CN113340296A - 一种自动更新移动机器人地图的方法及装置 - Google Patents
一种自动更新移动机器人地图的方法及装置 Download PDFInfo
- Publication number
- CN113340296A CN113340296A CN202110688684.9A CN202110688684A CN113340296A CN 113340296 A CN113340296 A CN 113340296A CN 202110688684 A CN202110688684 A CN 202110688684A CN 113340296 A CN113340296 A CN 113340296A
- Authority
- CN
- China
- Prior art keywords
- map
- laser
- mobile robot
- current
- pose
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3837—Data obtained from a single source
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明的该自动更新移动机器人地图的方法及装置,其方法步骤包括:S1在预设地图全局坐标位设定锚点,为锚点设定第一识别特征,以供采用激光点云构建地图,并通过预设第一特征阈值,筛选出锚点;S2根据第一算法获取锚点所处地图全局坐标值;S3当移动机器人检测到当前定位位置低于预设阈值时,开启建图模式,并根据第二算法,获取移动机器人位姿;S4构建局部地图,以锚点为约束,建立地图更新区块,并替换地图对应区块完更新。籍此实现在局部环境发生剧烈变化时,仍可对导航地图进行精确的自动更新。
Description
技术领域
本发明涉及激光导航移动机器人算法技术领域,尤其涉及基于反光柱为参照形成的激光点云地图自动更新的方法及装置。
背景技术
目前工厂以及仓储物流领域智能化程度越来越高,利用激光SLAM技术构建环境地图然后进行移动机器人导航的方式越来越普及,由于其实施成本低,部署简单快捷得到越来越多的关注。
但是在部分工厂环境中,由于环境中的物体经常发生移动变化,导致实际环境与事先扫描的激光轮廓地图有很大的偏差,因此在移动机器人实际运行过程中参考该激光地图时会产生偏差,导致移动机器人的运行路线以及位置和预期不符,不能满足全天候的自动运行。
目前常用的做法是改变移动机器人的激光安装位置,保证让二维激光扫射平面上的参照物体基本稳定不发生变化,或者是经常人工参与进行地图重新扫描拼接,但这些方法都很难完全避免动态环境的干扰,也很难真正地实现自动化的更新。
为此现有技术曾提出了一种基于自建图的静态地图在线更新方法和装置(CN110164288A),其中该方法步骤包括:a、获取初始扫描地图;b、对初始扫描地图进行映射处理;c、获取可移动机器人实际所处的位置信息以及扫描范围内的空白空间信息和可探测物体信息,更新初始扫描地图,获得数值化扫描地图;d、将数值化扫描地图与已有地图进行比较,更新已有地图,判断空白空间信息和可探测物体信息,并确定下一步移动路线;e、重复上述步骤,直至可移动机器人完成静态地图的更新。
然而上述现有技术的缺陷在于,现有的地图更新方法只能适用于局部环境变化特别小的部分,因此只能运行于局部环境呈渐变的工作环境中,同时还必须依赖现有地图中要很大一部分的参照物都不能发生变化的这一前提,因此在一定程度上脱离了现实,很难保证在局部环境发生剧烈情况下地图更新的效果和精度。
发明内容
本发明的主要目的在于提供一种自动更新移动机器人地图的方法及装置,以实现在局部环境发生剧烈变化时,仍可对导航地图进行精确的自动更新。
为了实现上述目的,根据本发明的一个方面,提供了一种自动更新移动机器人地图的方法,步骤包括:
S1在预设地图全局坐标位设定锚点,为锚点设定第一识别特征,以供采用激光点云构建地图,并通过预设第一特征阈值,筛选出锚点;
S2根据第一算法获取锚点所处地图全局坐标值;
S3当移动机器人检测到当前定位位置低于预设阈值时,开启建图模式,并根据第二算法,获取移动机器人位姿;
S4构建局部地图,以锚点为约束,建立地图更新区块,并替换地图对应区块完更新。
在可能的优选实施方式下,所述步骤S1中激光点云构建地图步骤包括:
S11记录当前帧t0的激光位姿T0,将激光点数据转换为当前的坐标系后,将激光点数据建立一个kdTree,利用匀速运动模型V和激光时间间隔Δt估计下一时刻ti激光位姿Ti,其中Ti=T0+V*Δt,另外V会根据计算的位姿变化更新;
S13对目标函数迭代优化求得最优当前位姿Ti,以满足目标函数取得极小值;
S14根据运动距离和时间设定关键帧,对满足条件的激光帧设置为关键帧,同时进行闭环检测,利用图优化算法完成整个SLAM建图。
在可能的优选实施方式下,所述锚点为反光柱,其第一识别特征为反光特性,所述第一特征阈值包括:区别于所处环境物体的反射率阈值,及反光柱半径阈值中的至少一种。
在可能的优选实施方式下,所述步骤S2中第一算法步骤包括:
S21获取当前移动机器人运动位置时刻的距离,角度数据以及反射率,以通过反射率阈值提取出当前时刻的锚点激光点坐标;且该锚点激光点坐标是在当前时刻激光局部坐标系下表示;
S22对每个激光点Pi(i=1,2,3…n)计算相邻激光点之间的欧式距离,当其距离小于预设阈值,同时反射率达到第一特征阈值时,通过聚类算法提取出属于锚点的激光点,这些激光点坐标在全局地图中通过锚点形状拟合得到锚点中心位置所处地图全局坐标。
在可能的优选实施方式下,所述步骤S3中第二算法步骤包括:
S31获取当前时刻ti的移动机器人位姿Ti,将激光点数据根据当前时刻位姿转换得到全局的激光点坐标(xi,yi);
S32根据第一特征阈值提取属于锚点的激光点坐标(reflector_xi,reflector_yi);利用已有地图坐标点建立kdtree;分别搜索对应的距离最近的激光点(map_xi,map_yi)以及地图中锚点坐标(map_reflector_xi,map_reflector_yi),计算优化目标函数f(Ti)=[(xi-map_xi)2+(yi-map_yi)2+pWeight*((reflector_xi-map_reflector_xi)2+(reflector_yi-map_reflector_yi)2)];
S32利用非线性优化高斯牛顿算法对目标函数迭代求解,使得满足目标函数取得极小值,以获取最优的当前机器人位姿。
在可能的优选实施方式下,所述S4步骤包括:
S41根据所有的激光点数据和移动机器人的位姿,构建该区域的激光点云地图,获取局部地图;
S42局部地图与全局地图进行匹配,使用icp算法,同时加入局部地图与全局地图的锚点匹配约束,以获取局部地图和全局地图之间的精准坐标系旋转平移变化;
S43将局部地图拼接入全局地图,并剔除重复和孤立的地图部分,以更新全局地图。
本发明另一方面还提供了一种自动更新移动机器人地图的装置,其包括:数据获取模块,建图模块,定位模块,自动更新模块,其中数据获取模块接收激光雷达传送的激光点数据,并通过第一特征阈值提取出锚点激光点坐标,后再对每个激光点Pi(i=1,2,3…n)计算相邻激光点之间的欧式距离,当其距离小于预设阈值,同时反射率达到第一特征阈值时,通过聚类算法提取出属于锚点的激光点,在全局地图中通过锚点形状拟合得到锚点中心位置所处地图全局坐标;
定位模块获取数据获取模块传输的激光点数据与当前激光点云地图匹配,以得到当前移动机器人的实时位置与置信度,当定位置信度低于设定阈值时,激活建图模块开启建图模式;
建图模块获取当前时刻的激光点数据,并从定位模块获取当前时刻ti的移动机器人位姿Ti,将激光点数据根据当前时刻位姿转换得到全局的激光点坐标(xi,yi),然后根据第一特征阈值提取属于锚点的激光点坐标(reflector_xi,reflector_yi);利用已有地图坐标点建立kdtree;分别搜索对应的距离最近的激光点(map_xi,map_yi)以及地图中锚点坐标(map_reflector_xi,map_reflector_yi),计算优化目标函数f(Ti)=[(xi-map_xi)2+(yi-map_yi)2+pWeight*((reflector_xi-map_reflector_xi)2+(reflector_yi-map_reflector_yi)2)];然后利用非线性优化高斯牛顿算法对目标函数迭代求解,使得满足目标函数取得极小值,以获取最优的当前移动机器人位姿,后根据所有的激光点数据和移动机器人的位姿,构建该区域的激光点云地图得到局部地图;
自动更新模块获取局部地图,以与全局地图进行匹配,使用icp算法并加入局部地图与全局地图的锚点匹配约束,得到局部地图和全局地图之间的坐标系旋转平移变化,然后将局部地图拼接入全局地图,并剔除重复和孤立地图点,以对全局地图进行更新。
在可能的优选实施方式下,所述激光点数据包括:当前移动机器人运动位置时刻的所有距离,角度数据以及反射率。
在可能的优选实施方式下,其中建图模块记录当前帧t0的激光位姿T0,将激光点数据转换为当前的坐标系后,将激光点数据建立一个kdTree,利用匀速运动模型V和激光时间间隔Δt估计下一时刻ti激光位姿Ti,其中Ti=T0+V*Δt;后将下一时刻的激光点数据根据位姿Ti进行转换,对于ti时刻的每一个激光点(xi,yi),利用kdTree搜索当前距离最近的点的坐标(Lxi,Lyi),以根据当前时刻的位姿,建立目标函数 然后对目标函数迭代优化求得最优当前位姿Ti,以满足目标函数取得极小值;之后根据运动距离和时间设定关键帧,对满足条件的激光帧设置为关键帧,同时进行闭环检测,利用图优化算法完成整个全局地图建图。
在可能的优选实施方式下,所述锚点为反光柱,其第一识别特征为反光特性,所述第一特征阈值包括:区别于所处环境物体的反射率阈值,及反光柱半径阈值中的至少一种,此外所述反光柱垂直地面放置,同时保证激光雷达的扫描线与反光柱的中心高度对齐。
本发明提供的该自动更新移动机器人地图的方法及装置,能够适用于现有采用激光导航移动的机器人,使其在工厂环境进行自动运行过程中,当环境发生剧烈变化引起的局部地图变化时,仍然可将地图的局部变化部分精确的自动更新到原有地图中,从而确保了在人工不参与的情况下,也能使地图更新的正确性和有效性得到保证。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的带有锚点的激光点云环境地图示意图;
图2为本发明的自动更新移动机器人地图的方法步骤图;
图3为本发明的自动更新移动机器人地图的装置的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行详细地说明。以下示例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域的技术人员更好的理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
本发明的主要目的在于,使采用现有激光导航设备进行激光轮廓定位导航的移动机器人,能在导航环境发生巨大变化时,仍可实时稳定的对地图进行更新,并能确保地图更新的精度和准确性。
(一)
为此如图1、图3所示,本发明第一方面提供了一种自动更新移动机器人地图的装置,其包括:数据获取模块,建图模块,定位模块,自动更新模块,首先移动机器人在运行更新之前,可利用激光SLAM算法对整个环境地图进行构建获取全局地图,在本案优选实施方式下,其中建图模块记录当前帧t0的激光位姿T0,将激光点数据转换为当前的坐标系后,将激光点数据建立一个kdTree,利用匀速运动模型V和激光时间间隔Δt估计下一时刻ti激光位姿Ti,其中Ti=T0+V*Δt;后将下一时刻的激光点数据根据位姿Ti进行转换,对于ti时刻的每一个激光点(xi,yi),利用kdTree搜索当前距离最近的点的坐标(Lxi,Lyi),以根据当前时刻的位姿,建立目标函数然后对目标函数迭代优化求得最优当前位姿Ti,以满足目标函数取得极小值:之后根据运动距离和时间设定关键帧,对满足条件的激光帧设置为关键帧,同时进行闭环检测,利用图优化算法即可完成整个全局地图建图。
值得一提的是,为了能够在后续对该全局地图中的某些区域进行精确的更新,本案还在地图全局的预设坐标位设定了锚点,其中为了有利于说明本案的实施方式,在优选实施方式中,本案所称锚点可以为反光柱,其第一识别特征为反光特性,所述第一特征阈值包括:区别于所处环境物体的反射率阈值,和或反光柱半径阈值中的至少一种,此外所述反光柱垂直地面放置,同时保证激光雷达的扫描线与反光柱的中心高度对齐,以便确保反光柱能够被较好的识别。
由于反光柱的反射率在环境中远高于其他物体,利用激光雷达返回的反射率数据可以通过阈值设定可以提取属于反光柱的激光数据点,以在全局地图构建完成之后获取到所有反光柱激光数据点的坐标(x,y),然后通过已知的反光柱的半径,利用聚类算法提取出属于反光柱的所有激光点,之后便可拟合得到每个反光柱圆心位置的坐标(x0,y0),可见通过该方式,所有锚点坐标都是基于全局地图坐标系的原点得到。
之后在移动机器人进入环境剧烈变化的地图区域后,数据获取模块接收激光雷达传送的激光点数据,其中本实施例下该激光点数据包括:当前移动机器人运动位置时刻的所有距离,角度数据以及反射率,同时该数据获取模块通过第一特征阈值提取出锚点激光点坐标,后再对每个激光点Pi(i=1,2,3…n)计算相邻激光点之间的欧式距离,当其距离小于预设阈值,同时反射率达到第一特征阈值时,通过聚类算法提取出属于锚点的激光点,在全局地图中通过锚点形状拟合得到锚点中心位置所处地图全局坐标;
定位模块获取数据获取模块传输的激光点数据与当前激光点云地图匹配,以得到当前移动机器人的实时位置与置信度,当定位置信度低于设定阈值时,激活建图模块开启建图模式;
建图模块获取当前时刻的激光点数据,并从定位模块获取当前时刻ti的移动机器人位姿Ti,将激光点数据根据当前时刻位姿转换得到全局的激光点坐标(xi,yi),然后根据第一特征阈值提取属于锚点的激光点坐标(reflector_xi,reflector_yi);利用已有地图坐标点建立kdtree;分别搜索对应的距离最近的激光点(map_xi,map_yi)以及地图中锚点坐标(map_reflector_xi,map_reflector_yi),计算优化目标函数f(Ti)=[(xi-map_xi)2+(yi-map_yi)2+pWeight*((reflector_xi-map_reflector_xi)2+(reflector_yi-map_reflector_yi)2)];然后利用非线性优化高斯牛顿算法对目标函数迭代求解,使得满足目标函数取得极小值,以获取最优的当前移动机器人位姿,后根据所有的激光点数据和移动机器人的位姿,构建该区域的激光点云地图得到局部地图;
自动更新模块获取局部地图,以与全局地图进行匹配,使用icp算法并加入局部地图与全局地图的锚点匹配约束,得到局部地图和全局地图之间的坐标系旋转平移变化,然后将局部地图拼接入全局地图,并剔除重复和孤立地图点,即可对全局地图进行更新。
(二)
请参阅图1至图2所示,为了实现在局部环境发生剧烈变化时,仍可对导航地图进行精确的自动更新,本发明第二个方面还提供了一种与实施例一的装置对应的自动更新移动机器人地图的方法,其步骤包括:
S1在预设地图全局坐标位设定锚点,为锚点设定第一识别特征,以供采用激光点云构建地图,并通过预设第一特征阈值,筛选出锚点;
S2根据第一算法获取锚点所处地图全局坐标值;
S3当移动机器人检测到当前定位位置低于预设阈值时,开启建图模式,并根据第二算法,获取移动机器人位姿;
S4构建局部地图,以锚点为约束,建立地图更新区块,并替换地图对应区块完更新。
在可能的优选实施方式下,所述步骤S1中激光点云构建地图步骤包括:
S11记录当前帧t0的激光位姿T0,将激光点数据转换为当前的坐标系后,将激光点数据建立一个kdTree,利用匀速运动模型V和激光时间间隔Δt估计下一时刻ti激光位姿Ti,其中Ti=T0+V*Δt,另外V会根据计算的位姿变化更新;
S13对目标函数迭代优化求得最优当前位姿Ti,以满足目标函数取得极小值;
S14根据运动距离和时间设定关键帧,对满足条件的激光帧设置为关键帧,同时进行闭环检测,利用图优化算法完成整个SLAM建图。
其中在本实施例下,所述锚点为反光柱,其第一识别特征为反光特性,所述第一特征阈值包括:区别于所处环境物体的反射率阈值,及反光柱半径阈值中的至少一种。
其中在本实施例下,所述步骤S2中第一算法步骤包括:
S21获取当前移动机器人运动位置时刻的距离,角度数据以及反射率,以通过反射率阈值提取出当前时刻的锚点激光点坐标;且该锚点激光点坐标是在当前时刻激光局部坐标系下表示;
S22对每个激光点Pi(i=1,2,3…n)计算相邻激光点之间的欧式距离,当其距离小于预设阈值,同时反射率达到第一特征阈值时,通过聚类算法提取出属于锚点的激光点,这些激光点坐标在全局地图中通过锚点形状拟合得到锚点中心位置所处地图全局坐标。
其中在本实施例下,所述步骤S3中第二算法步骤包括:
S31获取当前时刻ti的移动机器人位姿Ti,将激光点数据根据当前时刻位姿转换得到全局的激光点坐标(xi,yi);
S32根据第一特征阈值提取属于锚点的激光点坐标(reflector_xi,reflector_yi);利用已有地图坐标点建立kdtree;分别搜索对应的距离最近的激光点(map_xi,map_yi)以及地图中锚点坐标(map_reflector_xi,map_reflector_yi),计算优化目标函数f(Ti)=[(xi-map_xi)2+(yi-map_yi)2+pWeight*((reflector_xi-map_reflector_xi)2+(reflector_yi-map_reflector_yi)2)];
S32利用非线性优化高斯牛顿算法对目标函数迭代求解,使得满足目标函数取得极小值,以获取最优的当前机器人位姿。
其中在本实施例下,所述S4步骤包括:
S41根据所有的激光点数据和移动机器人的位姿,构建该区域的激光点云地图,获取局部地图;
S42局部地图与全局地图进行匹配,使用icp算法,同时加入局部地图与全局地图的锚点匹配约束,以获取局部地图和全局地图之间的精准坐标系旋转平移变化;
S43将局部地图拼接入全局地图,并剔除重复和孤立的地图部分,以更新全局地图。
综上所述,本发明提供的该自动更新移动机器人地图的方法及装置,通过在环境中事先布置的反光柱,能够提取得到反光柱在激光点云地图的全局坐标,籍此以反光柱全局坐标作为约束,以利用激光帧间匹配的算法构建局部点云地图,从而利用局部点云地图和已有地图再做一次地图之间的匹配,同时加入反光柱特征作为约束,进行全局的优化,即可得到更新后的最终的激光点云地图,可见本案方法相对与普通栅格地图匹配消耗计算资源更少,计算速度更快,同时还能够适用于现有采用激光导航移动的机器人,使其在工厂环境进行自动运行过程中,当环境发生剧烈变化引起的局部地图变化时,仍然可将地图的局部变化部分精确的自动更新到原有地图中,从而确保了在人工不参与的情况下,也能使地图更新的正确性和有效性得到保证。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本领域技术人员可以理解,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
此外实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种自动更新移动机器人地图的方法,其特征在于步骤包括:
S1在预设地图全局坐标位设定锚点,为锚点设定第一识别特征,以供采用激光点云构建地图,并通过预设第一特征阈值,筛选出锚点;
S2根据第一算法获取锚点所处地图全局坐标值;
S3当移动机器人检测到当前定位位置低于预设阈值时,开启建图模式,并根据第二算法,获取移动机器人位姿;
S4构建局部地图,以锚点为约束,建立地图更新区块,并替换地图对应区块完更新。
2.根据权利要求1所述的自动更新移动机器人地图的方法,其特征在于,所述步骤S1中激光点云构建地图步骤包括:
S11记录当前帧t0的激光位姿T0,将激光点数据转换为当前的坐标系后,将激光点数据建立一个kdTree,利用匀速运动模型V和激光时间间隔Δt估计下一时刻ti激光位姿Ti,其中Ti=T0+V*Δt,另外V会根据计算的位姿变化更新;
S13对目标函数迭代优化求得最优当前位姿Ti,以满足目标函数取得极小值;
S14根据运动距离和时间设定关键帧,对满足条件的激光帧设置为关键帧,同时进行闭环检测,利用图优化算法完成整个SLAM建图。
3.根据权利要求1所述的自动更新移动机器人地图的方法,其特征在于,所述锚点为反光柱,其第一识别特征为反光特性,所述第一特征阈值包括:区别于所处环境物体的反射率阈值,及反光柱半径阈值中的至少一种。
4.根据权利要求1所述的自动更新移动机器人地图的方法,其特征在于,所述步骤S2中第一算法步骤包括:
S21获取当前移动机器人运动位置时刻的距离,角度数据以及反射率,以通过反射率阈值提取出当前时刻的锚点激光点坐标;且该锚点激光点坐标是在当前时刻激光局部坐标系下表示;
S22对每个激光点Pi(i=1,2,3…n)计算相邻激光点之间的欧式距离,当其距离小于预设阈值,同时反射率达到第一特征阈值时,通过聚类算法提取出属于锚点的激光点,这些激光点坐标在全局地图中通过锚点形状拟合得到锚点中心位置所处地图全局坐标。
5.根据权利要求1所述的自动更新移动机器人地图的方法,其特征在于,所述步骤S3中第二算法步骤包括:
S31获取当前时刻ti的移动机器人位姿Ti,将激光点数据根据当前时刻位姿转换得到全局的激光点坐标(xi,yi);
S32根据第一特征阈值提取属于锚点的激光点坐标(reflector_xi,reflector_yi);利用已有地图坐标点建立kdtree;分别搜索对应的距离最近的激光点(map_xi,map_yi)以及地图中锚点坐标(map_reflector_xi,map_reflector_yi),计算优化目标函数f(Ti)=[(xi-map_xi)2+(yi-map_yi)2+pWeight*((reflector_xi-map_reflector_xi)2+(reflector_yi-map_reflector_yi)2)];
S32利用非线性优化高斯牛顿算法对目标函数迭代求解,使得满足目标函数取得极小值,以获取最优的当前机器人位姿。
6.根据权利要求1所述的自动更新移动机器人地图的方法,其特征在于,所述S4步骤包括:
S41根据所有的激光点数据和移动机器人的位姿,构建该区域的激光点云地图,获取局部地图;
S42局部地图与全局地图进行匹配,使用icp算法,同时加入局部地图与全局地图的锚点匹配约束,以获取局部地图和全局地图之间的精准坐标系旋转平移变化;
S43将局部地图拼接入全局地图,并剔除重复和孤立的地图部分,以更新全局地图。
7.一种自动更新移动机器人地图的装置,其特征在于包括:数据获取模块,建图模块,定位模块,自动更新模块,其中数据获取模块接收激光雷达传送的激光点数据,并通过第一特征阈值提取出锚点激光点坐标,后再对每个激光点Pi(i=1,2,3…n)计算相邻激光点之间的欧式距离,当其距离小于预设阈值,同时反射率达到第一特征阈值时,通过聚类算法提取出属于锚点的激光点,在全局地图中通过锚点形状拟合得到锚点中心位置所处地图全局坐标;
定位模块获取数据获取模块传输的激光点数据与当前激光点云地图匹配,以得到当前移动机器人的实时位置与置信度,当定位置信度低于设定阈值时,激活建图模块开启建图模式;
建图模块获取当前时刻的激光点数据,并从定位模块获取当前时刻ti的移动机器人位姿Ti,将激光点数据根据当前时刻位姿转换得到全局的激光点坐标(xi,yi),然后根据第一特征阈值提取属于锚点的激光点坐标(reflector_xi,reflector_yi);利用已有地图坐标点建立kdtree;分别搜索对应的距离最近的激光点(map_xi,map_yi)以及地图中锚点坐标(map_reflector_xi,map_reflector_yi),计算优化目标函数f(Ti)=[(xi-map_xi)2+(yi-map_yi)2+pWeight*((reflector_xi-map_reflector_xi)2+(reflector_yi-map_reflector_yi)2)];然后利用非线性优化高斯牛顿算法对目标函数迭代求解,使得满足目标函数取得极小值,以获取最优的当前移动机器人位姿,后根据所有的激光点数据和移动机器人的位姿,构建该区域的激光点云地图得到局部地图;自动更新模块获取局部地图,以与全局地图进行匹配,使用icp算法并加入局部地图与全局地图的锚点匹配约束,得到局部地图和全局地图之间的坐标系旋转平移变化,然后将局部地图拼接入全局地图,并剔除重复和孤立地图点,以对全局地图进行更新。
8.根据权利要求7所述的自动更新移动机器人地图的装置,其特征在于,所述激光点数据包括:当前移动机器人运动位置时刻的所有距离,角度数据以及反射率。
9.根据权利要求7所述的自动更新移动机器人地图的装置,其特征在于,其中建图模块记录当前帧t0的激光位姿T0,将激光点数据转换为当前的坐标系后,将激光点数据建立一个kdTree,利用匀速运动模型V和激光时间间隔Δt估计下一时刻ti激光位姿Ti,其中Ti=T0+V*Δt;后将下一时刻的激光点数据根据位姿Ti进行转换,对于ti时刻的每一个激光点(xi,yi),利用kdTree搜索当前距离最近的点的坐标(Lxi,Lyi),以根据当前时刻的位姿,建立目标函数 然后对目标函数迭代优化求得最优当前位姿Ti,以满足目标函数取得极小值;之后根据运动距离和时间设定关键帧,对满足条件的激光帧设置为关键帧,同时进行闭环检测,利用图优化算法完成整个全局地图建图。
10.根据权利要求7所述的自动更新移动机器人地图的装置,其特征在于,所述锚点为反光柱,其第一识别特征为反光特性,所述第一特征阈值包括:区别于所处环境物体的反射率阈值,及反光柱半径阈值中的至少一种,此外所述反光柱垂直地面放置,同时保证激光雷达的扫描线与反光柱的中心高度对齐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688684.9A CN113340296B (zh) | 2021-06-21 | 2021-06-21 | 一种自动更新移动机器人地图的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688684.9A CN113340296B (zh) | 2021-06-21 | 2021-06-21 | 一种自动更新移动机器人地图的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113340296A true CN113340296A (zh) | 2021-09-03 |
CN113340296B CN113340296B (zh) | 2024-04-09 |
Family
ID=77478691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688684.9A Active CN113340296B (zh) | 2021-06-21 | 2021-06-21 | 一种自动更新移动机器人地图的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113340296B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708292A (zh) * | 2022-01-05 | 2022-07-05 | 上海交通大学 | 一种对象状态估计方法、装置、计算设备和车辆的改进方法 |
CN115979248A (zh) * | 2023-03-17 | 2023-04-18 | 上海仙工智能科技有限公司 | 基于定位位姿为约束的地图更新方法及***、存储介质 |
CN115984504A (zh) * | 2023-03-21 | 2023-04-18 | 上海仙工智能科技有限公司 | 一种地图自动更新方法及***、存储介质 |
CN117589153A (zh) * | 2024-01-18 | 2024-02-23 | 深圳鹏行智能研究有限公司 | 一种地图更新的方法及机器人 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190056501A1 (en) * | 2017-08-15 | 2019-02-21 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for constructing reflectance map |
CN110689622A (zh) * | 2019-07-05 | 2020-01-14 | 电子科技大学 | 一种基于点云分割匹配闭环校正的同步定位与构图算法 |
CN110686677A (zh) * | 2019-10-10 | 2020-01-14 | 东北大学 | 一种基于几何信息的全局定位方法 |
CN110910389A (zh) * | 2019-10-30 | 2020-03-24 | 中山大学 | 一种基于图描述子的激光slam回环检测***及方法 |
CN111060113A (zh) * | 2019-12-31 | 2020-04-24 | 歌尔股份有限公司 | 一种地图更新方法及装置 |
WO2020154970A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Deep learning–based feature extraction for lidar localization of autonomous driving vehicles |
CN111856499A (zh) * | 2020-07-30 | 2020-10-30 | 浙江大华技术股份有限公司 | 基于激光雷达的地图构建方法和装置 |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
CN112147637A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康机器人技术有限公司 | 一种机器人重定位方法和装置 |
CN112950781A (zh) * | 2021-03-19 | 2021-06-11 | 中山大学 | 特种场景的多传感器动态加权融合的点云地图构建方法 |
-
2021
- 2021-06-21 CN CN202110688684.9A patent/CN113340296B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190056501A1 (en) * | 2017-08-15 | 2019-02-21 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for constructing reflectance map |
WO2020154970A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Deep learning–based feature extraction for lidar localization of autonomous driving vehicles |
CN112147637A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康机器人技术有限公司 | 一种机器人重定位方法和装置 |
CN110689622A (zh) * | 2019-07-05 | 2020-01-14 | 电子科技大学 | 一种基于点云分割匹配闭环校正的同步定位与构图算法 |
CN110686677A (zh) * | 2019-10-10 | 2020-01-14 | 东北大学 | 一种基于几何信息的全局定位方法 |
CN110910389A (zh) * | 2019-10-30 | 2020-03-24 | 中山大学 | 一种基于图描述子的激光slam回环检测***及方法 |
CN111060113A (zh) * | 2019-12-31 | 2020-04-24 | 歌尔股份有限公司 | 一种地图更新方法及装置 |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
CN111856499A (zh) * | 2020-07-30 | 2020-10-30 | 浙江大华技术股份有限公司 | 基于激光雷达的地图构建方法和装置 |
CN112950781A (zh) * | 2021-03-19 | 2021-06-11 | 中山大学 | 特种场景的多传感器动态加权融合的点云地图构建方法 |
Non-Patent Citations (2)
Title |
---|
周凯月;张建伟;: "融合反光柱的2D激光SLAM和高精度定位***", 现代计算机, no. 11, 15 April 2020 (2020-04-15) * |
王元华;李贻斌;汤晓;: "基于激光雷达的移动机器人定位和地图创建", 微计算机信息, no. 14 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708292A (zh) * | 2022-01-05 | 2022-07-05 | 上海交通大学 | 一种对象状态估计方法、装置、计算设备和车辆的改进方法 |
CN115979248A (zh) * | 2023-03-17 | 2023-04-18 | 上海仙工智能科技有限公司 | 基于定位位姿为约束的地图更新方法及***、存储介质 |
CN115979248B (zh) * | 2023-03-17 | 2023-08-18 | 上海仙工智能科技有限公司 | 基于定位位姿为约束的地图更新方法及***、存储介质 |
CN115984504A (zh) * | 2023-03-21 | 2023-04-18 | 上海仙工智能科技有限公司 | 一种地图自动更新方法及***、存储介质 |
CN117589153A (zh) * | 2024-01-18 | 2024-02-23 | 深圳鹏行智能研究有限公司 | 一种地图更新的方法及机器人 |
CN117589153B (zh) * | 2024-01-18 | 2024-05-17 | 深圳鹏行智能研究有限公司 | 一种地图更新的方法及机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN113340296B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113340296A (zh) | 一种自动更新移动机器人地图的方法及装置 | |
CN111882612B (zh) | 一种基于三维激光检测车道线的车辆多尺度定位方法 | |
Schuster et al. | Landmark based radar SLAM using graph optimization | |
KR102143108B1 (ko) | 차선 인식 모델링 방법, 장치, 저장 매체 및 기기, 및 인식 방법, 장치, 저장 매체 및 기기 | |
EP3321887A1 (en) | Urban road recognition method, apparatus, storage medium and device based on laser point cloud | |
CN113792699B (zh) | 一种基于语义点云的对象级快速场景识别方法 | |
CN108917761A (zh) | 一种无人车在地下车库中的精确定位方法 | |
CN110009029B (zh) | 基于点云分割的特征匹配方法 | |
CN113467456A (zh) | 一种未知环境下用于特定目标搜索的路径规划方法 | |
CN107741743A (zh) | 改进的图优化slam方法 | |
WO2021021862A1 (en) | Mapping and localization system for autonomous vehicles | |
Li et al. | Robust localization for intelligent vehicles based on compressed road scene map in urban environments | |
CN115388902A (zh) | 室内定位方法和***、ar室内定位导航方法和*** | |
CN104636724A (zh) | 一种基于目标一致性的车载相机快速行人车辆检测方法 | |
Meng et al. | Efficient and reliable LiDAR-based global localization of mobile robots using multiscale/resolution maps | |
CN116485856B (zh) | 一种基于语义分割的无人机图像地理配准方法及相关设备 | |
CN111239763A (zh) | 对象的定位方法、装置、存储介质和处理器 | |
CN113325389A (zh) | 一种无人车激光雷达定位方法、***及存储介质 | |
Nüchter et al. | Skyline-based registration of 3D laser scans | |
CN112925322B (zh) | 一种长期场景下无人车的自主定位方法 | |
Wang et al. | Pole-like objects mapping and long-term robot localization in dynamic urban scenarios | |
Kascha et al. | Requirement Analysis of Lidar Sensor Setups for Self-Localization in Automated Valet Parking | |
CN114459483B (zh) | 基于机器人导航用地标导航地图构建与应用方法、*** | |
Huang et al. | Semantic visual localization and mapping in the parking lot using direct method | |
CN113390422B (zh) | 汽车的定位方法、装置及计算机存储介质 |
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 |