CN114131604A - 机器人的状态确定方法及装置、机器人及存储介质 - Google Patents
机器人的状态确定方法及装置、机器人及存储介质 Download PDFInfo
- Publication number
- CN114131604A CN114131604A CN202111475203.2A CN202111475203A CN114131604A CN 114131604 A CN114131604 A CN 114131604A CN 202111475203 A CN202111475203 A CN 202111475203A CN 114131604 A CN114131604 A CN 114131604A
- Authority
- CN
- China
- Prior art keywords
- robot
- state
- information
- noise
- actual
- 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 61
- 238000005259 measurement Methods 0.000 claims abstract description 139
- 230000007704 transition Effects 0.000 claims description 83
- 238000013507 mapping Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 26
- 239000006185 dispersion Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 125000004432 carbon atom Chemical group C* 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/088—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices with position, velocity or acceleration sensors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/02—Sensing devices
- B25J19/04—Viewing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J5/00—Manipulators mounted on wheels or on carriages
- B25J5/007—Manipulators mounted on wheels or on carriages mounted on wheels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1692—Calibration of manipulator
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本申请公开了一种机器人的状态确定方法及装置、机器人及存储介质,其中,机器人的状态确定方法包括:获取机器人的参考信息;其中,参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息;基于参考信息,确定机器人的状态噪声;利用状态噪声,得到机器人对应当前时刻的实际状态信息。上述方案,能够提高机器人状态确定的准确性。
Description
技术领域
本申请是申请人于2020年8月26日提出的名为“机器人的状态确定方法及装置、机器人及存储介质”、申请号为2020108726623的专利申请的分案申请,本申请涉及机器人技术领域,特别是涉及一种机器人的状态确定方法及装置、机器人及存储介质。
背景技术
随着电子技术和计算机技术的发展,将机器人应用于快件配送、服务引导、酒店送餐等,逐渐受到广泛的关注。
然而,机器人在行驶过程中,难免会受到干扰,例如,自由空间广泛存在的白噪声,甚至干扰信号,从而影响机器人正常行驶,严重时,机器人甚至会出现失控、打滑等现象。有鉴于此,如何提高机器人状态确定的准确性成为亟待解决的问题。
发明内容
本申请提供一种机器人的状态确定方法及装置、机器人及存储介质。
本申请第一方面提供了一种机器人的状态确定方法,包括:获取机器人的参考信息;其中,参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息;基于参考信息,确定机器人的状态噪声;利用状态噪声,得到机器人对应当前时刻的实际状态信息;其中,利用状态噪声,得到机器人对应当前时刻的实际状态信息包括:基于状态噪声确定滤波增益;利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息;将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,得到机器人对应当前时刻的实际状态信息。
因此,通过获取机器人的参考信息,且参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息,并基于参考信息,确定机器人的状态噪声,从而利用状态噪声,得到机器人对应当前时刻的实际状态信息,进而能够在确定状态过程中,能够无需利用大量粒子进行模拟,有利于提高状态确定的速度。另外,该状态噪声是根据若干时刻的测量状态信息和/或当前时刻的实际行驶信息确定,能够从机器人外部测量角度和/或机器人自身状态角度衡量噪声,从而能够使得状态噪声与实际情况更加贴近,进而提高后续确定的实际状态信息的准确性。此外,利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,并将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,能够增强对于外部信号的鲁棒性,从而准确地确定对应当前时刻的实际状态信息。
其中,基于参考信息,确定机器人的状态噪声包括:利用对应当前时刻及其之前若干时刻的测量状态信息,确定机器人的测量干扰噪声;和/或,利用当前时刻的实际行驶信息,确定机器人的状态转移噪声。
因此,利用对应当前时刻及其之前若干时刻的测量状态信息,确定机器人的测量干扰噪声,故此,能够从外部测量角度确定机器人的噪声,从而能够衡量机器人在行驶过程中外部的干扰;利用当前时刻的实际行驶信息,确定机器人的状态转移噪声,故此,能够从机器人自身状态的角度确定机器人的噪声,从而能够衡量机器人在行驶过程中内部的干扰。
其中,用对应当前时刻及其之前若干时刻的测量状态信息,确定机器人的测量干扰噪声包括:获取当前时刻及其之前若干时刻的测量状态信息的离散程度;利用离散程度,确定测量干扰噪声。
因此,利用当前时刻及其之前若干时刻的测量状态信息的离散程度,并利用离散程度确定测量干扰噪声,能够准确地衡量机器人在行驶过程中外部的干扰。
其中,当前时刻及其之前若干时刻的测量状态信息的离散程度为当前时刻及其之前若干时刻的测量状态信息的标准差;和/或,利用离散程度,确定测量干扰噪声,包括:将离散程度与预设增益参数之间的积作为测量干扰噪声。
因此,通过将当前时刻及其之前若干时刻的测量状态信息的离散程度设置为当前时刻及其之前若干时刻的测量状态信息的标准差,能够有利于降低确定离散程度的复杂度和计算量,有利于提高状态确定的速度;将离散程度与预设增益参数之间的积作为测量干扰噪声,能够有利于提高测量干扰噪声的准确性,有利于提高状态确定的精度。
其中,实际行驶信息包括机器人的行驶角度信息、电机驱动信息和行驶速度信息;利用当前时刻的实际行驶信息,确定机器人的状态转移噪声包括:利用第一状态噪声和第二状态噪声中的至少一者,得到机器人的状态转移噪声;其中,第一状态噪声是利用行驶角度信息和行驶速度信息确定得到的,第二状态噪声是利用电机驱动信息和行驶速度信息确定得到的。
因此,将实际行驶信息设置为包括机器人的行驶角度信息、电机驱动信息和行驶速度信息,从而利用第一状态噪声和第二状态噪声中的至少一者,得到机器人的状态转移噪声,且第一状态噪声是利用行驶角度信息和行驶速度信息确定得到的,第二状态噪声是利用电机驱动信息和行驶速度信息确定得到的,能够有利于提高状态转移噪声的准确性。
其中,机器人包括驱动轮和转向轮,驱动轮用于驱动机器人行驶,转向轮用于改变机器人的行驶方向,行驶速度信息包括机器人驱动轮间的实际速度差,行驶角度信息包括机器人转向轮的实际转向角度;在利用第一状态噪声和第二状态噪声中的至少一者,得到机器人的状态转移噪声之前,还包括:利用速度差与转向角度之间的第一映射关系对实际转向角度进行映射处理,得到与实际转向角度对应的理论速度差;利用实际速度差与理论速度差之间的差异,确定第一状态噪声;和/或,机器人包括驱动轮,驱动轮用于驱动机器人行驶,行驶速度信息包括机器人驱动轮的实际平均速度,电机驱动信息包括机器人电机的实际平均驱动信号值;在利用第一状态噪声和第二状态噪声中的至少一者,得到机器人的状态转移噪声之前,还包括:利用平均速度与平均驱动信号值之间的第二映射关系对实际平均驱动信号值进行映射处理,得到与实际平均驱动信号值对应的理论平均速度;利用实际平均速度和理论平均速度之间的差异,确定第二状态噪声。
因此,机器人包括驱动轮和转向轮,驱动轮用于驱动机器人行驶,转向轮用于改变机器人的行驶方向,并将行驶速度信息设置为包括机器人驱动轮间的实际速度差,行驶角度信息设置为包括机器人转向轮的实际转向角度,从而利用速度差与转向角度之间的第一映射关系对实际转向角度进行映射处理,得到与实际转向角度对应的理论速度差,并利用实际速度差与理论速度差之间的差异,确定第一状态噪声,故能够从机器人转向轮的角度,确定机器人的第一状态噪声;机器人包括驱动轮,驱动轮用于驱动机器人行驶,并将行驶速度信息设置为包括机器人驱动轮的实际平均速度,电机驱动信息设置为包括机器人电机的实际平均驱动信号值,从而利用平均速度与平均驱动信号值之间的第二映射关系对实际平均驱动信号值进行映射处理,得到与实际平均驱动信号值对应的理论平均速度,并利用实际平均速度和理论平均速度之间的差异,确定第二状态噪声,故能够从机器人驱动轮的角度,确定机器人的第二状态噪声。
其中,利用实际速度差与理论速度差之间的差异,确定第一状态噪声,包括:将实际速度差与理论速度差之间的差的平方作为第一状态噪声;利用实际平均速度和理论平均速度之间的差异,确定第二状态噪声,包括:将实际平均速度和理论平均速度之间的差的平方作为第二状态噪声。
因此,将将实际速度差与理论速度差之间的差的平方作为第一状态噪声,将实际平均速度和理论平均速度之间的差的平方作为第二状态噪声,能够降低第一状态噪声和第二状态噪声计算的复杂度和计算量,有利于提高状态确定的速度。
其中,状态噪声包括状态转移噪声和测量干扰噪声,基于状态噪声确定滤波增益,包括:利用机器人的状态转移参数和状态转移噪声,处理对应之前时刻的后验估计协方差,得到对应当前时刻的先验估计协方差;利用状态信息与测量信息之间的变换参数和测量干扰噪声,处理对应当前时刻的先验估计协方差,得到对应当前时刻的滤波增益;利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,包括:利用机器人的状态转移参数和输入状态转移参数,分别对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行处理,得到对应当前时刻的预测状态信息。
其中,在将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,得到机器人对应当前时刻的实际状态信息之后,方法还包括:利用滤波增益和变换参数,更新对应当前时刻的先验估计协方差,得到对应当前时刻的后验估计协方差,并重新执行利用机器人的状态转移参数和状态转移噪声,处理对应之前时刻的后验估计协方差,得到对应当前时刻的先验估计协方差的步骤以及后续步骤,以确定对应下一时刻的实际状态信息。
因此,通过对对应当前时刻的先验估计协方差进行更新,得到对应当前时刻的后验估计协方差,故重复上述步骤,能够确定对应下一时刻的实际状态信息,如此循环,可以在机器人行驶过程中,确定机器人对应各个时刻的实际状态信息。
其中,在基于参考信息,确定机器人的状态噪声之后,方法还包括:若状态噪声不满足预设噪声条件,则进行预设提示。
因此,在状态噪声不满足预设噪声条件时,进行预设提示,能够使用户感知异常的状态噪声,提高用户体验。
其中,状态噪声包括:利用当前时刻及其之前若干时刻的测量状态信息得到的测量干扰噪声,预设噪声条件包括:测量干扰噪声小于第一噪声阈值,若状态噪声不满足预设噪声条件,则进行预设提示包括:若测量干扰噪声不满足预设噪声条件,则输出第一预警消息,以提示状态测量受到干扰;和/或,状态噪声包括:利用当前时刻的实际行驶信息得到的状态转移噪声,预设噪声条件包括:状态转移噪声小于第二噪声阈值;若状态噪声不满足预设噪声条件,则进行预设提示包括:若状态转移噪声不满足预设噪声条件,则输出第二预警消息,以提示机器人存在车体打滑风险。
因此,在测量干扰噪声不满足预设条件时,输出第一预警消息,以提示状态测量受到干扰,从而能够在状态测量受到干扰时,使用户及时感知,提高用户体验;在状态转移噪声不满足预设条件时,输出第二预警消息,以提示机器人存在车体打滑风险,从而能够在机器人出现车体打滑风险时,使用户及时感知,提高用户体验。
其中,获取机器人的参考信息,包括:对机器人周边环境进行图像采集,得到对应当前时刻的环境图像数据;基于当前时刻的环境图像数据,确定机器人对应当前时刻的测量状态信息;测量状态信息和实际状态信息均包括以下至少一者:机器人的位置、机器人的姿态、机器人的速度。
因此,通过对机器人周边环境进行图像采集,得到对应当前时刻的环境图像户数,并基于当前时刻的环境图像数据,确定机器人对应当前时刻的测量状态信息,且将测量状态信息和实际状态信息设置为均包含机器人的位置、机器人的姿态和机器人的速度中的至少一者,从而能够快速获取到机器人对应当前时刻的测量状态信息,进而能够有利于提高机器人状态确定的速度。
本申请第二方面提供了一种机器人的状态确定装置,包括:测量状态获取模块、状态噪声确定模块和实际状态获取模块,测量状态获取模块用于获取机器人的参考信息;其中,参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息,机器人对应当前时刻的实际行驶信息;状态噪声确定模块用于基于参考信息,确定机器人的状态噪声;实际状态获取模块用于利用位姿噪声,得到机器人对应当前时刻的实际状态信息;其中,实际状态获取模块用于基于状态噪声确定滤波增益,并利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到当前时刻的预测状态信息,以及将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,得到机器人对应当前时刻的实际状态信息。
本申请第三方面提供了一种机器人,包括机器人本体以及设置在机器人本体上的存储器和处理器,存储器和处理器相互耦接,处理器用于执行存储器中存储的程序指令,以实现上述第一方面中的状态确定方法。
本申请第四方面提供了一种计算机可读存储介质,其上存储有程序指令,程序指令被处理器执行时实现上述第一方面中的状态确定方法。
上述方案,通过获取机器人的参考信息,且参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息,并基于参考信息,确定机器人的状态噪声,从而利用状态噪声,得到机器人对应当前时刻的实际状态信息,进而能够在确定状态过程中,能够无需利用大量粒子进行模拟,有利于提高状态确定的速度。另外,该状态噪声是根据已获得的若干测量状态信息和/或当前实际行驶信息确定,能够从机器人外部测量角度和/或机器人自身状态角度衡量噪声,从而能够使得状态噪声与实际情况更加贴近,进而提高后续确定的实际状态信息的准确性。此外,利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,并将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,能够增强对于外部信号的鲁棒性,从而准确地确定对应当前时刻的实际状态信息。
附图说明
图1是本申请机器人的状态确定方法一实施例的流程示意图;
图2是利用卡尔曼滤波确定机器人实际状态信息的流程示意图;
图3是本申请机器人的状态确定装置一实施例的框架示意图;
图4是本申请机器人一实施例的框架示意图;
图5是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“***”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请机器人的状态确定方法一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:获取机器人的参考信息。
本公开实施例中,机器人的参考信息可以包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息。
需要说明的是,机器人的状态在不同时刻可能发生变化,例如,机器人在当前时刻相对于前一时刻发生了移动,当然,在其他应用场景中,机器人的状态也可能未发生变化,具体可以根据机器人的实际操作情况进行确定。针对于此,机器人需确定其在不同时刻下的实际状态,以便于进行后续操作。
本公开实施例中,为了确定机器人对应当前时刻的实际状态信息,可先获取对应当前时刻的测量状态信息,从而基于本公开实施例中的步骤,利用对应当前时刻的测量状态信息,得到对应当前时刻的实际状态信息。可以理解的是,本文所述的对应某个时刻的信息,并不一定是在该时刻获得,有可能是该时刻附近所获得的。例如,对应当前时刻的测量状态信息可以是在当前时刻获取到的,在考虑通信时延时,对应当前时刻的测量状态信息也可以是在当前时刻的前若干时刻(例如,前0.5秒、前1秒等)获取到的,在此不做限定。
在一个公开实施场景中,测量状态信息是对机器人进行状态测量所得到的,在一个公开实施场景中,可以对机器人周边环境进行采集,得到对应当前时刻的环境图像数据,基于当前时刻的环境图像数据,确定机器人对应当前时刻的测量状态信息。例如,可以通过机器人行驶环境中所安装的摄像器件对机器人周围环境进行图像采集;或者,也可以通过机器人上安装的摄像器件对周边环境进行图像采集,在此不做限定。具体地,为了准确地描述机器人的状态,机器人的测量状态信息和实际状态信息可以包括:机器人的位置、机器人的状态、机器人的速度中的至少一者。例如,机器人的位置可以包括机器人具体所在的位置坐标(如,经纬度)、机器人的状态可以包括机器人行驶状态(如,加速度)。以测量状态信息包括机器人的位置和机器人的速度为例,为了便于描述,可以将对应当前时刻的测量状态信息表示为:
上式中,zk表示机器人对应当前时刻k的测量状态信息,p表示测量状态信息中机器人的位置,v表示测量状态信息中机器人的速度。
类似地,以实际状态信息包括机器人的位置和机器人的速度为例,为了便于描述,可以将对应当前时刻的实际状态信息表示为:
此外,机器人对应若干时刻的测量状态信息具体可以包括机器人对应当前时刻及其之前若干时刻的测量状态信息。以当前时刻为k时刻为例,当前时刻之前若干时刻具体可以表示为k时刻之前n个时刻,n的取值可以根据实际应用需要进行设置。例如,n可以为5、10、15等等,在此不做限定。
在另一个公开实施场景中,实际行驶信息可以包括机器人的行驶角度信息、电机驱动信息和行驶速度信息。具体地,行驶角度信息可以从机器人的舵机控制记录中获取,机器人可以包括转向轮,机器人的舵机用于驱动机器人的转向轮以一定的角度转向,电机驱动信息可以从机器人的电机控制记录中获取,机器人还可以包括驱动轮,机器人的电机用于驱动机器人的驱动轮以一定的速度移动,行驶速度信息可以从机器人编码器中获取。
步骤S12:基于参考信息,确定机器人的状态噪声。
机器人的状态噪声表示机器人在行驶过程中对其状态产生影响的噪声,例如,机器人在从某一状态转移到另一状态时所产生的状态转移噪声;或者,机器人接收测量状态信息过程中所产生的测量干扰噪声,在此不做限定。
在一个公开实施场景中,可以利用对应当前时刻及其之前若干时刻的测量状态信息,确定机器人的测量干扰噪声。当前时刻之前若干时刻可以参考前述描述,在此不再赘述。。故此,能够从外部测量角度确定机器人的噪声,从而能够衡量机器人在行驶过程中外部的干扰。
在一个具体的公开实施场景中,可以获取当前时刻及其之前若干时刻的测量状态信息的离散程度,利用离散程度,确定测量干扰噪声。具体地,当前时刻及其之前若干时刻的测量状态信息的离散程度可以为当前时刻及其之前若干时刻的测量状态信息的标准差,或者,当前时刻及其之前若干时刻的测量状态信息的离散程度也可以为当前时刻及其之前若干时刻的测量状态信息的方差,在此不做限定。故此,能够有利于降低确定离散程度的复杂度和计算量,有利于提高状态确定的速度。
在另一个具体的公开实施场景中,还可以将离散程度与预设增益参数之间的积作为测量干扰噪声。预设增益参数可以实际情况进行设置,在此不做限定。具体地,测量干扰噪声可以表示为:
R=KRσ(zk-n:k)
上式中,R表示测量干扰噪声,zk-n:k表示对应当前时刻k及其之前n个时刻的测量状态信息,σ(zk-n:k)表示对应当前时刻k及其之前n个时刻的测量状态信息的标准差,KR表示预设增益参数,具体地,预设增益参数可以为大于0的数值,如,0.5、1、1.5等等,在此不做限定。
在另一个公开实施场景中,可以利用当前时刻的实际行驶信息,确定机器人的状态转移噪声。以当前时刻为k时刻为例,可以利用k时刻的实际行驶信息,确定机器人的状态转移噪声,故此,能够从机器人自身状态的角度确定机器人的噪声,从而能够衡量机器人在行驶过程中内部的干扰。具体地,可以第一状态噪声、第二状态噪声中的至少一者,得到机器人的状态转移噪声,且第一状态噪声是利用行驶角度信息和加速度信息得到的,第二状态噪声是利用电机驱动信息和行驶速度信息确定得到的。
在一个具体的实施场景中,可以从舵机角度进行考虑,可以利用行驶角度信息和行驶速度信息,确定机器人的第一状态噪声,从而利用第一状态噪声,确定机器人的状态转移噪声。例如,可以仅利用行驶角度信息和行驶速度信息,确定机器人的第一状态噪声,并将第一状态噪声作为机器人的状态转移噪声。
在另一个具体的实施场景中,还可以从电机角度考虑,可以利用电机驱动信息和行驶速度信息,确定机器人的第二状态噪声,从而可以利用第二状态,确定机器人的状态转移噪声。例如,也可以仅利用电机驱动信息和行驶速度信息,确定机器人的第二状态噪声,并将第二状态噪声作为机器人的状态转移噪声。
在又一个具体的实施场景中,还可以利用行驶角度信息和行驶速度信息,确定机器人的第一状态噪声,并利用电机驱动信息和行驶速度信息,确定机器人的第二状态噪声,从而可以利用第一状态噪声和第二状态噪声,得到机器人的状态转移噪声,进而能够同时考虑舵机角度和电机角度,有利于提高状态转移噪声的准确性。
具体地,在利用第一状态噪声和第二状态噪声,得到状态转移噪声的情况下,可以对第一状态噪声和第二状态噪声进行加权处理,得到状态转移噪声。此外,第一状态噪声和第二状态噪声对应的权值可以根据实际情况进行设置,例如,第一状态噪声相对于第二状态噪声重要时,可以设置第一状态噪声对应的权值大于第二状态噪声的权值;或者,第二状态噪声相对于第一状态噪声重要时,可以设置第二状态噪声对应的权值大于第一状态噪声的权值,此外,也可以将第一状态噪声对应的权值设置为等于第二状态噪声对应的权值,例如,将第一状态噪声对应的权值设置为0.5,第二状态噪声对应的权值也设置为0.5。
具体地,机器人可以包括驱动轮和转向轮,驱动轮用于驱动机器人行驶,转向轮用于改变机器人的行驶方向,则行驶速度信息可以包括机器人驱动轮间的实际速度差,例如,机器人包括两个驱动轮,则两个驱动轮的速度差即为实际速度差,为了便于描述,可以将实际速度差表示为ew,行驶角度信息可以包括机器人转向轮的实际转向角度,为了便于描述,可以将实际转向角度表示为α,则可以利用速度差与转向角度之间的第一映射关系(为了便于描述,可以将第一映射关系表示为f1)对实际转向角度α进行映射处理,得到与实际转向角度α对应的理论速度差(为了便于描述,可以将理论速度差表示为f1(α)),从而可以利用实际速度差ew和理论速度差f1(α)之间的差异,确定第一状态噪声,例如,可以将实际速度差ew和理论速度差f1(α)之间的差的平方作为第一状态噪声。第一映射关系可以对预先采集得到多对速度差与转向角度进行统计分析而得到,例如,在机器人正常行驶过程中,采集M对速度差与转向角度,并对采集得到的M对速度差与转向角度进行拟合,得到速度差与转向角度之间的第一映射关系,M的具体数值可以根据实际情况进行设置,在此不做限定。
具体地,行驶速度信息还可以包括驱动轮的实际平均速度,即机器人各驱动轮的速度均值。例如,机器人包括两个驱动轮,则两个驱动轮的速度均值即为实际平均速度,为了便于描述,可以将实际平均速度表示为vw,电机驱动信息可以包括机器人电机的实际平均驱动信号值,即机器人各驱动轮对应的电机的信号均值,例如,机器人包括两个驱动轮,当驱动信号为脉宽调制信号时,实际平均驱动信号值可以为两个驱动轮对应的电机的脉宽调制信号均值,为了便于描述,可以将平均驱动信号值表示为pw,则可以利用平均速度与平均驱动信号值之间的第二映射关系(为了便于描述,可以将第二映射关系表示为f2)对实际平均驱动信号值进行映射处理,得到与实际平均驱动信号值对应的理论平均速度(为了便于描述,可以将理论平均速度表示为f2(pw)),从而可以利用实际平均速度和理论平均速度之间的差异,确定第二状态噪声,例如,可以将实际平均速度vw和理论平均速度f2(pw)之间的差的平方作为第二状态噪声。第二映射关系可以对预先采集得到的多对平均速度与平均驱动信号值进行统计分析而得到。例如,在机器人正常行驶过程中,采集N对平均速度与平均驱动信号值,并对N对平均速度与平均驱动信号值进行拟合,得到平均速度与平均驱动信号值之间的第二映射关系,N的具体数值可以根据实际情况进行设置,在此不做限定。
通过上述步骤,可以得到机器人的状态转移噪声,具体地,可以表示为:
Q=k1(f1(α)-ew)2+k2(f2(pw)-vw)2
上式中,Q表示机器人的状态转移噪声,k1表示第一状态噪声对应的权值,k2表示第二状态噪声对应的权值,(f1(α)-ew)2表示第一状态噪声,(f2(pw)-vw)2表示第二状态噪声,ew表示实际速度差,f1表示第一映射关系,α表示实际转向角度,vw表示实际平均速度,f2表示第二映射关系,pw表示平均驱动信号值。
在一个公开实施场景中,可以通过上述步骤获得状态转移噪声和测量干扰噪声;或者,在实际应用时,也可以根据实际情况,通过上述步骤获得状态转移噪声,并将测量干扰噪声设置为一固定值,如考虑理想情况,可以将测量干扰噪声设置为0,即直接将状态转移噪声作为机器人的状态噪声,如也可以将测量干扰噪声设置为1、2、3等非零值,如还可以将测量干扰噪声设置为白噪声,在此不做限定;或者,还可以根据实际情况,通过上述步骤获得测量干扰噪声,并将状态转移噪声设置为一固定值,如考虑理想情况,可以将状态转移噪声设置为0,即直接将测量干扰噪声作为机器人的状态噪声,如也可以将状态转移噪声设置为1、2、3等非零值,如还可以将状态转移噪声设置为白噪声,在此不做限定。
步骤S13:利用状态噪声,得到机器人对应当前时刻的实际状态信息。
具体地,可以利用状态噪声对机器人对应之前时刻的实际状态信息和当前时刻的测量状态信息进行处理,得到机器人对应当前时刻的实际状态信息。例如,可以利用卡尔曼滤波结合状态噪声对机器人对应之前时刻的实际状态信息和当前时刻的测量状态信息进行处理,得到机器人对应当前时刻的实际状态信息。
在一个公开实施场景中,可以基于状态噪声确定滤波增益,并利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,并将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,得到机器人对应当前时刻的实际状态信息。
在一个具体的公开实施场景中,请结合参阅图2,图2是利用卡尔曼滤波确定机器人实际状态信息的流程示意图,具体可以通过如下步骤利用卡尔曼滤波确定机器人实际状态信息:
步骤S21:利用机器人的状态转移参数和状态转移噪声对对应之前时刻的后验估计协方差进行处理,得到对应当前时刻的先验估计协方差。
具体地,以当前时刻是k时刻,当前时刻的前一时刻为k-1时刻为例,可以表示为:
Pk-=APk-1AT+Q
上式中,Pk-表示对应当前时刻的先验估计协方差,Pk-1表示对应前一时刻的后验估计协方差,后验估计协方差表示前一时刻的实际状态信息的协方差,即前一时刻的实际状态信息的不确定度。需要说明的是,本公开实施场景所描述的是获取对应当前时刻的实际状态信息的步骤,故前一时刻的实际状态信息可以参照公开实施场景所公开的步骤得到,在此不再赘述。后验估计协方差的具体获取方式可以参阅本公开实施例中的后文描述,在此暂不赘述。此外,A表示矩阵形式的机器人的状态转移参数,状态转移参数A用于表示机器人的运动模型。例如,可以用状态转移参数A表示机器人以一定的加速度加速运动,或机器人以一定的速度匀速运动,具体可以由用户设置,AT表示状态转移参数的转置,Q表示状态转移噪声,具体计算方式可以参阅前文相关描述,在此不再赘述。
步骤S22:利用状态信息到测量信息的变换参数和测量干扰噪声对对应当前时刻的先验估计协方差进行处理,得到对应当前时刻的滤波增益。
具体地,仍以当前时刻是k时刻,当前时刻的前一时刻为k-1时刻为例,可以表示为:
上式中,Kk表示对应当前时刻的滤波增益,H表示矩阵形式的变换参数,变换参数H用于描述实际状态信息和测量状态信息之间的转换关系,如可以用于描述实际状态信息和测量状态信息为线性关系,具体地,变换参数H可以由用户进行设置,如可以将变换参数H设置为单位矩阵,在此不做限定,HT表示变换参数的转置,R表示测量干扰噪声,具体计算方式可以参阅前文相关描述,在此不再赘述,Pk-表示对应当前时刻的先验估计协方差,先验估计协方差Pk-表示对应当前时刻的预测状态信息的协方差,即对应当前时刻的预测状态信息的不确定度,具体计算方式可以参阅前文相关描述,在此不再赘述。
故此,通过测量干扰噪声和状态转移噪声可以确定对应当前时刻的滤波增益。具体地,测量干扰噪声和状态转移噪声中的至少一者是通过前述步骤计算得到的,例如,测量干扰噪声是利用前述步骤计算得到的,或者,状态转移噪声是利用前述步骤计算得到的,或者,测量干扰噪声和状态转移噪声均是利用前述步骤计算得到的,在此不做限定。
步骤S23:利用机器人的状态转移参数和输入状态转移参数分别对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行处理,得到对应当前时刻的预测状态信息。
具体地,仍以当前时刻是k时刻,当前时刻的前一时刻为k-1时刻为例,可以表示为:
上式中,表示对应当前时刻的预测状态信息,表示对应前一时刻的实际状态信息,如前文所述,本公开实施场景所描述的是获取对应当前时刻的实际状态信息的步骤,故前一时刻的实际状态信息可以参照公开实施场景所公开的步骤得到,在此不再赘述。特别地,当k等于0时,实际状态信息可以初始化设置为0,uk-1表示对应前一时刻的实际行驶信息,实际行驶信息可以包括机器人的行驶角度信息、电机驱动信息和行驶速度信息,具体获取方式可以参阅前述公开实施例中的相关描述,在此不再赘述,A表示机器人的状态转移参数,具体可以参阅前文描述,在此不再赘述,B表示输入状态转移参数,输入状态转移参数B用于描述输入的实际行驶信息和状态信息之间的转换关系,从而可以通过输入状态转移参数B将输入的实际行驶信息转换为状态信息,再与机器人对应前一时刻的实际状态信息相结合,得到机器人对应当前时刻的预测状态信息,即理论上,机器人对应当前时刻的状态信息。
步骤S24:将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,得到机器人对应当前时刻的实际状态信息。
具体地,仍以当前时刻是k时刻,当前时刻的前一时刻为k-1时刻为例,可以表示为:
上式中,表示对应当前时刻的实际状态信息,表示对应当前时刻的预测状态信息,Kk表示对应当前时刻的滤波增益,zk对应当前时刻的测量状态信息,H表示状态信息到测量信息的变换参数,具体可以参阅前文相关描述,在此不再赘述,即表示测量状态信息与预测状态信息之间的残差,利用滤波增益Kk和预测状态信息对该残差进行修正,即得到机器人对应当前时刻的实际状态信息
步骤S25:利用滤波增益和变换参数对对应当前时刻的先验估计协方差进行更新,得到对应当前时刻的后验估计协方差。
具体地,仍以当前时刻是k时刻,当前时刻的前一时刻为k-1时刻为例,可以表示为:
Pk=(I-KkH)Pk-
上式中,Pk表示对应当前时刻的后验估计协方差,I表示单位矩阵,Kk表示矩阵形式的滤波增益,H表示矩阵形式的变换参数,Pk-表示矩阵形式的对应当前时刻的先验估计协方差。特别地,当k等于0时,后验估计协方差Pk可以初始化设置为全零的矩阵。
通过对对应当前时刻的先验估计协方差进行更新,得到对应当前时刻的后验估计协方差,故重复本公开实施例中的步骤,能够确定对应下一时刻(即k+1时刻)的实际状态信息,如此循环,可以在机器人行驶过程中,确定机器人对应各个时刻的实际状态信息,具体在此不再赘述。
上述方案,通过获取机器人的参考信息,且参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息,并基于参考信息,确定机器人的状态噪声,从而利用状态噪声,得到机器人对应当前时刻的实际状态信息,进而能够在确定状态过程中,能够无需利用大量粒子进行模拟,有利于提高状态确定的速度。另外,该状态噪声是根据若干时刻的测量状态信息和/或当前时刻的实际行驶信息确定,能够从机器人外部测量角度和/或机器人自身状态角度衡量噪声,从而能够使得状态噪声与实际情况更加贴近,进而提高后续确定的实际状态信息的准确性。
其中,在一些公开实施例中,为了能够使用户及时感知异常的状态噪声,提高用户体验,还可以在状态噪声不满足预设噪声条件时,进行预设提示。预设提示具体可以以声、光、文字中的至少一种形式实现,例如,播放提示语音,或者,点亮提示灯,或者输出提示文字等等,在此不做限定。
在一个具体的公开实施场景中,状态噪声可以包括利用若干测量状态信息得到的测量干扰噪声,具体获取方式可以参阅前述公开实施例中的相关步骤,在此不再赘述。此外,预设噪声条件可以包括测量干扰噪声小于第一噪声阈值,第一噪声阈值的具体数值可以根据实际情况进行设置。若测量干扰噪声不满足预设噪声条件,则可以输出第一预警消息,以提示状态测量受到干扰,从而能够在状态测量受到干扰时,使用户及时感知,提高用户体验。
在另一个具体的公开实施场景中,状态噪声可以包括利用当前时刻的实际行驶信息得到的状态转移噪声,具体获取方式可以参阅前述公开实施例中的相关步骤,在此不再赘述。此外,预设噪声条件可以包括状态转移噪声小于第二噪声阈值,第二噪声阈值的具体数值可以根据实际情况进行设置,在此不做限定。若状态转移噪声不满足预设噪声条件,则输出第二预警消息,以提示机器人存在车体打滑风险,从而能够在机器人出现车体打滑风险时,使用户及时感知,提高用户体验。
上述第一预警消息、第二预警消息具体可以以声、光、文字中的至少一种形式实现,例如,播放提示语音,或者,点亮提示灯,或者输出提示文字等等,在此不做限定。
请参阅图3,图3是本申请机器人的状态确定装置30一实施例的框架示意图。机器人的状态确定装置30具体包括测量状态获取模块31、状态噪声确定模块32和实际状态获取模块33,测量状态获取模块31用于获取机器人的参考信息,其中,参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息;状态噪声确定模块32用于基于参考信息,确定机器人的状态噪声;实际状态获取模块33用于利用位姿噪声,得到机器人对应当前时刻的实际状态信息。
上述方案,通过获取机器人的参考信息,且参考信息包括以下至少一者:机器人对应若干时刻的测量状态信息、机器人对应当前时刻的实际行驶信息,并基于参考信息,确定机器人的状态噪声,从而利用状态噪声,得到机器人对应当前时刻的实际状态信息,进而能够在确定状态过程中,能够无需利用大量粒子进行模拟,有利于提高状态确定的速度。另外,该状态噪声是根据若干时刻的测量状态信息和/或当前时刻的实际行驶信息确定,能够从机器人外部测量角度和/或机器人自身状态角度衡量噪声,从而能够使得状态噪声与实际情况更加贴近,进而提高后续确定的实际状态信息的准确性。
在一些公开实施例中,状态噪声确定模块32包括测量干扰确定子模块,用于利用对应当前时刻及其之前若干时刻的测量状态信息,确定机器人的测量干扰噪声,状态噪声确定模块32包括状态转移确定子模块,用于利用当前时刻的实际行驶信息,确定机器人的状态转移噪声。
区别于前述公开实施例,利用对应当前时刻及其之前若干时刻的测量状态信息,确定机器人的测量干扰噪声,故此,能够从外部测量角度确定机器人的噪声,从而能够衡量机器人在行驶过程中外部的干扰;利用当前时刻的实际行驶信息,确定机器人的状态转移噪声,故此,能够从机器人自身状态的角度确定机器人的噪声,从而能够衡量机器人在行驶过程中内部的干扰。
在一些公开实施例中,测量干扰确定子模块包括离散获取单元,用于获取当前时刻及其之前若干时刻的测量状态信息的离散程度,测量干扰确定子模块包括噪声确定单元,用于利用离散程度,确定测量干扰噪声。
区别于前述公开实施例,利用当前时刻及其之前若干时刻的测量状态信息的离散程度,并利用离散程度确定测量干扰噪声,能够准确地衡量机器人在行驶过程中外部的干扰。
在一些公开实施例中,当前时刻及其之前若干时刻的测量状态信息的离散程度为当前时刻及其之前若干时刻的测量状态信息的标准差。
区别于前述公开实施例,通过将当前时刻及其之前若干时刻的测量状态信息的离散程度设置为当前时刻及其之前若干时刻的测量状态信息的标准差,能够有利于降低确定离散程度的复杂度和计算量,有利于提高状态确定的速度。
在一些公开实施例中,噪声确定单元具体用于将离散程度与预设增益参数之间的积作为测量干扰噪声。
区别于前述公开实施例,将离散程度与预设增益参数之间的积作为测量干扰噪声,能够有利于提高测量干扰噪声的准确性,有利于提高状态确定的精度。
在一些公开实施例中,实际行驶信息包括机器人的行驶角度信息、电机驱动信息和行驶速度信息,状态转移确定子模块具体用于利用第一状态噪声和第二状态噪声中的至少一者,得到机器人的状态转移噪声;其中,第一状态噪声是利用行驶角度信息和行驶速度信息确定得到的,第二状态噪声是利用电机驱动信息和行驶速度信息确定得到的。
区别于前述公开实施例,将实际行驶信息设置为包括机器人的行驶角度信息、电机驱动信息和行驶速度信息,从而利用第一状态噪声和第二状态噪声中的至少一者,得到机器人的状态转移噪声,且第一状态噪声是利用行驶角度信息和行驶速度信息确定得到的,第二状态噪声是利用电机驱动信息和行驶速度信息确定得到的,能够有利于提高状态转移噪声的准确性。
在一些公开实施例中,机器人包括驱动轮和转向轮,驱动轮用于驱动机器人行驶,转向轮用于改变机器人的行驶方向,行驶速度信息包括机器人驱动轮间的实际速度差,行驶角度信息包括机器人转向轮的实际转向角度,第一状态噪声确定单元包括第一映射子单元,用于利用速度差与转向角度之间的第一映射关系对实际转向角度进行映射处理,得到与实际转向角度对应的理论速度差,第一状态噪声确定单元包括第一状态噪声确定子单元,用于利用实际速度差与理论速度差之间的差异,确定第一状态噪声。
区别于前述公开实施例,将行驶速度信息设置为包括机器人驱动轮间的实际速度差,行驶角度信息设置为包括机器人转向轮的实际转向角度,从而利用速度差与转向角度之间的第一映射关系对实际转向角度进行映射处理,得到与实际转向角度对应的理论速度差,并利用实际速度差与理论速度差之间的差异,确定第一状态噪声,故能够从机器人转向轮的角度,确定机器人的第一状态噪声。
在一些公开实施例中,机器人包括驱动轮,驱动轮用于驱动机器人行驶,行驶速度信息包括机器人驱动轮的实际平均速度,电机驱动信息包括机器人电机的实际平均驱动信号值,第二状态噪声确定单元包括第二映射子单元,用于利用平均速度与平均驱动信号值之间的第二映射关系对实际平均驱动信号值进行映射处理,得到与实际平均驱动信号值对应的理论平均速度,第二状态噪声确定单元包括第二状态噪声确定子单元,用于利用实际平均速度和理论平均速度之间的差异,确定第二状态噪声。
区别于前述公开实施例,将行驶速度信息设置为包括机器人驱动轮的实际平均速度,电机驱动信息设置为包括机器人电机的实际平均驱动信号值,从而利用平均速度与平均驱动信号值之间的第二映射关系对实际平均驱动信号值进行映射处理,得到与实际平均驱动信号值对应的理论平均速度,并利用实际平均速度和理论平均速度之间的差异,确定第二状态噪声,故能够从机器人驱动轮的角度,确定机器人的第二状态噪声。
在一些公开实施例中,第一状态噪声确定子单元具体用于将实际速度差与理论速度差之间的差的平方作为第一状态噪声,第二状态噪声确定子单元具体用于将实际平均速度和理论平均速度之间的差的平方作为第二状态噪声。
区别于前述公开实施例,将将实际速度差与理论速度差之间的差的平方作为第一状态噪声,将实际平均速度和理论平均速度之间的差的平方作为第二状态噪声,能够降低第一状态噪声和第二状态噪声计算的复杂度和计算量,有利于提高状态确定的速度。
在一些公开实施例中,实际状态获取模块33具体用于利用状态噪声,得到机器人对应当前时刻的实际状态信息包括:利用状态噪声对机器人对应之前时刻的实际状态信息和当前时刻的测量状态信息进行处理,得到机器人对应当前时刻的实际状态信息。
区别于前述实施例,通过利用状态噪声处理机器人对应当前时刻的测量状态信息和对应之前时刻的实际状态信息,有利于使机器人在当前时刻的测量状态信息和之前时刻的实际状态信息之间取得平衡,使得确定得到的实际状态信息相对于测量状态信息得到修正,进而能够有利于提高机器人状态确定的精度。
在一些公开实施例中,实际状态获取模块33具体用于基于状态噪声确定滤波增益,并利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,并将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,得到机器人对应当前时刻的实际状态信息。
区别于前述公开实施例,基于状态噪声确定滤波增益,并利用滤波增益的卡尔曼滤波,对机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,并将当前时刻的预测状态信息与当前时刻的测量状态信息进行融合,能够增强对于外部信号的鲁棒性,从而准确地确定对应当前时刻的实际状态信息。
在一些公开实施例中,机器人的状态确定装置30还包括提示模块,用于在状态噪声不满足预设噪声条件时,进行预设提示。
区别于前述公开实施例,在状态噪声不满足预设噪声条件时,进行预设提示,能够使用户感知异常的状态噪声,提高用户体验。
在一些公开实施例中,状态噪声包括:利用若干测量状态信息得到的测量干扰噪声,预设噪声条件包括:测量干扰噪声小于第一噪声阈值,提示模块包括第一预警子模块,用于在测量干扰噪声不满足预设噪声条件时,输出第一预警消息,以提示状态测量受到干扰;和/或,状态噪声包括:利用当前时刻的实际行驶信息得到的状态转移噪声;预设噪声条件包:状态转移噪声小于第二噪声阈值,提示模块包括第二预警子模块,用于在状态转移噪声不满足预设噪声条件时,输出第二预警消息,以提示机器人存在车体打滑风险。
区别于前述公开实施例,在测量干扰噪声不满足预设条件时,输出第一预警消息,以提示状态测量受到干扰,从而能够在状态测量受到干扰时,使用户及时感知,提高用户体验;在状态转移噪声不满足预设条件时,输出第二预警消息,以提示机器人存在车体打滑风险,从而能够在机器人出现车体打滑风险时,使用户及时感知,提高用户体验。
在一些公开实施例中,测量状态获取模块31包括数据采集子模块,用于对机器人周边环境进行图像采集,得到对应当前时刻的环境图像数据,测量状态获取模块31包括测量状态确定子模块,用于基于当前时刻的环境图像数据,确定机器人对应当前时刻的测量状态信息,测量状态信息和实际状态信息均包括以下至少一者:机器人的位置、机器人的姿态、机器人的速度。
区别于前述公开实施例,通过对机器人周边环境进行图像采集,得到对应当前时刻的环境图像户数,并基于当前时刻的环境图像数据,确定机器人对应当前时刻的测量状态信息,且将测量状态信息和实际状态信息设置为均包含机器人的位置、机器人的姿态和机器人的速度中的至少一者,从而能够快速获取到机器人对应当前时刻的测量状态信息,进而能够有利于提高机器人状态确定的速度。
请参阅图4,图4是本申请机器人40一实施例的框架示意图。机器人40包括机器人本体41以及设置在机器人本体41上的存储器42和处理器43,存储器42和处理器43相互耦接,处理器43用于执行存储器42中存储的程序指令,以实现上述任一状态确定方法实施例的步骤。
具体而言,处理器43用于控制其自身以及存储器42以实现上述任一状态确定方法实施例的步骤。处理器43还可以称为CPU(Central Processing Unit,中央处理单元)。处理器43可能是一种集成电路芯片,具有信号的处理能力。处理器43还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(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。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。另外,处理器43可以由集成电路芯片共同实现。
上述方案,状态噪声是根据已获得的若干测量状态信息和/或当前实际行驶信息确定,能够从机器人外部测量角度和/或机器人自身状态角度衡量噪声,从而能够使得状态噪声与实际情况更加贴近,进而提高后续确定的实际状态信息的准确性。
在一些公开实施例中,该机器人40还包括设置在机器人本体41上的若干个轮子以及用于驱动轮子行走的电机和用于驱动轮子转向的舵机。例如,该机器人包括第一轮组和第二轮组,第一轮组与电机连接,以作为驱动轮,第二轮组与舵机连接,以作为转向轮。另外,为了获得机器人的行驶信息,机器人40还可包括速度测量组件,该速度测量组件可设置在驱动轮上,以用于获得驱动轮的速度。在一具体应用场景中,机器人40包括4个轮子,其中,两个前轮作为转向轮,两个后轮作为驱动轮,且每个后轮设置有编码器,以获得对应后轮的速度。由此,机器人可通过读取编码器获得行驶速度,并通过读取舵机控制记录可获得行驶角度。此外,可以根据不同的实际应用需求,将机器人本体41设置为不同的外形。例如,对于快件配送应用,可以将机器人本体41设置为具有小汽车、面包车等车型的外形;或者,对于服务引导应用,可以将机器人本体41设置为具有一般人形、卡通动物等外形,具体可以根据实际应用需求进行设置,在此不再一一举例。
在一些公开实施例中,为实现获得测量状态信息,机器人40还可设置有摄像器件,由此通过摄像器件拍摄得到的环境图像,确定机器人40的测量状态信息。
请参阅图5,图5为本申请计算机可读存储介质50一实施例的框架示意图。计算机可读存储介质50存储有能够被处理器运行的程序指令501,程序指令501用于实现上述任一状态确定方法实施例的步骤。
上述方案,状态噪声是根据已获得的若干测量状态信息和/或当前实际行驶信息确定,能够从机器人外部测量角度和/或机器人自身状态角度衡量噪声,从而能够使得状态噪声与实际情况更加贴近,进而提高后续确定的实际状态信息的准确性。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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。
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方式方案的目的。
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,也可以采用软件功能单元的形式实现。
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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式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,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (14)
1.一种机器人的状态确定方法,其特征在于,包括:
获取所述机器人的参考信息;其中,所述参考信息包括以下至少一者:所述机器人对应若干时刻的测量状态信息、所述机器人对应当前时刻的实际行驶信息;
基于所述参考信息,确定所述机器人的状态噪声;
利用所述状态噪声,得到所述机器人对应所述当前时刻的实际状态信息;
其中,所述利用所述状态噪声,得到所述机器人对应所述当前时刻的实际状态信息包括:
基于所述状态噪声确定滤波增益;
利用所述滤波增益的卡尔曼滤波,对所述机器人对应前一时刻的实际状态信息和所述前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息;
将所述当前时刻的预测状态信息与所述当前时刻的测量状态信息进行融合,得到所述机器人对应所述当前时刻的实际状态信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述参考信息,确定所述机器人的状态噪声包括:
利用对应所述当前时刻及其之前若干时刻的测量状态信息,确定所述机器人的测量干扰噪声;
和/或,利用所述当前时刻的实际行驶信息,确定所述机器人的状态转移噪声。
3.根据权利要求2所述的方法,其特征在于,所述利用对应所述当前时刻及其之前若干时刻的测量状态信息,确定所述机器人的测量干扰噪声包括:
获取所述当前时刻及其之前若干时刻的测量状态信息的离散程度;
利用所述离散程度,确定所述测量干扰噪声。
4.根据权利要求3所述的方法,其特征在于,所述当前时刻及其之前若干时刻的所述测量状态信息的离散程度为所述当前时刻及其之前若干时刻的所述测量状态信息的标准差;和/或
所述利用所述离散程度,确定所述测量干扰噪声,包括:
将所述离散程度与预设增益参数之间的积作为所述测量干扰噪声。
5.根据权利要求2至4任一项所述的方法,其特征在于,所述实际行驶信息包括所述机器人的行驶角度信息、电机驱动信息和行驶速度信息;
所述利用所述当前时刻的实际行驶信息,确定所述机器人的状态转移噪声包括:
利用第一状态噪声、第二状态噪声中的至少一者,得到所述机器人的所述状态转移噪声;
其中,所述第一状态噪声是利用所述行驶角度信息和所述行驶速度信息确定得到的,所述第二状态噪声是利用所述电机驱动信息和所述行驶速度信息确定得到的。
6.根据权利要求5所述的方法,其特征在于,所述机器人包括驱动轮和转向轮,所述驱动轮用于驱动所述机器人行驶,所述转向轮用于改变所述机器人行驶方向,所述行驶速度信息包括所述机器人驱动轮间的实际速度差,所述行驶角度信息包括所述机器人转向轮的实际转向角度;在所述利用所述第一状态噪声、所述第二状态噪声中的至少一者,得到所述机器人的所述状态转移噪声之前,所述方法还包括:
利用速度差与转向角度之间的第一映射关系对所述实际转向角度进行映射处理,得到与所述实际转向角度对应的理论速度差;
利用所述实际速度差与所述理论速度差之间的差异,确定所述第一状态噪声;和/或,
所述机器人包括驱动轮,所述驱动轮用于驱动所述机器人行驶,所述行驶速度信息包括所述机器人驱动轮的实际平均速度,所述电机驱动信息包括所述机器人电机的实际平均驱动信号值;在所述利用所述第一状态噪声、所述第二状态噪声中的至少一者,得到所述机器人的所述状态转移噪声之前,所述方法还包括:
利用平均速度与平均驱动信号值之间的第二映射关系对所述实际平均驱动信号值进行映射处理,得到与所述实际平均驱动信号值对应的理论平均速度;
利用所述实际平均速度和所述理论平均速度之间的差异,确定所述第二状态噪声。
7.根据权利要求6所述的方法,其特征在于,所述利用所述实际速度差与所述理论速度差之间的差异,确定所述第一状态噪声,包括:
将所述实际速度差与所述理论速度差之间的差的平方作为所述第一状态噪声;
所述利用所述实际平均速度和所述理论平均速度之间的差异,确定所述第二状态噪声,包括:
将所述实际平均速度和所述理论平均速度之间的差的平方作为所述第二状态噪声。
8.根据权利要求1所述的方法,其特征在于,所述状态噪声包括所述状态转移噪声和测量干扰噪声,所述基于所述状态噪声确定滤波增益,包括:
利用所述机器人的状态转移参数和所述状态转移噪声,处理对应之前时刻的后验估计协方差,得到对应所述当前时刻的先验估计协方差;
利用状态信息与测量信息之间的变换参数和测量干扰噪声,处理对应所述当前时刻的先验估计协方差,得到对应所述当前时刻的滤波增益;
所述利用所述滤波增益的卡尔曼滤波,对所述机器人对应前一时刻的实际状态信息和所述前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,包括:
利用所述机器人的状态转移参数和输入状态转移参数,分别对所述机器人对应前一时刻的实际状态信息和前一时刻的实际行驶信息进行处理,得到对应所述当前时刻的预测状态信息。
9.根据权利要求8所述的方法,其特征在于,在所述将所述当前时刻的预测状态信息与所述当前时刻的测量状态信息进行融合,得到所述机器人对应所述当前时刻的实际状态信息之后,所述方法还包括:
利用所述滤波增益和所述变换参数,更新对应所述当前时刻的先验估计协方差,得到对应所述当前时刻的后验估计协方差,并重新执行所述利用所述机器人的状态转移参数和所述状态转移噪声,处理对应之前时刻的后验估计协方差,得到对应所述当前时刻的先验估计协方差的步骤以及后续步骤,以确定对应下一时刻的实际状态信息。
10.根据权利要求1所述的方法,其特征在于,在所述基于所述参考信息,确定所述机器人的状态噪声之后,所述方法还包括:
若所述状态噪声不满足预设噪声条件,则进行预设提示。
11.根据权利要求1所述的方法,其特征在于,所述获取所述机器人的参考信息,包括:
对所述机器人周边环境进行图像采集,得到对应当前时刻的环境图像数据;
基于所述当前时刻的环境图像数据,确定所述机器人对应当前时刻的测量状态信息;
所述测量状态信息和实际状态信息均包括以下至少一者:所述机器人的位置、所述机器人的姿态、所述机器人的速度。
12.一种机器人的状态确定装置,其特征在于,包括:
测量状态获取模块,用于获取所述机器人的参考信息;其中,所述参考信息包括以下至少一者:所述机器人对应若干时刻的测量状态信息、所述机器人对应当前时刻的实际行驶信息;
状态噪声确定模块,用于基于所述参考信息,确定所述机器人的状态噪声;
实际状态获取模块,用于利用所述状态噪声,得到所述机器人对应所述当前时刻的实际状态信息;
其中,所述实际状态获取模块用于基于所述状态噪声确定滤波增益,并利用所述滤波增益的卡尔曼滤波,对所述机器人对应前一时刻的实际状态信息和所述前一时刻的实际行驶信息进行预测,得到对应当前时刻的预测状态信息,以及将所述当前时刻的预测状态信息与所述当前时刻的测量状态信息进行融合,得到所述机器人对应所述当前时刻的实际状态信息。
13.一种机器人,其特征在于,包括机器人本体以及设置在所述机器人本体上的存储器和处理器,所述处理器和存储器相互耦接,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至11任一项所述的状态确定方法。
14.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至11任一项所述的状态确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111475203.2A CN114131604B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872662.3A CN112025706B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN202111475203.2A CN114131604B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010872662.3A Division CN112025706B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114131604A true CN114131604A (zh) | 2022-03-04 |
CN114131604B CN114131604B (zh) | 2023-11-03 |
Family
ID=73579964
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111515984.3A Active CN114260890B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN202010872662.3A Active CN112025706B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN202111475203.2A Active CN114131604B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111515984.3A Active CN114260890B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN202010872662.3A Active CN112025706B (zh) | 2020-08-26 | 2020-08-26 | 机器人的状态确定方法及装置、机器人及存储介质 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2022550231A (zh) |
KR (3) | KR102412066B1 (zh) |
CN (3) | CN114260890B (zh) |
WO (1) | WO2022041797A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114260890B (zh) * | 2020-08-26 | 2023-11-03 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244600A1 (en) * | 2006-04-04 | 2007-10-18 | Samsung Electronics Co., Ltd. | Robot and method and medium for localizing the same by using calculated covariance |
KR100877071B1 (ko) * | 2007-07-18 | 2009-01-07 | 삼성전자주식회사 | 파티클 필터 기반의 이동 로봇의 자세 추정 방법 및 장치 |
KR20100105143A (ko) * | 2009-03-20 | 2010-09-29 | 삼성중공업 주식회사 | 칼만 필터를 이용한 로봇 기구학 변수 추정 방법 및 시스템 |
CN102653099A (zh) * | 2011-03-04 | 2012-09-05 | 精工爱普生株式会社 | 机械手位置检测装置以及机械手*** |
KR101390776B1 (ko) * | 2013-03-14 | 2014-04-30 | 인하대학교 산학협력단 | 퍼지 확장 칼만 필터를 이용한 위치인식 장치, 방법 및 이동로봇 |
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN107644441A (zh) * | 2017-08-30 | 2018-01-30 | 南京大学 | 基于三维成像的多足机器人复杂路况离散成落脚点方法 |
CN107748562A (zh) * | 2017-09-30 | 2018-03-02 | 湖南应用技术学院 | 一种综合***机器人 |
JP2018060326A (ja) * | 2016-10-04 | 2018-04-12 | 株式会社豊田中央研究所 | トラッキング装置及びプログラム |
CN108645415A (zh) * | 2018-08-03 | 2018-10-12 | 上海海事大学 | 一种船舶航迹预测方法 |
CN108710295A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工业大学 | 一种基于渐进容积信息滤波的机器人跟随方法 |
CN109813307A (zh) * | 2019-02-26 | 2019-05-28 | 大连海事大学 | 一种无人船多传感器数据融合的导航***及其设计方法 |
US20190195631A1 (en) * | 2017-12-22 | 2019-06-27 | Ubtech Robotics Corp | Positioning method, positioning device, and robot |
CN110422175A (zh) * | 2019-07-31 | 2019-11-08 | 上海智驾汽车科技有限公司 | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 |
CN110861123A (zh) * | 2019-11-14 | 2020-03-06 | 华南智能机器人创新研究院 | 机器人运行状态的可视化监控和评估的方法及装置 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0663930B2 (ja) * | 1989-10-04 | 1994-08-22 | 日産自動車株式会社 | 車両状態量推定装置 |
JP2002331478A (ja) * | 2001-05-02 | 2002-11-19 | Yaskawa Electric Corp | ロボットの動作速度決定方法 |
KR101409990B1 (ko) * | 2007-09-14 | 2014-06-23 | 삼성전자주식회사 | 로봇의 위치를 계산하기 위한 장치 및 방법 |
KR101038581B1 (ko) * | 2008-10-31 | 2011-06-03 | 한국전력공사 | 트랙형 이동 로봇을 이용하여 발전설비 시설물의 감시점검을 제공하기 위한 방법, 이동 로봇 시스템 및 운영방법 |
CN102862666B (zh) * | 2011-07-08 | 2014-12-10 | 中国科学院沈阳自动化研究所 | 一种基于自适应ukf的水下机器人状态和参数联合估计方法 |
KR102009481B1 (ko) * | 2013-12-26 | 2019-08-09 | 한화디펜스 주식회사 | 이동체 주행 제어 장치 및 방법 |
US9517561B2 (en) * | 2014-08-25 | 2016-12-13 | Google Inc. | Natural pitch and roll |
JP6541026B2 (ja) * | 2015-05-13 | 2019-07-10 | 株式会社Ihi | 状態データ更新装置と方法 |
KR101789776B1 (ko) * | 2015-12-09 | 2017-10-25 | 세종대학교산학협력단 | 주행로봇의 진행각 추정을 위한 바이어스 보정 장치 및 방법 |
KR20180068102A (ko) * | 2016-12-13 | 2018-06-21 | 주식회사 큐엔티 | 로봇 고장 모니터링 서비스 제공 방법 및 서버 |
CN106956282B (zh) * | 2017-05-18 | 2019-09-13 | 广州视源电子科技股份有限公司 | 角加速度确定方法、装置、机器人及存储介质 |
CN108128308B (zh) * | 2017-12-27 | 2020-04-14 | 长沙理工大学 | 一种分布式驱动电动汽车的车辆状态估计***及方法 |
CN110361003B (zh) * | 2018-04-09 | 2023-06-30 | 中南大学 | 信息融合方法、装置、计算机设备和计算机可读存储介质 |
CN108621161B (zh) * | 2018-05-08 | 2021-03-02 | 中国人民解放军国防科技大学 | 基于多传感器信息融合的足式机器人本体状态估计方法 |
CN108896049A (zh) * | 2018-06-01 | 2018-11-27 | 重庆锐纳达自动化技术有限公司 | 一种机器人室内运动定位方法 |
CN109443356A (zh) * | 2019-01-07 | 2019-03-08 | 大连海事大学 | 一种含测量噪声的无人船位置与速度估计结构及设计方法 |
CN111044053B (zh) * | 2019-12-31 | 2022-04-01 | 三一重工股份有限公司 | 单舵轮无人车的导航方法、装置和单舵轮无人车 |
CN111136660B (zh) * | 2020-02-19 | 2021-08-03 | 清华大学深圳国际研究生院 | 机器人位姿定位方法及*** |
CN114260890B (zh) * | 2020-08-26 | 2023-11-03 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
-
2020
- 2020-08-26 CN CN202111515984.3A patent/CN114260890B/zh active Active
- 2020-08-26 CN CN202010872662.3A patent/CN112025706B/zh active Active
- 2020-08-26 CN CN202111475203.2A patent/CN114131604B/zh active Active
-
2021
- 2021-04-19 KR KR1020217039198A patent/KR102412066B1/ko active IP Right Grant
- 2021-04-19 KR KR1020227019723A patent/KR20220084435A/ko active Application Filing
- 2021-04-19 WO PCT/CN2021/088224 patent/WO2022041797A1/zh active Application Filing
- 2021-04-19 KR KR1020227019722A patent/KR20220084434A/ko active Application Filing
- 2021-04-19 JP JP2021566210A patent/JP2022550231A/ja active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244600A1 (en) * | 2006-04-04 | 2007-10-18 | Samsung Electronics Co., Ltd. | Robot and method and medium for localizing the same by using calculated covariance |
KR100877071B1 (ko) * | 2007-07-18 | 2009-01-07 | 삼성전자주식회사 | 파티클 필터 기반의 이동 로봇의 자세 추정 방법 및 장치 |
KR20100105143A (ko) * | 2009-03-20 | 2010-09-29 | 삼성중공업 주식회사 | 칼만 필터를 이용한 로봇 기구학 변수 추정 방법 및 시스템 |
CN102653099A (zh) * | 2011-03-04 | 2012-09-05 | 精工爱普生株式会社 | 机械手位置检测装置以及机械手*** |
KR101390776B1 (ko) * | 2013-03-14 | 2014-04-30 | 인하대학교 산학협력단 | 퍼지 확장 칼만 필터를 이용한 위치인식 장치, 방법 및 이동로봇 |
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
JP2018060326A (ja) * | 2016-10-04 | 2018-04-12 | 株式会社豊田中央研究所 | トラッキング装置及びプログラム |
CN107644441A (zh) * | 2017-08-30 | 2018-01-30 | 南京大学 | 基于三维成像的多足机器人复杂路况离散成落脚点方法 |
CN107748562A (zh) * | 2017-09-30 | 2018-03-02 | 湖南应用技术学院 | 一种综合***机器人 |
US20190195631A1 (en) * | 2017-12-22 | 2019-06-27 | Ubtech Robotics Corp | Positioning method, positioning device, and robot |
CN108710295A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工业大学 | 一种基于渐进容积信息滤波的机器人跟随方法 |
CN108645415A (zh) * | 2018-08-03 | 2018-10-12 | 上海海事大学 | 一种船舶航迹预测方法 |
CN109813307A (zh) * | 2019-02-26 | 2019-05-28 | 大连海事大学 | 一种无人船多传感器数据融合的导航***及其设计方法 |
CN110422175A (zh) * | 2019-07-31 | 2019-11-08 | 上海智驾汽车科技有限公司 | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 |
CN110861123A (zh) * | 2019-11-14 | 2020-03-06 | 华南智能机器人创新研究院 | 机器人运行状态的可视化监控和评估的方法及装置 |
Non-Patent Citations (2)
Title |
---|
徐源;刘维亭;魏海峰;: "多传感器滤波算法下的两轮自平衡机器人控制", 信息技术, no. 04, pages 35 - 40 * |
王盼盼;黄宜庆;: "基于时变调节因子的移动机器人EKF-SLAM算法", 安徽工程大学学报, no. 05, pages 50 - 54 * |
Also Published As
Publication number | Publication date |
---|---|
KR20220027832A (ko) | 2022-03-08 |
WO2022041797A1 (zh) | 2022-03-03 |
CN114260890A (zh) | 2022-04-01 |
JP2022550231A (ja) | 2022-12-01 |
CN114260890B (zh) | 2023-11-03 |
CN112025706B (zh) | 2022-01-04 |
KR20220084434A (ko) | 2022-06-21 |
KR20220084435A (ko) | 2022-06-21 |
KR102412066B1 (ko) | 2022-06-22 |
CN112025706A (zh) | 2020-12-04 |
CN114131604B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11479243B2 (en) | Uncertainty prediction based deep learning | |
JP6544594B2 (ja) | 情報処理システム、情報処理方法、プログラムおよび車両 | |
US11783593B2 (en) | Monocular depth supervision from 3D bounding boxes | |
EP3107069A1 (en) | Object detection apparatus, object detection method, and mobile robot | |
EP3928123A1 (en) | System and method for tracking expanded state of an object | |
US11403854B2 (en) | Operating assistance method, control unit, operating assistance system and working device | |
CN110572139B (zh) | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 | |
JP7173471B2 (ja) | 3次元位置推定装置及びプログラム | |
CN112025706B (zh) | 机器人的状态确定方法及装置、机器人及存储介质 | |
CN113469042A (zh) | 真值数据确定、神经网络训练、行驶控制方法及装置 | |
JP2019032751A (ja) | カメラ運動推定装置、カメラ運動推定方法及びプログラム | |
WO2020003764A1 (ja) | 画像処理装置、移動装置、および方法、並びにプログラム | |
US20220374659A1 (en) | Systems and methods for object detection using stereovision information | |
CN115115530B (zh) | 一种图像去模糊的方法、装置、终端设备及介质 | |
CN114463710A (zh) | 车辆无人驾驶策略生成方法、装置、设备及存储介质 | |
Wang et al. | Time-to-contact control: improving safety and reliability of autonomous vehicles | |
US11983936B2 (en) | Data collection device, vehicle control device, data collection system, data collection method, and storage medium | |
WO2023074279A1 (ja) | 俯瞰データ生成装置、俯瞰データ生成プログラム、俯瞰データ生成方法、及びロボット | |
KR102672992B1 (ko) | 카메라에 오염이 발생했는지 여부를 실시간으로 판단하는 방법 및 이를 이용한 오염도 추정 장치 | |
WO2021230314A1 (ja) | 計測システム、車両、計測装置、計測プログラム及び計測方法 | |
CN115512242B (zh) | 场景变化检测方法及飞行装置 | |
WO2023123325A1 (zh) | 一种状态估计方法和装置 | |
Amanatiadis et al. | A rotational and translational image stabilization system for remotely operated robots | |
CN115880763A (zh) | 操作员接管预测 | |
JP2021190025A (ja) | 情報処理装置 |
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 |