CN113219980B - 机器人全局自定位方法、装置、计算机设备及存储介质 - Google Patents

机器人全局自定位方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113219980B
CN113219980B CN202110533611.2A CN202110533611A CN113219980B CN 113219980 B CN113219980 B CN 113219980B CN 202110533611 A CN202110533611 A CN 202110533611A CN 113219980 B CN113219980 B CN 113219980B
Authority
CN
China
Prior art keywords
map
robot
data
effective
value
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
CN202110533611.2A
Other languages
English (en)
Other versions
CN113219980A (zh
Inventor
闫宇通
施健
杨炯丰
涂静一
沈锋
王一科
张静
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.)
Shenzhen Zhongzhi Yonghao Robot Co ltd
Original Assignee
Shenzhen Zhongzhi Yonghao Robot 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 Shenzhen Zhongzhi Yonghao Robot Co ltd filed Critical Shenzhen Zhongzhi Yonghao Robot Co ltd
Priority to CN202110533611.2A priority Critical patent/CN113219980B/zh
Publication of CN113219980A publication Critical patent/CN113219980A/zh
Application granted granted Critical
Publication of CN113219980B publication Critical patent/CN113219980B/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
    • G05D1/0238—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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

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

Abstract

本发明实施例公开了机器人全局自定位方法、装置、计算机设备及存储介质。所述方法包括：获取启动全局自定位的请求；根据所述请求对机器人当前加载的地图进行预处理；获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；根据所述有效数据以及预处理后的地图生成概率分布地图；计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置。通过实施本发明实施例的方法无需增加传感器等硬件，实现低成本地提高机器人的定位准确率。

Description

机器人全局自定位方法、装置、计算机设备及存储介质
技术领域
本发明涉及机器人定位方法，更具体地说是指机器人全局自定位方法、装置、计算机设备及存储介质。
背景技术
在科技快速发展的时期，移动智能机器人越来突出重要性，移动智能机器人具有感知、决策等多种功能，因而在辅助或替代人类工作方面具有巨大的潜力。其中，机器人自主移动能力作为衡量机器人智能程度的重要指标，可见导航任务是大多数具有移动功能的智能机器人在实际应用中需解决的首要问题。
通用的移动智能机器人底盘能够搭载不同的模块完成各种工作。有些特殊的场景对人存在的危害，需要机器人进行重复性定时往返作业，比如移动智能机器人搭载消毒液进行消毒喷雾，机器人搭载紫外线灯进行杀菌，但是不管搭载何种功能的模块完成的工作，都需要进行机器人的定位和导航，但是，现有的机器人的定位方法基本上采用的是局部定位方法，定位的准确率并不高，从而影响机器人的实际工作，若需要提高定位准确率，则需要增加多个传感器进行检测定位，成本较高。
因此，有必要设计一种新的方法，实现低成本地提高机器人的定位准确率。
发明内容
本发明的目的在于克服现有技术的缺陷，提供机器人全局自定位方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：机器人全局自定位方法，包括：
获取启动全局自定位的请求；
根据所述请求对机器人当前加载的地图进行预处理；
获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；
根据所述有效数据以及预处理后的地图生成概率分布地图；
计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置。
其进一步技术方案为：所述根据所述请求对机器人当前加载的地图进行预处理，包括：
根据所述请求对机器人当前加载的地图进行二值化处理，以得到二值化地图；
对所述二值化地图使用连通域算法只保留实际有效的连通域区域，剔除机器人无法通过的区域，以得到有效二值化地图；
根据所述有效二值化地图创建似然域地图。
其进一步技术方案为：所述似然域地图中每个栅格对应的像素值为栅格坐标到离所述栅格的最近黑色栅格的棋盘距离值。
其进一步技术方案为：所述获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据，包括：
获取机器人底盘上的激光雷达数据，并剔除所述激光雷达数据内的无效值以及测距无效距离值，以得到有效数据。
其进一步技术方案为：所述根据所述有效数据以及预处理后的地图生成概率分布地图，包括：
对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值；
对所述似然域地图提取最大像素值，并乘以有效数据的有效点数，以得到位置最大误差值，并根据所述匹配误差值与所述位置最大误差值计算所述似然域地图每个栅格的概率，以得到概率分布地图。
其进一步技术方案为：所述对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值，包括：
根据预处理后的地图每个栅格的像素值转换成对应的预估机器人位置；
将所述有效数据转换为似然域地图的像素；
从似然域地图中提取所述有效数据对应的像素值并求和，以得到预估机器人位置对应的匹配误差值。
其进一步技术方案为：所述计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置，包括：
遍历似然域地图中所有可行区域，并筛选出概率分布地图中最大值所对应的位置，以得到机器人的位置。
本发明还提供了机器人全局自定位装置，包括：
请求获取单元，用于获取启动全局自定位的请求；
预处理单元，用于根据所述请求对机器人当前加载的地图进行预处理；
数据处理单元，用于获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；
概率图生成单元，用于根据所述有效数据以及预处理后的地图生成概率分布地图；
位置确定单元，用于计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过外部发起的启动全局自定位的请求，进行全局自定位，对加载的地图进行预处理，以提升匹配的准确率，根据激光雷达数据以及预处理后的地图生成概率分布地图，再从概率分布地图中筛选出最大值，以确定机器人的位置，无需增加传感器等硬件，实现低成本地提高机器人的定位准确率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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1为本发明实施例提供的机器人全局自定位方法的应用场景示意图；
图2为本发明实施例提供的机器人全局自定位方法的流程示意图；
图3为本发明实施例提供的机器人全局自定位方法的子流程示意图；
图4为本发明实施例提供的机器人全局自定位方法的子流程示意图；
图5为本发明实施例提供的机器人全局自定位方法的子流程示意图；
图6为本发明实施例提供的机器人全局自定位装置的示意性框图；
图7为本发明实施例提供的机器人全局自定位装置的预处理单元的示意性框图；
图8为本发明实施例提供的机器人全局自定位装置的数据处理单元的示意性框图；
图9为本发明实施例提供的机器人全局自定位装置的匹配误差值计算子单元的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的机器人全局自定位方法的应用场景示意图。图2为本发明实施例提供的机器人全局自定位方法的示意性流程图。该机器人全局自定位方法应用于服务器中，该服务器可以是机器人底盘的控制器，也可以是独立的服务器，该服务器与激光雷达传感器以及终端进行数据交互，通过终端发起机器人全局自定义的请求，服务器根据该终端的请求对机器人当前加载的地图进行预处理，并获取来自机器人的底盘上承载的激光雷达传感器的检测数据后，确定机器人的最优位置。
图2是本发明实施例提供的机器人全局自定位方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。
S110、获取启动全局自定位的请求。
在本实施例中，请求是指由终端发起的驱动机器人启动全局自定义算法的请求。
在机器人底盘所在真实环境跟所加载的当前地图一致的情况下，机器人启动时在地图中位置错乱的情况下，通过外部指令比如终端发起的请求，发送给服务器来启动机器人的自主全局自定位算法功能。
S120、根据所述请求对机器人当前加载的地图进行预处理。
在机器人加载当前环境地图时，服务器进行一次针对地图信息的预处理，筛选出地图中有用的信息以及进行一次地图信息的优化并生成似然域地图来提升后面自主匹配定位的效率，加快了算法处理的速度以及提升了后面匹配的准确度。
在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121～S123。
S121、根据所述请求对机器人当前加载的地图进行二值化处理，以得到二值化地图。
在本实施例中，二值化地图是指机器人当前加载的地图经过二值化处理形成的黑色、灰色和白色栅格组成的地图。
通用机器人底盘在加载的当前环境地图的信息中进行一次针对地图信息的预处理，地图由三种颜色构成:灰黑白，灰色代表着未知区域，黑色代表着障碍物，白色代表着自由通行区域。在实际运行场景中，不需要考虑机器人在未知区域跟障碍物区域内的位置，所以可以将地图进行二值化，只保留白色跟黑色。
对地图进行二值化处理属于现有技术，此处不再赘述。
S122、对所述二值化地图使用连通域算法只保留实际有效的连通域区域，剔除机器人无法通过的区域，以得到有效二值化地图。
在本实施例中，有效二值化地图是指剔除机器人轮廓的面积，仅保留实际有效的连通域区域，剔除机器人无法通过的区域的二值化地图。
机器人本身可以考虑成为一个质点，而其外壳最远处可以考虑成机器人的最大轮廓，由于机器人在算法中会被当成一个在地图中的栅格点考虑，使用图像处理腐蚀来处理二值化地图，来减少实际有效面积，剔除掉机器人轮廓的面积，再使用连通域算法只保留地图中实际有效的连通域区域，剔除了对机器人无法通过的区域，有效的降低了机器人需要在地图中匹配的区域来提升自主匹配定位算法的效率。
S123、根据所述有效二值化地图创建似然域地图。
在本实施例中，似然域地图是指每个栅格对应的像素值为栅格坐标到离所述栅格的最近黑色栅格的棋盘距离值的地图。
即所述似然域地图中每个栅格对应的像素值为栅格坐标到离所述栅格的最近黑色栅格的棋盘距离值。筛选出地图中有用的信息以及进行一次地图信息的优化并生成似然域地图，提升自主匹配定位的效率，无需增加过多传感器，实现低成本地提高机器人自定位的准确率。
S130、获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据。
在本实施例中，有效数据是指剔除了激光雷达数据内的无效值以及测距无效距离值剩下的激光雷达数据。
具体地，获取机器人底盘上的激光雷达数据，并剔除所述激光雷达数据内的无效值以及测距无效距离值，以得到有效数据。使用了机器人底盘上搭载的激光雷达传感器数据，并进行了一次激光雷达数据的预处理来过滤掉无效点以及无用点来加快匹配速度。
机器人底盘根据其配置的激光雷达传感器收集周围检测到的障碍物信息，激光雷达会返回检测到障碍物的距离值跟相对的角度值，由此形成激光雷达数据，根据激光雷达特性剔除掉测量的无效值比如激光雷达数据的最大值、最小值、无效的测量数据以及测距无效距离值比如太大的测距值，测距值太大会容易受角度影响导致误差大；从而提高自定义的准确率。
S140、根据所述有效数据以及预处理后的地图生成概率分布地图。
在本实施例中，概率分布地图是指预估机器人在每个栅格的概率所形成的地图。
在一实施例中，请参阅图4，上述的步骤S140可包括步骤S141～S142。
S141、根据所述有效数据以及预处理后的地图计算匹配误差值。
在本实施例中，匹配误差值是指预估机器人位置的匹配误差数值。
在一实施例中，请参阅图5，上述的步骤S141可包括步骤S1411～S1413。
S1411、根据预处理后的地图每个栅格的像素值转换成对应的预估机器人位置；
S1412、将所述有效数据转换为似然域地图的像素；
S1413、从似然域地图中提取所述有效数据对应的像素值并求和，以得到预估机器人位置对应的匹配误差值。
在本实施例中，遍历二值化栅格，也就是似然域地图的栅格，但不需要每个栅格都进行遍历，只需要隔机器人对应轮廓大小的栅格偏移遍历就好，在轮廓大小内机器人匹配结果相似且耗时，有利于降低计算量；根据遍历当前像素值转换成对应假定的机器人坐标，配合有效数据推导可得出每一个激光雷达数据对应在似然域地图中的像素位置，提取有效数据对应像素点在似然域地图中的像素值并进行求和，由此得到预估机器人位置对应的匹配误差值。
S142、对所述似然域地图提取最大像素值，并乘以有效数据的有效点数，以得到位置最大误差值，并根据所述匹配误差值与所述位置最大误差值计算所述似然域地图每个栅格的概率，以得到概率分布地图。
在似然域地图中，提取最大的栅格像素值，并乘以当前激光雷达数据即有效数据的有效点数，计算出的数值则为当前预估位置的最大误差为max_p；而预估机器人位置对应的匹配误差值为est_p；该值越小，则认为匹配计算的结果越好，estp＝0为理想最优值；则该预估机器人位置对应的匹配概率为并赋值给概率分布地图中该位置对应的像素值；重复上述的步骤S140，直至地，似然域地图中所有可行区域都遍历。
使用了机器人底盘上搭载的传感器数据配合机器人预估的位置进行在似然域地图上的遍历匹配查找.生成一个相对于似然域地图的概率分布图；该概率分布图对应在似然域地图上每个栅格代表着该预估位置的正确度；选取概率最大的栅格点也就是机器人在该地图上的最优位置。
S150、计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置。
在本实施例中，机器人的位置是指经过全局自定位算法确定的机器人的位置。
具体地，遍历似然域地图中所有可行区域，并筛选出概率分布地图中最大值所对应的位置，以得到机器人的位置。
在生成的概率分布地图中，遍历查找概率最大的地方，概率最大的地方则是预估机器人的最优位置，并将该概率最大的像素值转换为机器人的坐标值，使用该预估的最优位置设置为机器人在当前地图中的所在位。
机器人无需进行任何移动，只需要根据当前激光雷达传感器收集到的数据就可以进行环境匹配并生成当前最优的预估位置。不需要增加额外的硬件，操作简单，只需要外部发送指令即可触发进行全局自定位。
本实施例不需要增加额外传感器，能够使机器人在地图中位置错乱的情况下自动查找到自己在地图中的最优位置；机器人无需进行任何移动，只需要根据当前采集到的激光雷达数据和加载的地图则能自动匹配出在地图中的最优位置；针对地图跟传感器数据进行优化处理，提高计算匹配速度。
上述的机器人全局自定位方法，通过外部发起的启动全局自定位的请求，进行全局自定位，对加载的地图进行预处理，以提升匹配的准确率，根据激光雷达数据以及预处理后的地图生成概率分布地图，再从概率分布地图中筛选出最大值，以确定机器人的位置，无需增加传感器等硬件，实现低成本地提高机器人的定位准确率。
图6是本发明实施例提供的一种机器人全局自定位装置300的示意性框图。如图6所示，对应于以上机器人全局自定位方法，本发明还提供一种机器人全局自定位装置300。该机器人全局自定位装置300包括用于执行上述机器人全局自定位方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该机器人全局自定位装置300包括请求获取单元301、预处理单元302、数据处理单元303、概率图生成单元304以及位置确定单元305。
请求获取单元301，用于获取启动全局自定位的请求；预处理单元302，用于根据所述请求对机器人当前加载的地图进行预处理；数据处理单元303，用于获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；概率图生成单元304，用于根据所述有效数据以及预处理后的地图生成概率分布地图；位置确定单元305，用于计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置。
在一实施例中，如图7所示，所述预处理单元302包括二值化子单元3021、剔除子单元3022以及创建子单元3023。
二值化子单元3021，用于根据所述请求对机器人当前加载的地图进行二值化处理，以得到二值化地图；剔除子单元3022，用于对所述二值化地图使用连通域算法只保留实际有效的连通域区域，剔除机器人无法通过的区域，以得到有效二值化地图；创建子单元3023，用于根据所述有效二值化地图创建似然域地图。
在一实施例中，所述数据处理单元303，用于获取机器人底盘上的激光雷达数据，并剔除所述激光雷达数据内的无效值以及测距无效距离值，以得到有效数据。
在一实施例中，如图8所示，所述概率图生成单元304包括匹配误差值计算子单元3041以及概率计算子单元3042。
匹配误差值计算子单元3041，用于对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值；概率计算子单元3042，用于对所述似然域地图提取最大像素值，并乘以有效数据的有效点数，以得到位置最大误差值，并根据所述匹配误差值与所述位置最大误差值计算所述似然域地图每个栅格的概率，以得到概率分布地图。
在一实施例中，如图9所示，所述匹配误差值计算子单元3041包括数值转换模块30411、数据转换模块30412以及求和模块30413。
数值转换模块30411，用于根据预处理后的地图每个栅格的像素值转换成对应的预估机器人位置；数据转换模块30412，用于将所述有效数据转换为似然域地图的像素；求和模块30413，用于从似然域地图中提取所述有效数据对应的像素值并求和，以得到预估机器人位置对应的匹配误差值。
在一实施例中，所述位置确定单元305，用于遍历似然域地图中所有可行区域，并筛选出概率分布地图中最大值所对应的位置，以得到机器人的位置。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述机器人全局自定位装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述机器人全局自定位装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图10，该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种机器人全局自定位方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种机器人全局自定位方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取启动全局自定位的请求；根据所述请求对机器人当前加载的地图进行预处理；获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；根据所述有效数据以及预处理后的地图生成概率分布地图；计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置。
在一实施例中，处理器502在实现所述根据所述请求对机器人当前加载的地图进行预处理步骤时，具体实现如下步骤：
根据所述请求对机器人当前加载的地图进行二值化处理，以得到二值化地图；对所述二值化地图使用连通域算法只保留实际有效的连通域区域，剔除机器人无法通过的区域，以得到有效二值化地图；根据所述有效二值化地图创建似然域地图。
其中，所述似然域地图中每个栅格对应的像素值为栅格坐标到离所述栅格的最近黑色栅格的棋盘距离值。
在一实施例中，处理器502在实现所述获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据步骤时，具体实现如下步骤：
获取机器人底盘上的激光雷达数据，并剔除所述激光雷达数据内的无效值以及测距无效距离值，以得到有效数据。
在一实施例中，处理器502在实现所述根据所述有效数据以及预处理后的地图生成概率分布地图步骤时，具体实现如下步骤：
对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值；对所述似然域地图提取最大像素值，并乘以有效数据的有效点数，以得到位置最大误差值，并根据所述匹配误差值与所述位置最大误差值计算所述似然域地图每个栅格的概率，以得到概率分布地图。
在一实施例中，处理器502在实现所述对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值步骤时，具体实现如下步骤：
根据预处理后的地图每个栅格的像素值转换成对应的预估机器人位置；将所述有效数据转换为似然域地图的像素；从似然域地图中提取所述有效数据对应的像素值并求和，以得到预估机器人位置对应的匹配误差值。
在一实施例中，处理器502在实现所述计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置步骤时，具体实现如下步骤：
遍历似然域地图中所有可行区域，并筛选出概率分布地图中最大值所对应的位置，以得到机器人的位置。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取启动全局自定位的请求；根据所述请求对机器人当前加载的地图进行预处理；获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；根据所述有效数据以及预处理后的地图生成概率分布地图；计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述请求对机器人当前加载的地图进行预处理步骤时，具体实现如下步骤：
根据所述请求对机器人当前加载的地图进行二值化处理，以得到二值化地图；对所述二值化地图使用连通域算法只保留实际有效的连通域区域，剔除机器人无法通过的区域，以得到有效二值化地图；根据所述有效二值化地图创建似然域地图。
其中，所述似然域地图中每个栅格对应的像素值为栅格坐标到离所述栅格的最近黑色栅格的棋盘距离值。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据步骤时，具体实现如下步骤：
获取机器人底盘上的激光雷达数据，并剔除所述激光雷达数据内的无效值以及测距无效距离值，以得到有效数据。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述有效数据以及预处理后的地图生成概率分布地图步骤时，具体实现如下步骤：
对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值；对所述似然域地图提取最大像素值，并乘以有效数据的有效点数，以得到位置最大误差值，并根据所述匹配误差值与所述位置最大误差值计算所述似然域地图每个栅格的概率，以得到概率分布地图。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值步骤时，具体实现如下步骤：
根据预处理后的地图每个栅格的像素值转换成对应的预估机器人位置；将所述有效数据转换为似然域地图的像素；从似然域地图中提取所述有效数据对应的像素值并求和，以得到预估机器人位置对应的匹配误差值。
在一实施例中，所述处理器在执行所述计算机程序而实现所述计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置步骤时，具体实现如下步骤：
遍历似然域地图中所有可行区域，并筛选出概率分布地图中最大值所对应的位置，以得到机器人的位置。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.机器人全局自定位方法，其特征在于，包括：
获取启动全局自定位的请求；
根据所述请求对机器人当前加载的地图进行预处理；
获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；
根据所述有效数据以及预处理后的地图生成概率分布地图；
计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置；
所述根据所述请求对机器人当前加载的地图进行预处理，包括：
根据所述请求对机器人当前加载的地图进行二值化处理，以得到二值化地图；
对所述二值化地图使用连通域算法只保留实际有效的连通域区域，剔除机器人无法通过的区域，以得到有效二值化地图；
根据所述有效二值化地图创建似然域地图；
所述似然域地图中每个栅格对应的像素值为栅格坐标到离所述栅格的最近黑色栅格的棋盘距离值；
所述获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据，包括：
获取机器人底盘上的激光雷达数据，并剔除所述激光雷达数据内的无效值以及测距无效距离值，以得到有效数据；
所述根据所述有效数据以及预处理后的地图生成概率分布地图，包括：
对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值；
对所述似然域地图提取最大像素值，并乘以有效数据的有效点数，以得到位置最大误差值，并根据所述匹配误差值与所述位置最大误差值计算所述似然域地图每个栅格的概率，以得到概率分布地图；
所述对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值，包括：
根据预处理后的地图每个栅格的像素值转换成对应的预估机器人位置；
将所述有效数据转换为似然域地图的像素；
从似然域地图中提取所述有效数据对应的像素值并求和，以得到预估机器人位置对应的匹配误差值。
2.根据权利要求1所述的机器人全局自定位方法，其特征在于，所述计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置，包括：
遍历似然域地图中所有可行区域，并筛选出概率分布地图中最大值所对应的位置，以得到机器人的位置。
3.机器人全局自定位装置，其特征在于，包括：
请求获取单元，用于获取启动全局自定位的请求；
预处理单元，用于根据所述请求对机器人当前加载的地图进行预处理；
数据处理单元，用于获取机器人底盘上的激光雷达数据，并根据所述激光雷达数据剔除不符合要求的数据，以得到有效数据；
概率图生成单元，用于根据所述有效数据以及预处理后的地图生成概率分布地图；
位置确定单元，用于计算所述概率分布地图内概率最大的像素值，并将所述像素值转换为坐标值，以得到机器人的位置；
所述预处理单元包括二值化子单元、剔除子单元以及创建子单元；
二值化子单元，用于根据所述请求对机器人当前加载的地图进行二值化处理，以得到二值化地图；剔除子单元，用于对所述二值化地图使用连通域算法只保留实际有效的连通域区域，剔除机器人无法通过的区域，以得到有效二值化地图；创建子单元，用于根据所述有效二值化地图创建似然域地图；
所述数据处理单元，用于获取机器人底盘上的激光雷达数据，并剔除所述激光雷达数据内的无效值以及测距无效距离值，以得到有效数据；
所述概率图生成单元包括匹配误差值计算子单元以及概率计算子单元；
匹配误差值计算子单元，用于对预处理后的地图中的每个区域都根据所述有效数据以及预处理后的地图计算匹配误差值；概率计算子单元，用于对所述似然域地图提取最大像素值，并乘以有效数据的有效点数，以得到位置最大误差值，并根据所述匹配误差值与所述位置最大误差值计算所述似然域地图每个栅格的概率，以得到概率分布地图；
所述匹配误差值计算子单元包括数值转换模块、数据转换模块以及求和模块；
数值转换模块，用于根据预处理后的地图每个栅格的像素值转换成对应的预估机器人位置；数据转换模块，用于将所述有效数据转换为似然域地图的像素；求和模块，用于从似然域地图中提取所述有效数据对应的像素值并求和，以得到预估机器人位置对应的匹配误差值。
4.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至2中任一项所述的方法。
5.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至2中任一项所述的方法。
CN202110533611.2A 2021-05-14 2021-05-14 机器人全局自定位方法、装置、计算机设备及存储介质 Active CN113219980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110533611.2A CN113219980B (zh) 2021-05-14 2021-05-14 机器人全局自定位方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110533611.2A CN113219980B (zh) 2021-05-14 2021-05-14 机器人全局自定位方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113219980A CN113219980A (zh) 2021-08-06
CN113219980B true CN113219980B (zh) 2024-04-12

Family

ID=77092324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110533611.2A Active CN113219980B (zh) 2021-05-14 2021-05-14 机器人全局自定位方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113219980B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097584A (zh) * 2019-03-18 2019-08-06 国网浙江省电力有限公司信息通信分公司 结合目标检测和语义分割的图像配准方法
CN111060888A (zh) * 2019-12-31 2020-04-24 芜湖哈特机器人产业技术研究院有限公司 一种融合icp和似然域模型的移动机器人重定位方法
CN111754566A (zh) * 2020-05-12 2020-10-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 机器人场景定位方法和施工操作方法
CN112180931A (zh) * 2020-09-30 2021-01-05 小狗电器互联网科技（北京）股份有限公司 扫地机的清扫路径规划方法、装置及可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114942453A (zh) * 2019-03-08 2022-08-26 欧司朗股份有限公司 Lidar传感器***、用于该***的光学部件、传感器和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097584A (zh) * 2019-03-18 2019-08-06 国网浙江省电力有限公司信息通信分公司 结合目标检测和语义分割的图像配准方法
CN111060888A (zh) * 2019-12-31 2020-04-24 芜湖哈特机器人产业技术研究院有限公司 一种融合icp和似然域模型的移动机器人重定位方法
CN111754566A (zh) * 2020-05-12 2020-10-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 机器人场景定位方法和施工操作方法
CN112180931A (zh) * 2020-09-30 2021-01-05 小狗电器互联网科技（北京）股份有限公司 扫地机的清扫路径规划方法、装置及可读存储介质

Also Published As

Publication number Publication date
CN113219980A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
US11763568B2 (en) Ground plane estimation in a computer vision system
CN111079801B (zh) 基于点云匹配快速搜索最近点的方法、介质、终端和装置
JP4046835B2 (ja) 可動ロボットに対する距離データの高速面区分化方法
CN111680556B (zh) 交通卡口车辆类型的识别方法、装置、设备及存储介质
CN109635816B (zh) 车道线生成方法、装置、设备以及存储介质
WO2021017471A1 (zh) 一种基于图像处理的点云滤波方法、装置和存储介质
CN110207671B (zh) 一种天基智能成像***
CN111696196B (zh) 一种三维人脸模型重建方法及装置
US11841421B2 (en) Synthetic aperture radar image analysis system, synthetic aperture radar image analysis method, and synthetic aperture radar image analysis program
CN113761999A (zh) 一种目标检测方法、装置、电子设备和存储介质
CN112200884A (zh) 一种车道线的生成方法及装置
CN116168351B (zh) 电力设备巡检方法及装置
KR20180127567A (ko) 무인항공기 영상 자동 기하보정을 위한 처리시스템
CN111582032A (zh) 行人检测方法、装置、终端设备及存储介质
CN115496923A (zh) 一种基于不确定性感知的多模态融合目标检测方法及装置
CN116415652A (zh) 一种数据生成方法、装置、可读存储介质及终端设备
CN113219980B (zh) 机器人全局自定位方法、装置、计算机设备及存储介质
CN116682286B (zh) 一种基于海上目标检测的船舶预警方法及***
CN107767366A (zh) 一种输电线路拟合方法及装置
CN109858341B (zh) 一种基于嵌入式***的快速多人脸检测和跟踪方法
CN114814796B (zh) 基于高精度地图的水面可行驶区域提取方法、装置及设备
Xie et al. OFVL-MS: Once for visual localization across multiple indoor scenes
US20220075059A1 (en) Learning data generation device, learning data generation method, learning data generation program, learning device, learning method, learning program, inference device, inference method, inference program, learning system, and inference system
CN115902977A (zh) 基于视觉和gps的变电站机器人双重定位方法及***
CN115236643A (zh) 一种传感器标定方法、***、装置、电子设备及介质

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