式中，所述优化模块具体用于：
根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，确定第二代价函数；
根据所述第二代价函数对所述第三地图进行优化处理，直至所述第二代价函数的值小于或等于第二预设值时，得到所述第二地图。
在一种可能的实施方式中，所述第二代价函数为：
其中，y2为第二代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n2为第二闭环的数量，ΔTj -1为第j个第二闭环的第二闭环约束关系，Tj1为所述第j个第二闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Tj2为所述第j个第二闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop2_j为Tj1和Tj2相对ΔTj -1的残差；
n为所述关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
本申请实施例提供的装置，用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图10为本申请实施例提供的机器人的结构示意图，如图10所示，包括处理器101和传感器102：
所述传感器102用于，当所述机器人在第一区域内运动时，采集传感数据，并向所述处理器发送所述传感数据；
所述处理器101用于：
获取所述传感数据，以及采集所述传感数据时对应的机器人的位置和姿态；
根据所述传感数据以及对应的位置和姿态，构建第一地图；
根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系；
根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图。本申请实施例提供的机器人，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (12)

1.一种地图优化方法，其特征在于，包括：
获取机器人在第一区域内运动时所述机器人上的传感器采集的传感数据，以及采集所述传感数据时对应的机器人的位置和姿态；
根据所述传感数据以及对应的位置和姿态，构建第一地图；
根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系，包括：获取惯性约束关系；根据所述至少一个区域处设置的标记信息，获取第一闭环约束关系；根据所述第一区域中的纹理信息，获取第二闭环约束关系；
根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图，包括：根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行第一优化处理，得到第三地图；根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图。
2.根据权利要求1所述的方法，其特征在于，所述闭环约束关系包括惯性约束关系、第一闭环约束关系和第二闭环约束关系。
3.根据权利要求2所述的方法，其特征在于，所述优化处理包括一次第一优化处理和至少一次第二优化处理。
4.根据权利要求2所述的方法，其特征在于，获取惯性约束关系，包括：
在所述传感数据中确定多个关键帧传感数据，其中，所述多个关键帧传感数据根据所述机器人采集的时间的先后顺序排列，任意相邻的两个关键帧传感数据对应的采集区域有重合部分；任意相邻的两个关键帧传感数据的位置之差大于或等于第一阈值，或者，任意相邻的两个关键帧传感数据的姿态对应的角度之差大于或等于第二阈值；
根据每个关键帧传感数据的位置和姿态，获取所述惯性约束关系。
5.根据权利要求4所述的方法，其特征在于，根据所述至少一个区域处设置的标记信息，获取所述第一闭环约束关系，包括：
根据所述标记信息，对所述传感数据进行匹配处理，在所述传感数据中确定多个第一闭环，其中，每个第一闭环中关联了在不同时刻采集了同一区域处的标记信息的两个传感数据的位置和姿态；
根据所述第一闭环，确定所述第一闭环约束关系。
6.根据权利要求3所述的方法，其特征在于，根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行优化处理，得到第三地图，包括：
根据所述第一闭环约束关系和所述惯性约束关系，确定第一代价函数；
根据所述第一代价函数对所述第一地图进行优化处理，直至所述第一代价函数的值小于或等于第一预设值时，得到所述第三地图。
7.根据权利要求6所述的方法，其特征在于，所述第一代价函数为：
其中，y1为所述第一代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n为关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
8.根据权利要求3-7任一项所述的方法，其特征在于，根据所述第一区域中的纹理信息，获取所述第二闭环约束关系，包括：
对所述传感数据进行匹配处理，在所述传感数据中确定多个第二闭环，其中，每个第二闭环中关联了在不同时刻采集的同一区域的纹理信息的两个传感数据的位置和姿态；
根据所述第二闭环，确定所述第二闭环约束关系。
9.根据权利要求8所述的方法，其特征在于，根据第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图，包括：
根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，确定第二代价函数；
根据所述第二代价函数对所述第三地图进行优化处理，直至所述第二代价函数的值小于或等于第二预设值时，得到所述第二地图。
10.根据权利要求9所述的方法，其特征在于，所述第二代价函数为：
其中，y2为所述第二代价函数，n1为第一闭环的数量，ΔTi -1为第i个第一闭环的第一闭环约束关系，Ti1为所述第i个第一闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Ti2为所述第i个第一闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop1_i为Ti1和Ti2相对ΔTi -1的残差；
n2为第二闭环的数量，ΔTj -1为第j个第二闭环的第二闭环约束关系，Tj1为所述第j个第二闭环关联的两个传感数据中的其中一个传感数据的位置和姿态，Tj2为所述第j个第二闭环关联的两个传感数据中的另一个传感数据的位置和姿态，eloop2_j为Tj1和Tj2相对ΔTj -1的残差；
n为关键帧传感数据的数目，/>为第k帧关键帧传感数据和第k+1帧关键帧传感数据之间的惯性约束关系，Tk为第k帧关键帧传感数据的位置和姿态，Tk+1为第k+1帧关键帧传感数据的位置和姿态，ek为Tk和Tk+1相对/>的残差。
11.一种地图优化装置，其特征在于，包括：
获取模块，用于获取机器人在第一区域内运动时所述机器人上的传感器采集的传感数据，以及采集所述传感数据时对应的机器人的位置和姿态；
构建模块，用于根据所述传感数据以及对应的位置和姿态，构建第一地图；
处理模块，用于根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系，包括：获取惯性约束关系；根据所述至少一个区域处设置的标记信息，获取第一闭环约束关系；根据所述第一区域中的纹理信息，获取第二闭环约束关系；
优化模块，用于根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图，包括：根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行第一优化处理，得到第三地图；根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图。
12.一种机器人，其特征在于，包括处理器和传感器，其中：
所述传感器用于，当所述机器人在第一区域内运动时，采集传感数据，并向所述处理器发送所述传感数据；
所述处理器用于：
获取所述传感数据，以及所述传感器采集所述传感数据时对应的机器人的位置和姿态；
根据所述传感数据以及对应的位置和姿态，构建第一地图；
根据所述第一区域中至少一个区域处设置的标记信息，获取闭环约束关系，包括：获取惯性约束关系；根据所述至少一个区域处设置的标记信息，获取第一闭环约束关系；根据所述第一区域中的纹理信息，获取第二闭环约束关系；
根据所述闭环约束关系，对所述第一地图进行优化处理，得到第二地图，包括：根据所述第一闭环约束关系和所述惯性约束关系，对所述第一地图进行第一优化处理，得到第三地图；根据所述第一闭环约束关系、所述第二闭环约束关系和所述惯性约束关系，对所述第三地图进行至少一次第二优化处理，得到所述第二地图。
CN202011013422.4A 2020-09-24 2020-09-24 地图优化方法、装置及机器人 Active CN112099509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011013422.4A CN112099509B (zh) 2020-09-24 2020-09-24 地图优化方法、装置及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011013422.4A CN112099509B (zh) 2020-09-24 2020-09-24 地图优化方法、装置及机器人

Publications (2)

Publication Number Publication Date
CN112099509A CN112099509A (zh) 2020-12-18
CN112099509B true CN112099509B (zh) 2024-05-28

Family

ID=73755260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011013422.4A Active CN112099509B (zh) 2020-09-24 2020-09-24 地图优化方法、装置及机器人

Country Status (1)

Country Link
CN (1) CN112099509B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113624222A (zh) * 2021-07-30 2021-11-09 深圳市优必选科技股份有限公司 一种地图的更新方法、机器人及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107741743A (zh) * 2017-11-06 2018-02-27 深圳精智机器有限公司 改进的图优化slam方法
CN108332752A (zh) * 2018-01-09 2018-07-27 深圳市沃特沃德股份有限公司 机器人室内定位的方法及装置
CN110428467A (zh) * 2019-07-30 2019-11-08 四川大学 一种相机、imu和激光雷达联合的机器人定位方法
CN111322993A (zh) * 2018-12-13 2020-06-23 杭州海康机器人技术有限公司 一种视觉定位方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019136714A1 (zh) * 2018-01-12 2019-07-18 浙江国自机器人技术有限公司 一种基于3d激光的地图构建方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107741743A (zh) * 2017-11-06 2018-02-27 深圳精智机器有限公司 改进的图优化slam方法
CN108332752A (zh) * 2018-01-09 2018-07-27 深圳市沃特沃德股份有限公司 机器人室内定位的方法及装置
CN111322993A (zh) * 2018-12-13 2020-06-23 杭州海康机器人技术有限公司 一种视觉定位方法和装置
CN110428467A (zh) * 2019-07-30 2019-11-08 四川大学 一种相机、imu和激光雷达联合的机器人定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TSDF map building based on hybrid loopback detection and closed-loop optimization;Jia Song-min,etal.;Optics and Precision Engineering;第26卷(第6期);1497-506 *
吴桥.基于激光—视觉的室内移动三维制图研究与实现.中国优秀硕士学位论文全文数据库 信息科技辑.2019,(第2期),正文第12-24页. *
基于混合位姿估计模型的移动机器人三维地图创建方法;王可 等;控制与决策;第30卷(第8期);1504-1508 *
基于激光—视觉的室内移动三维制图研究与实现;吴桥;中国优秀硕士学位论文全文数据库 信息科技辑(第2期);正文第12-24页 *

Also Published As

Publication number Publication date
CN112099509A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
US9377310B2 (en) Mapping and positioning system
KR101686054B1 (ko) 보조 측정기의 공간 위치를 결정하기 위한 위치 결정 방법, 기계 판독 저장 매체, 측정 장치 및 측정 시스템
JP5832341B2 (ja) 動画処理装置、動画処理方法および動画処理用のプログラム
US9250073B2 (en) Method and system for position rail trolley using RFID devices
JP2020067439A (ja) 移動***置推定システムおよび移動***置推定方法
CA2539783C (en) Method and device for determining the actual position of a geodetic instrument
CN112734852A (zh) 一种机器人建图方法、装置及计算设备
CN106373141A (zh) 空间慢旋碎片相对运动角度和角速度的跟踪***和跟踪方法
JP2017090239A (ja) 情報処理装置、制御方法、プログラム及び記憶媒体
CN112455502B (zh) 基于激光雷达的列车定位方法及装置
CN108981687A (zh) 一种视觉与惯性融合的室内定位方法
KR102118357B1 (ko) 모바일 맵핑 또는 자율 주행용 플랫폼과 관측 데이터의 구조화를 위한 시스템
US20230236280A1 (en) Method and system for positioning indoor autonomous mobile robot
CN208289901U (zh) 一种增强视觉的定位装置及机器人
JP2002532770A (ja) 映像に関連してカメラポーズを決定する方法及びシステム
CN115200572B (zh) 三维点云地图构建方法、装置、电子设备及存储介质
CN112099509B (zh) 地图优化方法、装置及机器人
Yang et al. A hierarchical approach for refining point cloud quality of a low cost UAV LiDAR system in the urban environment
CN116608847A (zh) 基于面阵激光传感器和图像传感器的定位和建图方法
JP2011112556A (ja) 捜索目標位置特定装置及び捜索目標位置特定方法並びにコンピュータプログラム
CN114972970A (zh) 一种煤矿机械手扫描观测***
Fasiolo et al. Comparing LiDAR and IMU-based SLAM approaches for 3D robotic mapping
WO2024001649A1 (zh) 机器人定位方法、装置和计算可读存储介质
Gracias Mosaic-based visual navigation for autonomous underwater vehicles
CN114659518B (zh) 一种固定场景下的高精鲁棒定位方法

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
CB02 Change of applicant information

Address after: 310051 room 304, B / F, building 2, 399 Danfeng Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Hikvision Robot Co.,Ltd.

Address before: 310051 room 304, B / F, building 2, 399 Danfeng Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU HIKROBOT TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant