CN113432533A - 一种机器人定位方法、装置、机器人及存储介质 - Google Patents
一种机器人定位方法、装置、机器人及存储介质 Download PDFInfo
- Publication number
- CN113432533A CN113432533A CN202110750179.2A CN202110750179A CN113432533A CN 113432533 A CN113432533 A CN 113432533A CN 202110750179 A CN202110750179 A CN 202110750179A CN 113432533 A CN113432533 A CN 113432533A
- Authority
- CN
- China
- Prior art keywords
- current
- robot
- laser
- matching
- determining
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供一种机器人定位方法、装置、机器人及存储介质,该方法包括:获取机器人的当前运行环境对应的当前激光点云和局部概率地图;根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;在当前存在激光退化时,根据所述当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;获取所述机器人的当前预测位置;根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息。上述方案提供的方法,通过根据激光退化情况,融合激光探测信息和预测位置信息,进而确定机器人的位姿信息,提高了机器人定位精度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种机器人定位方法、装置、机器人及存储介质。
背景技术
激光slam是目前最为广泛应用的机器人定位技术之一。在激光slam的中,存在一些具有挑战性的场景,会使定位精度降低,例如走廊、单边墙壁、圆形边界等。
现有的处理往往只能应对某一种场景,如长走廊,存在一种方法,利用点云提取先端,判断当前为长走廊,然后将预测的当前机器人位置与激光雷达扫描匹配后获取的航向相融合,获得融合后的机器人位姿。
但是,现有的对激光退化的处理,局限于预先确定的某个场景,以场景的特点为处理依据,适应性较差,导致机器人定位精度较低。
发明内容
本申请提供一种机器人定位方法、装置、机器人及存储介质,以解决现有技术的定位精度低等缺陷。
本申请第一个方面提供一种机器人定位方法,包括:
获取机器人的当前运行环境对应的当前激光点云和局部概率地图;
根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;
在当前存在激光退化时,根据所述当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;
获取所述机器人的当前预测位置;
根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息。
可选的,所述根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息,包括:
将所述激光退化方向确定为第一方向,将与所述激光退化方向相垂直的方向确定为第二方向;
将所述当前预测位置对应的第一方向坐标,确定为所述机器人的当前第一方向坐标;
根据各匹配点的位置信息,确定所述机器人的当前第二方向坐标;
根据各匹配点的角度信息,确定所述机器人的当前朝向;
根据所述机器人的当前第一方向坐标、当前第二方向坐标及当前朝向,确定所述当前位姿信息。
可选的,所述根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化,包括:
计算当前激光点云和局部概率地图之间的匹配值;
当所述匹配值大于预设的匹配值阈值时,将所述当前激光点云对应的采集点确定为匹配点;
当所述匹配点的个数超出第一预设阈值时,确定当前存在激光退化。
可选的,所述方法还包括:
当所述匹配点的个数大于第二预设阈值且小于第一预设阈值时,统计当前采集点对应的角度匹配点的个数;
当所述角度匹配点的个数超出第三预设阈值时,确定当前存在激光角度退化。
可选的,所述方法还包括:
获取所述机器人的当前预测朝向;
根据所述匹配点的位置信息,确定机器人的当前位置信息;
根据所述机器人的当前预测朝向和所述当前位置信息,确定所述机器人的当前位姿信息。
可选的,所述计算当前局部概率地图和历史局部概率地图之间的匹配值,包括:
根据如下公式确定所述匹配值Score:
Score=(P(x1,y1)+...+P(xi,yi)+...+P(xn,yn))/n
其中,(xi,yi)表示第i个点云在栅格中的坐标,P(xi,yi)表示第i个点云的栅格占用概率,n为扫描点云的个数。
可选的,获取机器人的当前运行环境对应的当前激光点云和局部概率地图包括:
获取机器人当前运行环境下的历史点云和雷达信号;
根据所述雷达信号,构建当前激光点云;
根据所述历史点云,构建所述局部概率地图。
本申请第二个方面提供一种机器人定位装置,包括:
第一获取模块,用于获取机器人的当前运行环境对应的当前激光点云和局部概率地图;
判断模块,用于根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;
确定模块,用于在当前存在激光退化时,根据所述当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;
第二获取模块,用于获取所述机器人的当前预测位置;
定位模块,用于根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息。
本申请第三个方面提供一种机器人,包括:激光雷达、预测位姿传感器、至少一个处理器和存储器;
所述激光雷达进行激光探测;
所述预测位姿传感器用于采集机器人的当前预测位置和当前预测朝向;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请技术方案,具有如下优点:
本申请提供的机器人定位方法、装置、机器人及存储介质,通过获取机器人的当前运行环境对应的当前激光点云和局部概率地图;根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;在当前存在激光退化时,根据所述当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;获取所述机器人的当前预测位置;根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息。上述方案提供的方法,通过根据激光退化情况,融合激光探测信息和预测位置信息,进而确定机器人的位姿信息,提高了机器人定位精度。
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,还可以根据这些附图获得其他的附图。
图1为本申请实施例基于的机器人定位***的结构示意图;
图2为本申请实施例提供的机器人定位方法的流程示意图;
图3为本申请实施例提供的一种示例性的机器人运行场景图;
图4为本申请实施例提供的另一种示例性的机器人运行场景图;
图5为本申请实施例提供的机器人定位装置的结构示意图;
图6为本申请实施例提供的机器人的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
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作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。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
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中不再赘述。下面将结合附图,对本发明实施例进行描述。
首先,对本申请所基于的机器人定位***的结构进行说明:
本申请实施例提供的机器人定位方法、装置、机器人及存储介质,适用于检测机器人的当前位姿信息。如图1所示,为本申请实施例基于的机器人定位***的结构示意图,主要包括数据采集装置和用于检测机器人的当前位姿信息的机器人定位装置,其中,数据采集装置及机器人定位装置均可以部署在机器人内部,在条件允许的情况下,二者也可以部署在其他电子设备上。具体地,由数据采集装置采集机器人的当前激光点云和局部概率地图,并将采集到的数据发送到机器人定位装置,以供机器人定位装置确定当前机器人的当前位姿信息。
本申请实施例提供了一种机器人定位方法,用于确定机器人位姿信息,本申请实施例的执行主体为部署在机器人内部的电子设备。
如图2所示,为本申请实施例提供的机器人定位方法的流程示意图,该方法包括:
步骤201,获取机器人的当前运行环境对应的当前激光点云和局部概率地图。
需要说明的是,机器人上安装有激光雷达,用于探测周围环境,当前激光点云可以是根据激光雷达的雷达信号生成的。局部概率地图是在激光点云不断生成的过程中逐步构建的,具体体现了机器人在整个运动过程中的周围环境,也就是机器人在当前时刻之前的历史激光点云的表现形式。
具体地,在一实施例中,可以获取机器人当前运行环境下的历史点云和雷达信号;根据雷达信号,构建当前激光点云;根据历史点云,构建局部概率地图。
示例性的,当一束激光照射到物体表面时,所反射的激光(雷达信号)会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描,便会边扫描边记录到反射的激光点信息,由于激光雷达扫描极为精细,则能够得到大量的激光点,因而就可形成激光点云。并且,随着激光点云的不断形成,可以构建对应的局部概率地图。
步骤202,根据当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化。
需要说明的是,当机器人行驶在长廊这样的场景下时,由于机器人在通过长廊的过程,每次得到的激光点云几乎相同,所以导致机器人难以根据雷达信号确定当前所在位姿点,此时则可以确定存在激光退化。
需要进一步说明的是,现有技术通常是根据检测到的场景信息(如当前在穿过长廊),来预测是否发生了激光退化,而场景信息的检测结果的可靠性难以保障,导致现有技术的激光退化判断结果准确性较低。然而本申请实施例是根据雷达信号的具体反馈和局部概率地图的匹配情况,来判断是否发生了激光退化,得到的判断结果的准确性更高。
步骤203,在当前存在激光退化时,根据当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向。
其中,上述匹配点是指机器人的某个位姿点,位姿点信息主要包括机器人的位置信息和朝向信息。
具体地,可以根据相匹配的位姿点的位置信息,确定机器人分别在哪些位姿点时存在激光退化,进而根据各匹配点的位置信息,确定激光退化方向。上述激光退化方向包括:位置的退化方向和/或角度的退化方向。例如,机器人在通过长廊的过程中,上述激光退化方向为位置的退化方向,激光退化方向为长廊的方向。
具体地,可以利用最小二乘直线拟合的方法,根据各匹配点的位置信息,确定激光退化方向。
步骤204,获取机器人的当前预测位置。
需要说明的是,机器人上还可以部署其他的预测位姿传感器,具体可以是里程计、惯性测量单元(英文:Inertial measurement unit,简称为IMU)等预测位姿传感器。
具体地,机器人在运动的过程中,预测位姿传感器会实时采集机器人的状态信息,进而预测机器人的位置。
步骤205,根据当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定机器人的当前位姿信息。
其中,机器人的位姿信息包括机器人位置坐标和朝向(角度信息)。
具体地,在确定了激光退化方向后,可以确定激光退化方向的位置坐标是不准确的,此时可以根据机器人的当前预测位置,确定机器人在激光退化方向的位置坐标。非退化方向的位置坐标,依然可以根据匹配点的位置信息来确定,机器人的朝向同样可以根据匹配点的角度信息来确定。本申请实施例结合了激光雷达在非退化方向的位置信息及其他预测位姿传感器采集的预测位置信息,消除了激光退化带来的定位干扰,提高了机器人定位精度。
具体地,在一实施例中,可以将激光退化方向确定为第一方向,将与激光退化方向相垂直的方向确定为第二方向;将当前预测位置对应的第一方向坐标,确定为机器人的当前第一方向坐标;根据各匹配点的位置信息,确定机器人的当前第二方向坐标;根据各匹配点的角度信息,确定机器人的当前朝向;根据机器人的当前第一方向坐标、当前第二方向坐标及当前朝向,确定当前位姿信息。
示例性的,若设机器人的位置坐标为(x,y),则第一方向可以指x轴方向,第二方向可以指y轴方向。
具体地,在机器人通过长廊,激光退化方向为通过长廊的路径方向(走廊方向)时,第一方向(例如,x轴方向)是走廊方向,第二方向(例如,y轴方向)是长廊的宽度方向。具体可以根据当前预测位置(x1,y1)确定机器人的y轴坐标,即y=y1,根据匹配点反映的位置信息(x2,y2)确定机器人的x轴方向,即x=x2,机器人的位置坐标为(x2,y1)。最后根据匹配点所反映的角度信息,确定机器人的当前朝向,结合机器人的位置坐标和当前朝向,确定机器人的当前位姿信息。
示例性的,如图3所示,本申请实施例提供的一种示例性的机器人运行场景图,机器人在一个长走廊场景下,激光呈现在走廊方向的退化,即激光与地图匹配,可以得到图中虚线所示的多个解。本申请实施例统计出了这多个解的拟合方向,即走廊方向,在该方向上使用其他传感器(预测位姿传感器)预测的位置,而角度和垂直与走廊方向的位置使用激光匹配的结果,最大程度利用激光可信任的信息,提高了机器人定位精度。另外,只有单边墙体的情况同理。
在上述实施例的基础上,为了进一步提高激光退化判断结果的可靠性,作为一种可实施的方式,在一实施例中,根据当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化,包括:
步骤2021,计算当前激光点云和局部概率地图之间的匹配值;
步骤2022,当匹配值大于预设的匹配值阈值时,将当前激光点云对应的采集点确定为匹配点;
步骤2023,当匹配点的个数超出第一预设阈值时,确定当前存在激光退化。
具体地,机器人每运行到一个位置,都会生成一个当前激光点云,然后计算当前激光点云与局部概率地图之间的匹配值(相似度),当匹配值大于匹配值阈值时,可以确定当前激光点云与局部概率地图相匹配,然后将机器人的当前位姿点确定为一个匹配点。经过不断重复匹配点检测操作,匹配点的数量可能会不断地增加,当其达到第一预设阈值时,可以确定当前存在激光退化。
具体地,在一实施例中,为了保障匹配值计算结果的可靠性,可以根据如下公式确定所述匹配值Score:
Score=(P(x1,y1)+...+P(xi,yi)+...+P(xn,yn))/n
其中,(xi,yi)表示第i个点云在栅格中的坐标,P(xi,yi)表示第i个点云的栅格占用概率,n为扫描点云的个数
其中,(xi,yi)表示第i个点云在栅格中的坐标,P(xi,yi)表示第i个点云的栅格占用概率,n为扫描点云的个数。
在上述实施例的基础上,由于激光退化不仅仅体现在位置坐标检测方面,现实中也可能会出现激光角度退化的情况,此时无法根据雷达信号确定机器人的当前朝向,同样会影响机器人定位精度。
因此,针对上述问题,可以当匹配点的个数大于第二预设阈值且小于第一预设阈值时,统计当前采集点对应的角度匹配点的个数;当角度匹配点的个数超出第三预设阈值时,确定当前存在激光角度退化。否则,确定当前不存在激光退化。
具体地,当匹配点的个数大于第二预设阈值且小于第一预设阈值时,可以确定该运行场景下定位条件良好,不存在激光位置退化。为了进一步判断其是否存在激光角度退化,统计当前采集点对应的角度匹配点的个数,即在机器人在当前采集点不移动的情况下,统计有哪些朝向的激光点云是相匹配的,并将相匹配的机器人朝向确定为角度匹配点。当角度匹配点的个数超出第三预设阈值时,确定当前存在激光角度退化,此时激光雷达所反馈的机器人朝向信息是不可信的。
其中,本申请实施例提出的第一预设阈值大于第二预设阈值,第三预设阈值与另外两个阈值之间的大小关系可以根据实际情况进行设定,各阈值的具体数值同样可以根据实际情况进行设定,本申请实施例不做限定。
进一步地,当激光退化方向为角度的退化方向,即,在确定当前存在激光角度退化时,还可以包括以下方法:获取机器人的当前预测朝向;根据匹配点的位置信息,确定机器人的当前位置信息;根据机器人的当前预测朝向和当前位置信息,确定机器人的当前位姿信息。
进一步地,为了弥补激光角度退化带来的朝向检测障碍,可以根据机器人上的预测位姿传感器(例如,IMU等其他预测位姿传感器)确定的当前预测朝向,确定机器人的当前朝向。其中,机器人的位置坐标(当前位置信息)依然可以根据匹配点的位置信息来确定。
示例性的,如图4所示,本申请实施例提供的另一种示例性的机器人运行场景图,机器人在圆环中(如圆形边界场景),激光匹配得到的位置稳定,但角度(朝向)有任意多个解,此时通过使用其他传感器预测的角度和激光匹配的位置,保证定位精度。
类似地,当激光退化方向包括:角度的退化方向和位置的退化方向,即,在确定当前存在激光位置退化以及激光角度退化时,可以完全使用其他传感器的预测位置值和预测角度值,直到激光数据恢复可信时,再选择激光数据进行机器人定位。
在一实施例中,当机器人运行在空旷场景下,机器人激光无法扫描到障碍物,则激光和地图匹配分数低于阈值,此时可以完全使用其他传感器的预测值,直到激光数据恢复可信时,再选择激光数据进行机器人定位。
本申请实施例提供机器人定位方法,通过获取机器人的当前运行环境对应的当前激光点云和局部概率地图;根据当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;在当前存在激光退化时,根据当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;获取机器人的当前预测位置;根据当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定机器人的当前位姿信息。上述方案提供的方法,通过根据激光退化情况,融合激光探测信息和预测位置信息,确定机器人的位姿信息,提高了机器人定位精度。并且,通过提高激光退化判断结果的可靠性,为进一步提高机器人定位精度奠定了基础。
本申请实施例提供了一种机器人定位装置,用于执行上述实施例提供的机器人定位方法。
如图5所示,为本申请实施例提供的机器人定位装置的结构示意图。该装置50包括第一获取模块501、判断模块502、确定模块503、第二获取模块504和定位模块505。
其中,第一获取模块501,用于获取机器人的当前运行环境对应的当前激光点云和局部概率地图;判断模块502,用于根据当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;确定模块503,用于在当前存在激光退化时,根据当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;第二获取模块504,用于获取机器人的当前预测位置;定位模块505,用于根据当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定机器人的当前位姿信息。
关于本实施例中的机器人定位装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请实施例提供的机器人定位装置,用于执行上述实施例提供的机器人定位方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种机器人,用于执行上述实施例提供的机器人定位方法。
如图6所示,为本申请实施例提供的机器人的结构示意图。该机器人60包括:至少一个处理器61、存储器62、激光雷达63和预测位姿传感器64;
激光雷达用于激光探测;预测位姿传感器用于采集机器人的当前预测位置和当前预测朝向;存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上实施例提供的机器人定位方法。
本申请实施例提供的一种机器人,用于执行上述实施例提供的机器人定位方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上任一实施例提供的机器人定位方法。
本申请实施例的包含计算机可执行指令的存储介质,可用于存储前述实施例中提供的机器人定位方法的计算机执行指令,其实现方式与原理相同,不再赘述。
在本申请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,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,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。
所述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。
另外,在本申请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,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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 (10)
1.一种机器人定位方法,其特征在于,包括:
获取机器人的当前运行环境对应的当前激光点云和局部概率地图;
根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;
在当前存在激光退化时,根据所述当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;
获取所述机器人的当前预测位置;
根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息,包括:
将所述激光退化方向确定为第一方向,将与所述激光退化方向相垂直的方向确定为第二方向;
将所述当前预测位置对应的第一方向坐标,确定为所述机器人的当前第一方向坐标;
根据各匹配点的位置信息,确定所述机器人的当前第二方向坐标;
根据各匹配点的角度信息,确定所述机器人的当前朝向;
根据所述机器人的当前第一方向坐标、当前第二方向坐标及当前朝向,确定所述当前位姿信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化,包括:
计算当前激光点云和局部概率地图之间的匹配值;
当所述匹配值大于预设的匹配值阈值时,将所述当前激光点云对应的采集点确定为匹配点;
当所述匹配点的个数超出第一预设阈值时,确定当前存在激光退化。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
当所述匹配点的个数大于第二预设阈值且小于第一预设阈值时,统计当前采集点对应的角度匹配点的个数;
当所述角度匹配点的个数超出第三预设阈值时,确定当前存在激光角度退化。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述机器人的当前预测朝向;
根据所述匹配点的位置信息,确定机器人的当前位置信息;
根据所述机器人的当前预测朝向和所述当前位置信息,确定所述机器人的当前位姿信息。
6.根据权利要求3所述的方法,其特征在于,所述计算当前局部概率地图和历史局部概率地图之间的匹配值,包括:
根据如下公式确定所述匹配值Score:
Score=(P(x1,y1)+...+P(xi,yi)+...+P(xn,yn))/n
其中,(xi,yi)表示第i个点云在栅格中的坐标,P(xi,yi)表示第i个点云的栅格占用概率,n为扫描点云的个数。
7.根据权利要求1所述的方法,其特征在于,获取机器人的当前运行环境对应的当前激光点云和局部概率地图包括:
获取机器人当前运行环境下的历史点云和雷达信号;
根据所述雷达信号,构建当前激光点云;
根据所述历史点云,构建所述局部概率地图。
8.一种机器人定位装置,其特征在于,包括:
第一获取模块,用于获取机器人的当前运行环境对应的当前激光点云和局部概率地图;
判断模块,用于根据所述当前激光点云和局部概率地图之间的匹配情况,判断当前是否存在激光退化;
确定模块,用于在当前存在激光退化时,根据所述当前激光点云和局部概率地图之间的匹配点的位置信息,确定激光退化方向;
第二获取模块,用于获取所述机器人的当前预测位置;
定位模块,用于根据所述当前预测位置、激光退化方向、各匹配点的位置信息及各匹配点的角度信息,确定所述机器人的当前位姿信息。
9.一种机器人,其特征在于,包括:激光雷达、预测位姿传感器、至少一个处理器和存储器;
所述激光雷达进行激光探测;
所述预测位姿传感器用于采集机器人的当前预测位置和当前预测朝向;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021106790297 | 2021-06-18 | ||
CN202110679029 | 2021-06-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113432533A true CN113432533A (zh) | 2021-09-24 |
CN113432533B CN113432533B (zh) | 2023-08-15 |
Family
ID=77758885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110750179.2A Active CN113432533B (zh) | 2021-06-18 | 2021-07-02 | 一种机器人定位方法、装置、机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113432533B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113978512A (zh) * | 2021-11-03 | 2022-01-28 | 北京埃福瑞科技有限公司 | 轨道列车定位方法及装置 |
CN114199233A (zh) * | 2021-11-08 | 2022-03-18 | 北京旷视科技有限公司 | 位姿确定方法及可移动设备 |
CN115267796A (zh) * | 2022-08-17 | 2022-11-01 | 深圳市普渡科技有限公司 | 定位方法、装置、机器人和存储介质 |
CN117073690A (zh) * | 2023-10-17 | 2023-11-17 | 山东大学 | 一种基于多地图策略的导航方法及*** |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991683A (zh) * | 2017-11-08 | 2018-05-04 | 华中科技大学 | 一种基于激光雷达的机器人自主定位方法 |
CN109579849A (zh) * | 2019-01-14 | 2019-04-05 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
US20190146062A1 (en) * | 2017-11-15 | 2019-05-16 | Baidu Online Network Technology (Beijing) Co., Ltd | Laser point cloud positioning method and system |
CN111077495A (zh) * | 2019-12-10 | 2020-04-28 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
CN111337011A (zh) * | 2019-12-10 | 2020-06-26 | 亿嘉和科技股份有限公司 | 一种基于激光和二维码融合的室内定位方法 |
CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
CN111508021A (zh) * | 2020-03-24 | 2020-08-07 | 广州视源电子科技股份有限公司 | 一种位姿确定方法、装置、存储介质及电子设备 |
CN111536964A (zh) * | 2020-07-09 | 2020-08-14 | 浙江大华技术股份有限公司 | 机器人定位方法及装置、存储介质 |
CN111582566A (zh) * | 2020-04-26 | 2020-08-25 | 上海高仙自动化科技发展有限公司 | 路径规划方法及规划装置、智能机器人及存储介质 |
WO2020211655A1 (zh) * | 2019-04-17 | 2020-10-22 | 北京迈格威科技有限公司 | 激光粗配准方法、装置、移动终端及存储介质 |
CN112123343A (zh) * | 2020-11-25 | 2020-12-25 | 炬星科技(深圳)有限公司 | 点云匹配方法、设备及存储介质 |
CN112612029A (zh) * | 2020-12-24 | 2021-04-06 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合ndt和icp的栅格地图定位方法 |
CN112698345A (zh) * | 2020-12-04 | 2021-04-23 | 江苏科技大学 | 一种激光雷达的机器人同时定位与建图优化方法 |
CN112862874A (zh) * | 2021-04-23 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 点云数据匹配方法、装置、电子设备及计算机存储介质 |
WO2021104497A1 (zh) * | 2019-11-29 | 2021-06-03 | 广州视源电子科技股份有限公司 | 基于激光雷达的定位方法及***、存储介质和处理器 |
CN112904369A (zh) * | 2021-01-14 | 2021-06-04 | 深圳市杉川致行科技有限公司 | 机器人重定位方法、装置、机器人和计算机可读存储介质 |
CN112904358A (zh) * | 2021-01-21 | 2021-06-04 | 中国人民解放军军事科学院国防科技创新研究院 | 基于几何信息的激光定位方法 |
CN112923933A (zh) * | 2019-12-06 | 2021-06-08 | 北理慧动(常熟)车辆科技有限公司 | 一种激光雷达slam算法与惯导融合定位的方法 |
-
2021
- 2021-07-02 CN CN202110750179.2A patent/CN113432533B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991683A (zh) * | 2017-11-08 | 2018-05-04 | 华中科技大学 | 一种基于激光雷达的机器人自主定位方法 |
US20190146062A1 (en) * | 2017-11-15 | 2019-05-16 | Baidu Online Network Technology (Beijing) Co., Ltd | Laser point cloud positioning method and system |
CN109579849A (zh) * | 2019-01-14 | 2019-04-05 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
WO2020211655A1 (zh) * | 2019-04-17 | 2020-10-22 | 北京迈格威科技有限公司 | 激光粗配准方法、装置、移动终端及存储介质 |
WO2021104497A1 (zh) * | 2019-11-29 | 2021-06-03 | 广州视源电子科技股份有限公司 | 基于激光雷达的定位方法及***、存储介质和处理器 |
CN112923933A (zh) * | 2019-12-06 | 2021-06-08 | 北理慧动(常熟)车辆科技有限公司 | 一种激光雷达slam算法与惯导融合定位的方法 |
CN111077495A (zh) * | 2019-12-10 | 2020-04-28 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
CN111337011A (zh) * | 2019-12-10 | 2020-06-26 | 亿嘉和科技股份有限公司 | 一种基于激光和二维码融合的室内定位方法 |
CN111508021A (zh) * | 2020-03-24 | 2020-08-07 | 广州视源电子科技股份有限公司 | 一种位姿确定方法、装置、存储介质及电子设备 |
CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
CN111582566A (zh) * | 2020-04-26 | 2020-08-25 | 上海高仙自动化科技发展有限公司 | 路径规划方法及规划装置、智能机器人及存储介质 |
CN111536964A (zh) * | 2020-07-09 | 2020-08-14 | 浙江大华技术股份有限公司 | 机器人定位方法及装置、存储介质 |
CN112123343A (zh) * | 2020-11-25 | 2020-12-25 | 炬星科技(深圳)有限公司 | 点云匹配方法、设备及存储介质 |
CN112698345A (zh) * | 2020-12-04 | 2021-04-23 | 江苏科技大学 | 一种激光雷达的机器人同时定位与建图优化方法 |
CN112612029A (zh) * | 2020-12-24 | 2021-04-06 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合ndt和icp的栅格地图定位方法 |
CN112904369A (zh) * | 2021-01-14 | 2021-06-04 | 深圳市杉川致行科技有限公司 | 机器人重定位方法、装置、机器人和计算机可读存储介质 |
CN112904358A (zh) * | 2021-01-21 | 2021-06-04 | 中国人民解放军军事科学院国防科技创新研究院 | 基于几何信息的激光定位方法 |
CN112862874A (zh) * | 2021-04-23 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 点云数据匹配方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (12)
Title |
---|
危双丰 等: "基于激光雷达的同时定位与地图构建方法综述", 《计算机应用研究》 * |
危双丰 等: "基于激光雷达的同时定位与地图构建方法综述", 《计算机应用研究》, no. 02, 31 December 2020 (2020-12-31), pages 13 - 18 * |
吴华 等: "基于增量式路标表观学习的移动机器人定位", 北京航空航天大学学报, no. 06, pages 81 - 85 * |
周凯月 等: "融合反光柱的2D激光SLAM和高精度定位***", 《现代计算机》 * |
周凯月 等: "融合反光柱的2D激光SLAM和高精度定位***", 《现代计算机》, no. 11, 30 April 2020 (2020-04-30), pages 4 - 8 * |
李鑫 等: "基于多分辨率搜索与多点云密度匹配的快速ICP-SLAM方法", 《机器人》 * |
李鑫 等: "基于多分辨率搜索与多点云密度匹配的快速ICP-SLAM方法", 《机器人》, no. 05, 31 December 2020 (2020-12-31), pages 73 - 84 * |
王美玲 等: "用于自主车导航的快速室内地图构建方法", 红外与激光工程, no. 3, pages 265 - 270 * |
纪嘉文 等: "一种基于多传感融合的室内建图和定位算法", 《成都信息工程大学学报》 * |
纪嘉文 等: "一种基于多传感融合的室内建图和定位算法", 《成都信息工程大学学报》, no. 04, 31 August 2018 (2018-08-31), pages 51 - 58 * |
蒋秉川 等: "机器人超高分辨率立体网格导航地图建模研究", 《***仿真学报》 * |
蒋秉川 等: "机器人超高分辨率立体网格导航地图建模研究", 《***仿真学报》, no. 11, 30 November 2017 (2017-11-30), pages 112 - 119 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113978512A (zh) * | 2021-11-03 | 2022-01-28 | 北京埃福瑞科技有限公司 | 轨道列车定位方法及装置 |
CN113978512B (zh) * | 2021-11-03 | 2023-11-24 | 北京埃福瑞科技有限公司 | 轨道列车定位方法及装置 |
CN114199233A (zh) * | 2021-11-08 | 2022-03-18 | 北京旷视科技有限公司 | 位姿确定方法及可移动设备 |
CN114199233B (zh) * | 2021-11-08 | 2024-04-05 | 北京旷视科技有限公司 | 位姿确定方法及可移动设备 |
CN115267796A (zh) * | 2022-08-17 | 2022-11-01 | 深圳市普渡科技有限公司 | 定位方法、装置、机器人和存储介质 |
CN115267796B (zh) * | 2022-08-17 | 2024-04-09 | 深圳市普渡科技有限公司 | 定位方法、装置、机器人和存储介质 |
CN117073690A (zh) * | 2023-10-17 | 2023-11-17 | 山东大学 | 一种基于多地图策略的导航方法及*** |
CN117073690B (zh) * | 2023-10-17 | 2024-03-15 | 山东大学 | 一种基于多地图策略的导航方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113432533B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113432533A (zh) | 一种机器人定位方法、装置、机器人及存储介质 | |
CN110632921B (zh) | 机器人路径规划方法、装置、电子设备和存储介质 | |
CN109490825B (zh) | 定位导航方法、装置、设备、***及存储介质 | |
CN111258320B (zh) | 一种机器人避障的方法及装置、机器人、可读存储介质 | |
US20180113234A1 (en) | System and method for obstacle detection | |
JP2012225806A (ja) | 道路勾配推定装置及びプログラム | |
CN107843252B (zh) | 导航路径优化方法、装置及电子设备 | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
US20200064481A1 (en) | Autonomous mobile device, control method and storage medium | |
CN111308500A (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
CN112686951A (zh) | 用于确定机器人位置的方法、装置、终端及存储介质 | |
CN110426714B (zh) | 一种障碍物识别方法 | |
CN113768419B (zh) | 确定扫地机清扫方向的方法、装置及扫地机 | |
Yao et al. | LiDAR-based simultaneous multi-object tracking and static mapping in nearshore scenario | |
CN113376638A (zh) | 一种无人物流小车环境感知方法及*** | |
CN113625232A (zh) | 雷达检测中多径虚假目标抑制方法、装置、介质和设备 | |
CN114488178A (zh) | 定位方法及设备 | |
CN111781606A (zh) | 一种新型激光雷达和超声波雷达融合的小型化实现方法 | |
CN111780744A (zh) | 移动机器人混合导航方法、设备及存储装置 | |
CN114147707B (zh) | 一种基于视觉识别信息的机器人对接方法与设备 | |
CN115507840A (zh) | 一种栅格地图构建方法、栅格地图构建装置及电子设备 | |
CN112344966B (zh) | 一种定位失效检测方法、装置、存储介质及电子设备 | |
US11267130B2 (en) | Robot localization method and apparatus and robot using the same |
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 |