CN114383622B - 机器人定位方法、机器人及计算机可读存储介质 - Google Patents
机器人定位方法、机器人及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114383622B CN114383622B CN202111615155.2A CN202111615155A CN114383622B CN 114383622 B CN114383622 B CN 114383622B CN 202111615155 A CN202111615155 A CN 202111615155A CN 114383622 B CN114383622 B CN 114383622B
- Authority
- CN
- China
- Prior art keywords
- current
- subgraph
- robot
- region subgraph
- region
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004044 response Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
本申请公开了机器人定位方法、机器人及计算机可读存储介质,该机器人定位方法包括:构建当前区域子图;将当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图;获取与当前区域子图对应的第一格栅集合和分别与至少一待定区域子图对应的至少一第二格栅集合,并基于第一格栅集合和至少一第二格栅集合得到目标区域子图;基于目标区域子图,确定当前位置。基于上述方式,有利于提高机器人的定位速度。
Description
技术领域
本申请涉及定位技术领域,特别是涉及机器人定位方法、机器人及计算机可读存储介质。
背景技术
现有技术中,在对一个环境内的机器人进行定位时,通常需要将机器人的当前位置处采集的传感器数据(如:激光雷达数据)与预存的全局地图数据进行匹配,以最终确定机器人的当前位置。
现有技术的缺陷在于,在机器人所处的环境所对应的全局地图较大时,采用机器人的当前位置处采集的传感器数据与预存的全局地图数据进行匹配将会消耗过多的时间,使得机器人的定位速度较慢。
发明内容
本申请主要解决的技术问题是如何提高机器人的定位速度。
为了解决上述技术问题,本申请采用的第一技术方案是:一种机器人定位方法,包括:构建当前区域子图,其中,当前区域子图为与机器人的当前位置对应的区域子图,区域子图为概率格栅地图;将当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图;获取与当前区域子图对应的第一格栅集合和与至少一分别与至少一待定区域子图对应的至少一第二格栅集合,并基于第一格栅集合和至少一第二格栅集合得到目标区域子图;基于目标区域子图,确定当前位置。
为了解决上述技术问题,本申请采用的第二技术方案是:一种机器人,包括:存储器和处理器;存储器用于存储程序指令,处理器用于执行程序指令以实现上述方法。
为了解决上述技术问题,本申请采用的第三技术方案是:一种计算机可读存储介质,计算机可读存储介质存储有程序指令,程序指令被处理器执行时实现上述方法。
本申请的有益效果在于:区别于现有技术,本申请通过构建机器人所在的当前位置所对应的当前区域子图,并将当前区域子图分别与预存区域子图集合中的各图进行匹配以确定出至少一待定区域子图,之后再根据第一格栅集合和至少一第二格栅集合确定至少一待定区域子图中的目标区域子图,以基于目标区域子图确定机器人的当前位置。基于上述方式,由于在将当前区域子图分别与预存区域子图集合中的各图进行匹配的步骤中,不同对象组合匹配处理可基于多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅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是本申请机器人定位方法的第一实施例的流程示意图;
图2是本申请机器人定位方法的第二实施例的流程示意图;
图3是本申请机器人定位方法的第三实施例的流程示意图;
图4是本申请机器人定位方法的第四实施例的流程示意图;
图5是本申请机器人的一实施例的结构示意图;
图6是本申请计算机可读存储介质的一实施例的结构示意图。
具体实施方式
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,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例,均属于本申请保护的范围。
本申请中的术语“第一”、“第二”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。本申请的描述中,“多”的含义是至少两,例如两,三等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请首先公开了一种机器人定位方法,如图1所示,图1是本申请机器人定位方法的第一实施例的流程示意图,机器人定位方法可包括:
步骤S11:构建当前区域子图。
其中,当前区域子图为与机器人的当前位置对应的区域子图,区域子图为概率格栅地图。
可控制机器人在当前位置所对应的区域内进行运动(如:原地旋转或往返一段距离),并在运动到不同地点或不同姿态时基于机器人上的传感器采集相应的环境数据,以构成分别与该区域内的不同地点或不同姿态对应的若干格栅。基于若干格栅,即可构建生成与机器人的当前位置对应的概率格栅地图,以作为机器人的当前区域子图。
机器人的传感器可包括2D激光雷达、3D激光雷达、相机、3D点云传感器(如:kinect、zed、双目相机等)和其它传感器中的至少一种,此处不作限定。
步骤S12:将当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图。
其中,预存区域子图集合可以理解为当前环境所对应的全局地图数据,该预存区域子图中可包括将全局地图划分而成的若干区域子图。
可将当前区域子图,分别与预存区域子图集合中的各区域子图,一对一进行匹配分析,以确定预存区域子图集合的全部区域子图中,与当前区域子图相匹配的至少一待定区域子图。
步骤S13:获取与当前区域子图对应的第一格栅集合和分别与至少一待定区域子图对应的至少一第二格栅集合,并基于第一格栅集合和至少一第二格栅集合得到目标区域子图。
其中,当前区域子图为基于第一格栅集合中的全部格栅所构建而出的区域子图,待定区域子图为基于相应第二格栅集合中的全部格栅所构建而出的区域子图。
可将第一格栅集合分别与至少一第二格栅集合进行数据分析,以确定出与当前区域子图最相似的待定区域子图,记作目标区域子图。
步骤S14:基于目标区域子图,确定当前位置。
其中,可基于目标区域子图,确定当前区域子图在全局地图上的位置,进而确定机器人的当前位置。
区别于现有技术,本申请通过构建机器人所在的当前位置所对应的当前区域子图,并将当前区域子图分别与预存区域子图集合中的各图进行匹配以确定出至少一待定区域子图,之后再根据第一格栅集合和至少一第二格栅集合确定至少一待定区域子图中的目标区域子图,以基于目标区域子图确定机器人的当前位置。基于上述方式,由于在将当前区域子图分别与预存区域子图集合中的各图进行匹配的步骤中,不同对象组合匹配处理可基于多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
可选地,步骤S14具体可包括:
基于目标区域子图,确定当前位置和机器人的当前姿态。
具体地,可基于目标区域子图,确定当前区域子图在全局地图上的位置,进而确定机器人在全局地图上的当前姿态,例如:机器人在全局地图上的朝向。基于上述方式,可有效提高机器人定位方法的可靠性。
本申请还提出一种机器人定位方法,如图2所示,图2是本申请机器人定位方法的第二实施例的流程示意图,第二实施例中的步骤S11、S12和S14与第一实施例相同,此处不再赘述。
机器人定位方法包括:
步骤S11:构建当前区域子图。
步骤S12:将当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图。
步骤S131:获取与当前区域子图对应的第一格栅集合和分别与至少一待定区域子图对应的至少一第二格栅集合。
其中,当前区域子图为基于第一格栅集合中的全部格栅所构建而出的区域子图,待定区域子图为基于相应第二格栅集合中的全部格栅所构建而出的区域子图。
步骤S132:基于第一格栅集合和至少一第二格栅集合,得到每个待定区域子图与当前区域子图之间的相似度。
其中,可将第一格栅集合分别与至少一第二格栅集合进行数据分析,以计算得到当前区域子图分别与每个待定区域子图之间的相似度。
步骤S133:将相似度最高的预设数量个待定区域子图中的一区域子图,作为目标区域子图。
其中,可将得到的全部相似度,按照从大到小的顺序进行排序,并筛选出序位最前的预设数量个相似度,以及从筛选出的相似度所对应的预设数量个待定区域子图中确定一区域子图为目标区域子图。
步骤S14:基于目标区域子图,确定当前位置。
具体的,基于上述方式,能够从预存区域子图集合中确定出与当前区域子图足够相似的目标区域子图,并基于该目标区域子图确定机器人的当前位置,提高了机器人定位方法的准确度。
可选地,第一格栅集合和第二格栅集合中的格栅的占有概率为格栅与障碍物处对应的概率。
步骤S132具体可包括:
将第一格栅集合中,占有概率大于第一概率且目标第二格栅集合的相应投影格栅的占有概率大于第二概率的格栅,确定为累计格栅,其中,目标第二格栅集合为至少一第二格栅集合中的一集合。
将各累计格栅的占有概率之和,确定为目标第二格栅集合所对应的待定区域子图与当前区域子图之间的相似度。
具体的,区域子图为概率格栅地图。
可基于一格栅集合中的全部格栅和每个格栅所对应的占有概率,生成一区域子图,其中,一个格栅包含机器人在一个地点采集到的传感器数据,而占有概率可表示相应格栅与机器人碰撞到障碍物处的传感器数据相对应的概率。
占有概率的计算公式如下:
其中,p为目标格栅的占有概率,j为机器人采集到目标格栅所对应的传感器数据的总次数,i为机器人判定目标格栅与机器人碰撞到障碍物处的传感器数据相对应的次数,目标格栅为任意格栅集合中的一格栅,传感器数据可包括激光雷达数据和其它类型传感器数据中的至少一种,此处不作限定。
在确定目标第二格栅集合所对应的待定区域子图与当前区域子图之间的相似度,将各累计格栅的占有概率之和确定为目标第二格栅集合所对应的待定区域子图与当前区域子图之间的相似度时,第一概率和第二概率均可以是1/2,具体流程可如下:
将第二格栅集合中与第一格栅集合中与同一地点相对应的格栅,相互确定为投影格栅。
从第一格栅集合中筛选出占有概率大于1/2的格栅,记作待累计格栅。
确定全部待累计格栅在第二格栅集合中的投影格栅,并从全部待累计格栅中筛选出相应投影格栅的占有概率大于1/2的格栅,记作累计格栅。
将全部累计格栅所对应的占有概率进行累加求和,即可得到目标第二格栅集合所对应的待定区域子图与当前区域子图之间的相似度。
可针对各待定区域子图,多次执行上述具体流程,以得到全部待定区域子图所对应的相似度。
最后可将相似度最高的预设数量个待定区域子图中的一区域子图确定为目标区域子图,其中,预设数量可以是1,也可以是3,还可以是其它数量,具体可根据实际需求而定,此处不作限定。
基于上述方式,可提高所获取的当前区域子图分别与每个待定区域子图之间的相似度的准确度,进而提高机器人定位方法的准确度。
需要说明的是,在针对各待定区域子图,多次执行上述具体流程,以得到全部待定区域子图所对应的相似度时,同样可多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
区别于现有技术,本申请通过构建机器人所在的当前位置所对应的当前区域子图,并将当前区域子图分别与预存区域子图集合中的各图进行匹配以确定出至少一待定区域子图,之后再根据第一格栅集合和至少一第二格栅集合确定至少一待定区域子图中的目标区域子图,以基于目标区域子图确定机器人的当前位置。基于上述方式,由于在将当前区域子图分别与预存区域子图集合中的各图进行匹配的步骤中,不同对象组合匹配处理可基于多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
本申请还提出一种机器人定位方法,如图3所示,图3是本申请机器人定位方法的第三实施例的流程示意图,第三实施例中的步骤S11、S13和S14与第一实施例相同,此处不再赘述。
机器人定位方法包括:
步骤S11:构建当前区域子图。
步骤S121:基于预设算法,将当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图。
其中,预设算法包括相关性扫描匹配算法、迭代最近点算法和最小二乘算法中的至少一种。
步骤S13:获取与当前区域子图对应的第一格栅集合和分别与至少一待定区域子图对应的至少一第二格栅集合,并基于第一格栅集合和至少一第二格栅集合得到目标区域子图。
步骤S14:基于目标区域子图,确定当前位置。
具体的,可通过暴力搜索的相关性扫描匹配算法、基于点云匹配的迭代最近点算法、基于优化的最小二乘算法和其它算法中的至少一种,确定当前区域子图分别与预存区域子图集合中的各区域子图的位置关系,进而确定当前区域子图分别与预存区域子图集合中的各区域子图是否匹配。
基于上述方式,可提高匹配的准确度,进而提高机器人定位方法的准确度。
区别于现有技术,本申请通过构建机器人所在的当前位置所对应的当前区域子图,并将当前区域子图分别与预存区域子图集合中的各图进行匹配以确定出至少一待定区域子图,之后再根据第一格栅集合和至少一第二格栅集合确定至少一待定区域子图中的目标区域子图,以基于目标区域子图确定机器人的当前位置。基于上述方式,由于在将当前区域子图分别与预存区域子图集合中的各图进行匹配的步骤中,不同对象组合匹配处理可基于多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
本申请还提出一种机器人定位方法,如图4所示,图4是本申请机器人定位方法的第四实施例的流程示意图,第四实施例中的机器人定位方法包括第一实施例中的步骤S11-S14,此处不再赘述。
在步骤S11之前,机器人定位方法还包括:
步骤S21:基于预设运动路线,在当前区域范围内,每移动第一距离记录一次传感器数据。
其中,当前区域范围为与当前起点的距离在第二距离以内的范围,当前起点为机器人在当前区域范围内的运动起点。预设运动路线可以是遍历整个当前区域范围的弓形路线,也可以是原地旋转,也可以是往返一段距离,还可以是其它路线,此处不作限定。
步骤S22:响应于机器人与当前起点的距离大于第二距离,基于与当前区域范围对应的传感器数据,构建与当前区域范围对应的区域子图,以存入预存区域子图集合。
具体的,基于上述方式,可构建出与一个区域对应的具备完善信息的区域子图,进而可提高后续基于预存区域子图集合进行机器人定位的准确度。
可选地,如图4所示,在步骤S22之后,机器人定位方法还包括:
步骤S23:判断是否结束构图。
若步骤S23的判断结果为否,则执行步骤S24,之后执行步骤S21及后续步骤。若步骤S23的判断结果为是,则执行步骤S25。
步骤S24:将机器人的当前位置确定为新的当前起点。
步骤S25:结束构图。
具体的,可以是根据当前是否已构建全局地图中的全部区域子图来判断是否结束构图,若已构建全局地图中的全部区域子图则判断结果为是,若尚未构建全局地图中的全部区域子图则判断结果为否。
基于上述方式,可避免漏构建区域子图的现象出现,提高后续基于预存区域子图集合进行机器人定位的准确度。
可选的,传感器数据为激光雷达数据。
区别于现有技术,本申请通过构建机器人所在的当前位置所对应的当前区域子图,并将当前区域子图分别与预存区域子图集合中的各图进行匹配以确定出至少一待定区域子图,之后再根据第一格栅集合和至少一第二格栅集合确定至少一待定区域子图中的目标区域子图,以基于目标区域子图确定机器人的当前位置。基于上述方式,由于在将当前区域子图分别与预存区域子图集合中的各图进行匹配的步骤中,不同对象组合匹配处理可基于多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
本申请还提出一种机器人,如图5所示,图5是本申请机器人的一实施例的结构示意图,机器人50包括:处理器51、存储器52以及总线53。
该处理器51、存储器52分别与总线53相连,该存储器52中存储有程序指令,处理器51用于执行程序指令以实现上述实施例中的机器人定位方法。
在本实施例中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、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51也可以是任何常规的处理器等。
区别于现有技术,本申请通过构建机器人所在的当前位置所对应的当前区域子图,并将当前区域子图分别与预存区域子图集合中的各图进行匹配以确定出至少一待定区域子图,之后再根据第一格栅集合和至少一第二格栅集合确定至少一待定区域子图中的目标区域子图,以基于目标区域子图确定机器人的当前位置。基于上述方式,由于在将当前区域子图分别与预存区域子图集合中的各图进行匹配的步骤中,不同对象组合匹配处理可基于多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
本申请还提出一种计算机可读存储介质,如图6所示,图6是本申请计算机可读存储介质的一实施例的结构示意图,计算机可读存储介质60其上存储有程序指令61,程序指令61被处理器(图未示)执行时实现上述实施例中的机器人定位方法。
本实施例计算机可读存储介质60可以是但不局限于U盘、SD卡、PD光驱、移动硬盘、大容量软驱、闪存、多媒体记忆卡、服务器、FPGA或ASIC中的存储单元等。
区别于现有技术,本申请通过构建机器人所在的当前位置所对应的当前区域子图,并将当前区域子图分别与预存区域子图集合中的各图进行匹配以确定出至少一待定区域子图,之后再根据第一格栅集合和至少一第二格栅集合确定至少一待定区域子图中的目标区域子图,以基于目标区域子图确定机器人的当前位置。基于上述方式,由于在将当前区域子图分别与预存区域子图集合中的各图进行匹配的步骤中,不同对象组合匹配处理可基于多线程技术同时进行,降低了匹配处理所需要消耗的时间,进而可提高机器人的定位速度。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种机器人定位方法,其特征在于,包括:
构建当前区域子图,其中,所述当前区域子图为与机器人的当前位置对应的区域子图,所述区域子图为概率格栅地图;
将所述当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图;
获取与所述当前区域子图对应的第一格栅集合和分别与所述至少一待定区域子图对应的至少一第二格栅集合,并基于所述第一格栅集合和所述至少一第二格栅集合得到目标区域子图;
基于所述目标区域子图,确定所述当前位置;
所述基于所述第一格栅集合和所述至少一第二格栅集合得到目标区域子图的步骤包括:
将所述第一格栅集合中,占有概率大于第一概率且目标第二格栅集合的相应投影格栅的占有概率大于第二概率的格栅,确定为累计格栅,其中,所述目标第二格栅集合为所述至少一第二格栅集合中的一集合;
将各所述累计格栅的占有概率之和,确定为所述目标第二格栅集合所对应的待定区域子图与所述当前区域子图之间的相似度;
将相似度最高的预设数量个所述待定区域子图中的一区域子图,作为所述目标区域子图;
其中,所述第一格栅集合和所述第二格栅集合中的格栅的占有概率为相应格栅与所述机器人碰撞到障碍物处的传感器数据相对应的概率。
2.根据权利要求1所述的机器人定位方法,其特征在于,所述将所述当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图的步骤包括:
基于预设算法,将所述当前区域子图分别与预存区域子图集合中的各区域子图进行匹配,以确定至少一待定区域子图,其中,所述预设算法包括相关性扫描匹配算法、迭代最近点算法和最小二乘算法中的至少一种。
3.根据权利要求1所述的机器人定位方法,其特征在于,在所述构建当前区域子图的步骤之前,所述机器人定位方法还包括:
基于预设运动路线,在当前区域范围内,每移动第一距离记录一次传感器数据,其中,所述当前区域范围为与当前起点的距离在第二距离以内的范围,所述当前起点为所述机器人在所述当前区域范围内的运动起点;
响应于所述机器人与所述当前起点的距离大于所述第二距离,基于与所述当前区域范围对应的传感器数据,构建与所述当前区域范围对应的区域子图,以存入所述预存区域子图集合。
4.根据权利要求3所述的机器人定位方法,其特征在于,在所述响应于所述机器人与所述当前起点的距离大于所述第二距离,基于与所述当前区域范围对应的传感器数据,构建与所述当前区域范围对应的区域子图,以存入所述预存区域子图集合的步骤之后,所述机器人定位方法还包括:
判断是否结束构图;
若否,则将机器人的当前位置确定为新的当前起点,并返回执行所述基于预设运动路线,在当前区域范围内,每移动第一距离记录一次传感器数据的步骤及后续步骤。
5.根据权利要求3所述的机器人定位方法,其特征在于,所述传感器数据为激光雷达数据。
6.根据权利要求1所述的机器人定位方法,其特征在于,所述基于所述目标区域子图,确定所述当前位置的步骤包括:
基于所述目标区域子图,确定所述当前位置和所述机器人的当前姿态。
7.一种机器人,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令,所述处理器用于执行所述程序指令以实现如权利要求1至6任一项所述方法。
8.一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存储有程序指令,所述程序指令被处理器执行时实现如权利要求1至6任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615155.2A CN114383622B (zh) | 2021-12-27 | 2021-12-27 | 机器人定位方法、机器人及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615155.2A CN114383622B (zh) | 2021-12-27 | 2021-12-27 | 机器人定位方法、机器人及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114383622A CN114383622A (zh) | 2022-04-22 |
CN114383622B true CN114383622B (zh) | 2024-04-19 |
Family
ID=81197764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111615155.2A Active CN114383622B (zh) | 2021-12-27 | 2021-12-27 | 机器人定位方法、机器人及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114383622B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037806A (zh) * | 2016-02-04 | 2017-08-11 | 科沃斯机器人股份有限公司 | 自移动机器人重新定位方法及采用该方法的自移动机器人 |
WO2019126332A1 (en) * | 2017-12-19 | 2019-06-27 | Carnegie Mellon University | Intelligent cleaning robot |
CN110207710A (zh) * | 2019-06-26 | 2019-09-06 | 北京小狗智能机器人技术有限公司 | 机器人重定位方法及装置 |
CN110675457A (zh) * | 2019-09-27 | 2020-01-10 | Oppo广东移动通信有限公司 | 定位方法及装置、设备、存储介质 |
CN111830985A (zh) * | 2020-07-24 | 2020-10-27 | 中南大学 | 一种多机器人定位方法、***及集中式通信*** |
CN112102151A (zh) * | 2020-07-27 | 2020-12-18 | 广州视源电子科技股份有限公司 | 栅格地图的生成方法、装置、移动智慧设备和存储介质 |
CN112802103A (zh) * | 2021-02-01 | 2021-05-14 | 深圳万拓科技创新有限公司 | 激光扫地机的位姿重定位方法、装置、设备及介质 |
CN113011517A (zh) * | 2021-03-30 | 2021-06-22 | 上海商汤临港智能科技有限公司 | 定位结果检测方法、装置、电子设备及存储介质 |
CN113448326A (zh) * | 2020-03-25 | 2021-09-28 | 北京京东乾石科技有限公司 | 机器人定位方法及装置、计算机存储介质、电子设备 |
CN113763551A (zh) * | 2021-09-08 | 2021-12-07 | 北京易航远智科技有限公司 | 一种基于点云的大规模建图场景的快速重定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210042537A (ko) * | 2019-10-10 | 2021-04-20 | 엘지전자 주식회사 | 대면적의 공간에서 로컬 영역별로 위치를 추정하는 방법 및 이를 구현하는 로봇과 클라우드 서버 |
-
2021
- 2021-12-27 CN CN202111615155.2A patent/CN114383622B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037806A (zh) * | 2016-02-04 | 2017-08-11 | 科沃斯机器人股份有限公司 | 自移动机器人重新定位方法及采用该方法的自移动机器人 |
WO2019126332A1 (en) * | 2017-12-19 | 2019-06-27 | Carnegie Mellon University | Intelligent cleaning robot |
CN110207710A (zh) * | 2019-06-26 | 2019-09-06 | 北京小狗智能机器人技术有限公司 | 机器人重定位方法及装置 |
CN110675457A (zh) * | 2019-09-27 | 2020-01-10 | Oppo广东移动通信有限公司 | 定位方法及装置、设备、存储介质 |
CN113448326A (zh) * | 2020-03-25 | 2021-09-28 | 北京京东乾石科技有限公司 | 机器人定位方法及装置、计算机存储介质、电子设备 |
CN111830985A (zh) * | 2020-07-24 | 2020-10-27 | 中南大学 | 一种多机器人定位方法、***及集中式通信*** |
CN112102151A (zh) * | 2020-07-27 | 2020-12-18 | 广州视源电子科技股份有限公司 | 栅格地图的生成方法、装置、移动智慧设备和存储介质 |
CN112802103A (zh) * | 2021-02-01 | 2021-05-14 | 深圳万拓科技创新有限公司 | 激光扫地机的位姿重定位方法、装置、设备及介质 |
CN113011517A (zh) * | 2021-03-30 | 2021-06-22 | 上海商汤临港智能科技有限公司 | 定位结果检测方法、装置、电子设备及存储介质 |
CN113763551A (zh) * | 2021-09-08 | 2021-12-07 | 北京易航远智科技有限公司 | 一种基于点云的大规模建图场景的快速重定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114383622A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7167397B2 (ja) | 点群データを処理するための方法及び装置 | |
US10614324B2 (en) | Method and apparatus for identifying static obstacle | |
CN108319655B (zh) | 用于生成栅格地图的方法和装置 | |
US11086016B2 (en) | Method and apparatus for tracking obstacle | |
US11537138B2 (en) | Adaptive region division method and system | |
US9207678B2 (en) | Method and apparatus for constructing map for mobile robot | |
CN111680673B (zh) | 一种栅格地图中动态物体的检测方法、装置及设备 | |
CN112700479B (zh) | 一种基于cnn点云目标检测的配准方法 | |
CN113475976B (zh) | 机器人可通行区域确定方法、装置、存储介质及机器人 | |
CN113269811A (zh) | 数据融合方法、装置及电子设备 | |
CN115240094A (zh) | 一种垃圾检测方法和装置 | |
CN113589306A (zh) | 定位方法、装置、电子设备及存储介质 | |
CN114383622B (zh) | 机器人定位方法、机器人及计算机可读存储介质 | |
CN112965076A (zh) | 一种用于机器人的多雷达定位***及方法 | |
CN112381873A (zh) | 一种数据标注方法及装置 | |
CN115917624A (zh) | 中央装置、地图生成***、地图生成方法 | |
CN115909253A (zh) | 一种目标检测、模型训练方法、装置、设备及存储介质 | |
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 | |
CN112820141B (zh) | 一种泊车车位的检测方法和检测*** | |
CN107392209B (zh) | 一种提取线段的装置及方法 | |
Tang et al. | An approach of dynamic object removing for indoor mapping based on UGV SLAM | |
CN114755444B (zh) | 目标速度测定方法、装置、电子设备及存储介质 | |
CN115293980B (zh) | 一种基于历史信息的小尺寸动态噪点滤除方法、装置 | |
CN118131739A (zh) | 区域探索方法、机器人及计算机存储介质 | |
CN115265558A (zh) | 全局初始化定位方法、装置和自动驾驶车辆 |
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 |