CN114199251B - 一种机器人的防碰撞定位方法 - Google Patents

Abstract

本发明公开了一种机器人的防碰撞定位方法，方该法包括：基于里程计获取机器人相对于世界坐标系的位姿；在里程计附近随机放置n个携带位姿的粒子；于移动一段距离时，选取与当前场景地图匹配度最高的粒子更新为机器人位姿；于机器人位姿更新时，同步对当前场景地图进行禁止区域更新，该禁止区域指机器人不可达的障碍区域内部。本发明的方法能提高定位精度，提高机器人在障碍物边缘行走的能力，避免撞到障碍，损坏财物。

Description

一种机器人的防碰撞定位方法

技术领域

本发明属于机器人定位技术领域，特别涉及一种机器人的防碰撞定位方法。

背景技术

机器人自主行走过程中，需要不断与环境交互，从而得到自身在环境中的位姿，经过导航路径规划后，实现机器人沿已知路线的行走。从而完成相应的巡逻、配送、引导等任务。所以定位是导航与任务执行的基础。然而实际工程中，不可避免地会出现或大、或小的定位误差，当机器人在障碍物边缘行走时，机器人位姿有时会到达障碍物内部，这一误差将会导致后续的导航路径规划会产生碰撞甚至无法执行。所以需要机器人进行重新定位，以获得机器人的较为准确的位姿。

目前，在定位层面的措施，通常有卡尔曼滤波方法、amcl蒙特卡洛方法、图优化方法。

卡尔曼滤波方法，是根据里程计、imu及GPS等传感器数据进行融合产生对机器人位姿的高斯估计。这种方法由于可以不采用激光/视觉的数据，所以定位结果受场景影响较小，但是存在累积误差。

amcl蒙特卡洛是基于概率法，假定机器人的初始位置是不知道的，使机器人移动一段距离，经过激光地图匹配与粒子的随机位置重采样计算，移动一段距离后确定机器人位姿。这种方法需要机器人移动一段距离后，才能逐步定位到正确的位置，但是很多场景不具备机器人通过这种移动的方法去定位。如特征相似场景、走廊等较小空间，定位失败的概率将大大提升。

基于图优化的激光雷达路标(或者图像关键帧)进行定位，需要机器人移动，得到位姿与路标之间的转移矩阵，从而估计出机器人的当前位姿。它与卡尔曼滤波方法一样，都存在累积误差。另外经过关键帧的回还检测进行位姿的调整，但是当关键帧特征不好时，也存在回还失败的情况。

发明内容

本发明针对上述现有技术的存在的问题，提供一种机器人的防碰撞定位方法。

本发明通过以下技术手段实现解决上述技术问题的：

一种机器人的防碰撞定位方法，方该法包括：

基于里程计获取机器人相对于世界坐标系的位姿；

在里程计附近随机放置n个携带位姿的粒子；

于移动一段距离时，选取与当前场景地图匹配度最高的粒子更新为机器人位姿；

于机器人位姿更新时，同步对当前场景地图进行禁止区域更新，该禁止区域指机器人不可达的障碍区域内部。

进一步的，所述对当前场景地图进行禁止区域更新的方法为：

将选取的与当前场景地图匹配度最高的粒子的雷达点云与当前场景地图配准，并将雷达点云数据与当前场景地图不匹配的位置标记为不可信因子，并进一步判断不可信因子是否为当前场景地图的障碍区域，若是则将当前定位结果添加到禁止区域中。

进一步的，将当前定位结果添加到禁止区域中的方法为：

计算选取的与当前场景地图匹配度最高的粒子的雷达点云的测量结果，并将相应点映射到当前场景地图上的相应位置，在每个位置点添加禁止区域，获得禁止区域图层；

在当前场景地图上的障碍区域进行一定距离的膨胀，得到膨胀区域，获得场景膨胀图层；

将禁止区域图层、场景膨胀图层与当前场景地图叠加计算以更新当前场景地图上的禁止区域。

进一步的，还包括：

在更新后的当前场景地图的里程计附近的非障碍区域随机放置粒子；

检查所有粒子的雷达数据与当前场景地图的匹配程度，录匹配度与不匹配区域是否在静态地图的障碍区域内部，若是，则标记为不可信因子，将不可信因子与匹配度进行加权求和，得到所有粒子的置信度，该置信度代表了相应粒子的位姿可信程度，选择可信度最大的粒子，得到最优粒子位姿，该位姿即为定位结果。

本发明的有益效果为：本发明的方法能提高定位精度，提高机器人在障碍物边缘行走的能力，避免撞到障碍，损坏财物。

附图说明

图1为本发明防碰撞定位方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明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，都属于本发明保护的范围。

实施例

参见图1，本实施例提供的防碰撞定位方法的策略为：基于amcl进行全局定位，在全局定位过程中，通过里程计相对于机器人坐标系的位姿，并将其转换到世界坐标系，这样就得到了雷达坐标系相对于世界坐标系的位姿，并在里程计附近随机放置n(如n＝1000)个携带位姿的粒子，移动一段距离，记录每个粒子与场景地图1的匹配度，从中选取匹配度最高的粒子(即位姿)，并更新作为里程计在全局定位中的位姿，同时基于位姿更新进一步对地图场景进行处理更新。

该对地图场景进行处理更新的方法为：

从中选取匹配度最高的粒子进行雷达点云与场景地图1的配准，在点云配准过程中，对场景地图1进行二次处理。检查雷达数据与场景地图1不匹配的位置，标记为不可信因子，并进一步检查不可信因子是否场景地图1的障碍内部，若是则将当前定位结果添加到禁止区域中，若否则完成定位更新。

更具体的：

步骤1)、添加禁止区域图层。基于上述定位得到的位姿，计算当前雷达点云的测量结果，并将相应点映射到场景地图上的相应位置，在每个位置点添加禁止区域。

步骤2)、添加场景膨胀图层。与步骤1)原理一致，在场景地图上的障碍区域进行一定距离的膨胀，得到膨胀区域。

步骤3)、将步骤1)、步骤2)所述的禁止区域图层、场景膨胀图层与场景地图进行叠加计算得到新的场景地图2，后续计算将采用新的场景地图2。

步骤4)、将在里程计附近的场景地图2的非障碍区域随机放置粒子，每个粒子将代表不同的里程计位姿。

步骤5)、检查所有粒子的雷达数据与场景地图1的匹配程度，记录匹配度与不匹配区域是否在静态地图的障碍物内部(此为不合理测量)，若是，则标记为不可信因子，将不可信因子与匹配度进行加权求和，得到所有粒子的置信度，该置信度代表了相应粒子的位姿可信程度，选择可信度最大的粒子，得到最优粒子位姿，该位姿即为定位结果。

要说明的是，在本文中，如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (1)

1.一种机器人的防碰撞定位方法，其特征在于，该方法包括：

基于里程计获取机器人相对于世界坐标系的位姿；

在里程计附近随机放置n个携带位姿的粒子；

于移动一段距离时，选取与当前场景地图匹配度最高的粒子更新为机器人位姿；

于机器人位姿更新时，同步对当前场景地图进行禁止区域更新，该禁止区域指机器人不可达的障碍区域内部；

所述对当前场景地图进行禁止区域更新的方法为：

将选取的与当前场景地图匹配度最高的粒子的雷达点云与当前场景地图配准，并将雷达点云数据与当前场景地图不匹配的位置标记为不可信因子，并进一步判断不可信因子是否为当前场景地图的障碍区域，若是则将当前定位结果添加到禁止区域中；

将当前定位结果添加到禁止区域中的方法为：

计算选取的与当前场景地图匹配度最高的粒子的雷达点云的测量结果，并将相应点映射到当前场景地图上的相应位置，在每个位置点添加禁止区域，获得禁止区域图层；

在当前场景地图上的障碍区域进行一定距离的膨胀，得到膨胀区域，获得场景膨胀图层；

将禁止区域图层、场景膨胀图层与当前场景地图叠加计算以更新当前场景地图上的禁止区域；

还包括：

在更新后的当前场景地图的里程计附近的非障碍区域随机放置粒子；

检查所有粒子的雷达数据与当前场景地图的匹配度，记录匹配度的同时记录不匹配区域是否在静态地图的障碍区域内部，若是，则标记为不可信因子，将不可信因子与匹配度进行加权求和，得到所有粒子的置信度，该置信度代表了相应粒子的位姿可信程度，选择置信度最大的粒子，得到最优粒子位姿，该位姿即为定位结果。