CN114608585A - 一种移动机器人同步定位与建图方法及装置 - Google Patents

一种移动机器人同步定位与建图方法及装置 Download PDF

Info

Publication number
CN114608585A
CN114608585A CN202210338313.2A CN202210338313A CN114608585A CN 114608585 A CN114608585 A CN 114608585A CN 202210338313 A CN202210338313 A CN 202210338313A CN 114608585 A CN114608585 A CN 114608585A
Authority
CN
China
Prior art keywords
particles
particle
weight
pose
updating
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.)
Pending
Application number
CN202210338313.2A
Other languages
English (en)
Inventor
毛国勇
张宇轩
陈从平
姚文卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN202210338313.2A priority Critical patent/CN114608585A/zh
Publication of CN114608585A publication Critical patent/CN114608585A/zh
Pending legal-status Critical Current

Links

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
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及Gmapping算法技术领域，尤其涉及一种移动机器人同步定位与建图方法及装置，包括：获取k时刻每个粒子的位姿，根据粒子个数平均分配各粒子的权值；根据k时刻实际观测值和每个粒子的位姿，对每个粒子的权值进行更新并归一化处理；根据粒子的权重判断最优粒子，根据生成的随机数来决定粒子进行全局搜索或局部搜索，更新粒子位姿；计算优化后的粒子重要性权值，并归一化，计算得到有效的粒子数；基于粒子的运动轨迹，更新粒子的地图信息，建立机器人实际地图。本发明加入自适应权重优化的全局/局部搜索算法，对Gmapping运行过程中的粒子集更新优化，解决在同步定位与地图构建中出现的因粒子退化而无法精确定位建图的问题。

Description

一种移动机器人同步定位与建图方法及装置
技术领域
本发明涉及Gmapping算法技术领域，尤其涉及一种移动机器人同步定位与建图方法及装置。
背景技术
移动机器人的同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)是指机器人在未知的环境中运动，通过传感器观测到的地图特征进行位姿估计，再根据自身位置构建地图，以此达到同步定位和地图构建的目的。SLAM作为自主导航的关键，一直以来都是机器人研究领域的热点；当前使用最广泛的粒子滤波算法是Gmapping算法，该算法核心思想是将定位和建图过程分离，移动机器人利用传感器(如里程计、激光、超声波等)不断的采集周围环境信息定位自身位置，再根据定位构建出环境地图。Gmapping算法将不同传感器的数据融合，构建出的地图精度较高，改善了传统粒子滤波算法粒子贫乏问题。
CN113093756A的专利，该方案就使用了Gmapping算法，但该算法在大环境、闭环较多、局部相似度较高的环境下，经过多次迭代，会出现粒子退化，多样性缺失的问题，导致建出的栅格地图质量不高，有时甚至出现SLAM失败的情况，其稳定性和可靠性还有待提高。
一种基于改进的Gmapping-SLAM地图更新方法及***：在Gmapping的基础上，通过点云波动量，自适应调整算法所使用的粒子数，优化的是Gmapping运行前所需要的参数部分。
发明内容
解决的技术问题：在Gmapping中加入了自适应权重优化的全局/局部搜索算法，对Gmapping运行过程中的粒子集更新优化，解决在同步定位与地图构建中出现的因粒子退化而无法精确定位建图的问题。
本发明所采用的技术方案是：一种移动机器人同步定位与建图方法，包括以下步骤：
S1、采集机器人周边的环境信息，即机器人与周围障碍物之间的距离和角度信息，进行粒子采样，获取k时刻每个粒子的位姿，并根据粒子个数平均分配各粒子的权值；
进一步的，判断k时刻是否为零时刻，如果是，则生成零时刻的粒子位姿；否则，根据时间k-1处的粒子姿态和里程计数据，预测时间k处的粒子姿态，并给予初始值添加高斯采样的噪声点；基于地图信息、机器人估计位姿、观测量，对每个粒子进行扫描匹配，寻求每个粒子在k时刻的最佳位置坐标；
S2、根据k时刻的实际观测值和每个粒子的位姿，对每个粒子的权值进行更新并归一化处理；
进一步的，对每个粒子的权值进行更新，采用公式：
Figure BDA0003577520920000021
其中，
Figure BDA0003577520920000022
表示在k-1时刻第i个粒子的权值；p表示k时刻的概率密度函数；
Figure BDA0003577520920000023
表示k时刻第i个粒子的实际观测值；
Figure BDA0003577520920000024
表示k-1时刻第i个粒子的地图信息；
Figure BDA0003577520920000025
表示k时刻第i个粒子的位姿；
S3、根据粒子的权重判断最优粒子，根据生成的随机数来决定粒子进行全局搜索，或是局部搜索，更新粒子位姿，当达到最大迭代次数时，停止迭代；
进一步的，通过迭代更新粒子位姿，包括：
根据更新所得权重最大的粒子作为最优粒子，生成随机数与切换频率r比较，用于确定搜索方法是执行全局搜索还是局部搜索，公式如下：
全局搜索：
Figure BDA0003577520920000031
局部搜索：
Figure BDA0003577520920000032
其中，
Figure BDA0003577520920000033
表示k+1时刻第i个粒子的位姿；
Figure BDA0003577520920000034
表示k时刻第i、j、h个粒子的位姿，
Figure BDA0003577520920000035
随机选择；g*表示权值最大的粒子；Fi表示第i个粒子的适应度值；
进一步的，引入惯性权重，用以平衡算法的全局和局部搜索能力，防止算法进入局部最优的问题，惯性权重公式：
Figure BDA0003577520920000036
其中，ωmax为最大惯性系数，ωmin为最小惯性系数，T为最大迭代次数，t为当前迭代次数；
改进后的全局搜索公式为：
Figure BDA0003577520920000037
S4、计算优化后的粒子重要性权值，并归一化，计算得到有效的粒子数Neff，并将有效的粒子数与阈值进行比较，根据比较结果对粒子和粒子权值进行操作；
进一步的，当有效粒子数小于预设的阈值时，对粒子进行重采样操作，删除粒子集中权值较低的粒子，复制新的高权值粒子，建立新的粒子集，使新粒子集粒子数和重采样之前的粒子数相等，计算并更新重采样粒子的权值；当有效粒子大于设定的阈值时，保持原采样的粒子及每个粒子的权值；
进一步的，有效粒子数Neff为：
Figure BDA0003577520920000038
其中，
Figure BDA0003577520920000039
表示k时刻第i个粒子权重值；
S5、基于粒子的运动轨迹，更新粒子的地图信息，建立机器人实际地图。
一种移动机器人同步定位与建图装置，包括：里程计运动模块、激光雷达观测模块和同步定位与建图模块，里程计运动模块与激光雷达观测模块均与同步定位与建图模块连接；
里程计运动模块，用于获取移动机器人运动的速度数据，初始化、更新粒子的位姿；
激光雷达观测模块，用于获取移动机器人周边的环境信息，作为k时刻的实际观测值，进行扫描匹配；
同步定位与建图模块，用于初始化粒子的权值，并根据每个粒子的位姿和k时刻的实际观测值，对粒子进行权值更新并归一化处理；获取权值最大的粒子作为最优粒子，生成随机数，通过迭代，判断对粒子集中的粒子进行全局/局部更新搜索，更新粒子的位姿；计算优化后的粒子重要性权值，并归一化，计算得到有效的粒子数；自适应重采样，判断有效粒子数小于设定的阈值时，对粒子进行重采样，反之，不执行；根据粒子的权重判断最优粒子，获取其运动轨迹，从而更新地图信息。
本发明的有益效果是：
改善了粒子采样过程，通过自适应权重优化的全局搜索与局部搜索方法，对下一时刻的粒子集进行更新优化，使其向真实状态逼近，缓解粒子的退化现象，使算法以较少的粒子数构建出更准确的栅格地图，保证运行速度，提高建图的精度。
附图说明
图1为本发明移动机器人同步定位与建图方法的流程示意图；
图2为本发明中全局/局部搜索方法的流程示意图；
图3为本发明移动机器人同步定位与建图装置的结构示意图；
图4为本发明的ACES Building数据集实验对比结果图；
图5为本发明的Intel Research Lab数据集实验对比结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，一种移动机器人同步定位与建图方法包括以下步骤：
S1、采集机器人周边的环境信息，进行粒子采样，获取k时刻每个粒子的位姿，并根据粒子个数平均分配各粒子的权值；
启动机器人操作***、启动激光雷达和里程计，采集移动机器人周围环境的信息；
根据提议分布采样粒子，获取k时刻每个粒子的位姿
Figure BDA0003577520920000051
其中位姿包括粒子的坐标和角度等；并根据粒子数平均分配粒子的权值；具体如下：
根据里程计采集的环境信息，进行粒子采样，首先判断k时刻是否为初始阶段(k＝0)，如果是，则生成k＝0时刻的初始化粒子的位姿向量，并且平均分配粒子的权值
Figure BDA0003577520920000052
其中i＝1,2,...,N，N为粒子数；如果不是，则根据时间k-1处的粒子姿态和里程计数据，预测时间k处的粒子姿态，并且基于初始值添加高斯采样的噪声点；
S2、根据k时刻的实际观测值和每个粒子的位姿，对每个粒子的权值进行更新并归一化处理；
对每个粒子进行扫描匹配，主要作用是寻求每一个粒子在t时刻的最佳位置坐标，为后面进行权重的更新做出相应的准备；如果扫描匹配失败，只根据运动模型采样粒子，使用传感器观测模型计算采样粒子权重。
改进提议分布：传统方法计算提议分布时只考虑运动模型数据，里程计的测量信息容易被外界环境所干扰，造成提议分布和目标分布误差较大，需要提供较大的粒子；改进后的提议分布，在采集下一代粒子时结合了最近一次的观测数据，使之更接近目标位姿的后验概率分布，从而减少采样的粒子数量；移动机器人在运行过程中，将里程计数据和激光雷达观测得到的数据集成到提议分布中，改进的提议分布为：
Figure BDA0003577520920000061
其中，
Figure BDA0003577520920000062
表示k-1时刻第i个粒子的位姿，
Figure BDA0003577520920000063
表示k时刻第i个粒子的实际观测数据，uk-1表示k-1时刻的里程计测量数据，
Figure BDA0003577520920000064
表示k-1时刻第i个粒子获取的相应地图信息；
根据激光雷达模块的实际观测值，利用下述公式更新粒子的权值：
Figure BDA0003577520920000065
其中，
Figure BDA0003577520920000066
表示更新后的k时刻第i个粒子的权值；
Figure BDA0003577520920000067
表示在k-1时刻第i个粒子的权值；p表示k时刻的概率密度函数；
如果粒子的权值大，说明信任该粒子比较多；在权值更新后需要利用下述公式进行权值归一化处理：
Figure BDA0003577520920000068
其中，
Figure BDA0003577520920000069
表示归一化后的k时刻第i个粒子的权值；
Figure BDA00035775209200000610
表示更新后的k时刻第i个粒子的权值；N表示粒子个数；
S3、根据粒子的权重判断最优粒子，根据生成的随机数来决定粒子进行全局搜索，或是局部搜索，更新粒子位姿，当达到最大迭代次数时，停止迭代；
具体流程如图2所示：
对每个粒子利用公式F＝cIa进行适应度值计算；其中，F表示粒子的适应度值大小，c为感官因子，I为刺激强度，a为依赖于感官因子的幂指数，通常a和c取[0,1]；
根据步骤S2计算出的每个粒子的权重，选择权值最大的粒子记为g*，生成切换频率r，确定算法执行全局搜索或局部搜索，来更新粒子位姿，全局和局部搜索公式如下：
Figure BDA0003577520920000071
Figure BDA0003577520920000072
其中，
Figure BDA0003577520920000073
表示k+1时刻第i个粒子的位姿；
Figure BDA0003577520920000074
表示k时刻第i、j、h个粒子的位姿，
Figure BDA0003577520920000075
随机选择；ω(k)表示k时刻的惯性权重；g*表示权值最大的粒子；Fi表示第i个粒子的适应度值；
S4、计算优化后的粒子重要性权值，并归一化，计算得到有效的粒子数Neff；当有效粒子数Neff小于预设的阈值Nth，Nth＝N/2，N表示粒子数，即Neff<Nth时，对粒子进行重采样操作，并结合k时刻的实际观测值和重采样粒子的位姿，计算并更新重采样粒子的权值；判断有效粒子大于设定的阈值时，保持采样的粒子及每个粒子的权值；
有效粒子数Neff表示粒子集的退化程度，Neff值越小退化越严重，需要进行重采样；Neff的值越大表示粒子集的多样性越好，则不需要进行重采样。Neff的定义：
Figure BDA0003577520920000076
其中，
Figure BDA0003577520920000081
表示k时刻第i个粒子权重值；
S5、基于粒子的运动轨迹，更新粒子的地图信息，建立机器人实际地图；所有粒子都需要存储自己的地图信息，就是粒子的运动轨迹，然后更新粒子的地图信息；根据权重判断最优粒子，获取其运动轨迹，从而更新地图信息，建立机器人实际地图；
为验证本发明所提出的同步定位与建图方法的有效性，使用ACES Building数据集和Intel Research Lab数据集进行验证；选取linearUpdate＝1.0和argularUpdate＝0.5为最优参数配置，通过控制粒子数，将本发明与Gmapping的栅格地图结构正确性进行对比；实验在一台操作***为Ubuntu16.04，主频2.9GHz的计算机上进行，设置参数幂指数a为0.1，感官因子c为0.75，切换频率r为0.8。
ACES Building数据集的环境特征较少，但有多个回环，分别使用10个和20个粒子，对两种算法进行实验；图4(a)是Gmapping使用10个粒子时，建出的地图，可以看出4处地方出现了“假墙”现象，地图精度很差；图4(b)是当粒子数增加至20时，地图精度相比之前有所提高，但仍有两处不一致，偏差较大。
图4(c)是本发明算法使用10个粒子时，虽然也有2处不一致，但其地图偏差程度相比Gmapping相对较小；图4(d)使用20个粒子时，虽然有1处较小的假墙，但其整体的地图结构与真实环境基本一致，地图的精度明显优于Gmapping。
Intel Research Lab数据集的地图环境特征比较明显且有回环，分别使用5个粒子和20个粒子对两种算法进行实验；图5(a)是Gmapping使用5个粒子的实验结果，Gmapping生成的地图有7处不准确的位置，特别是在标号6，7处，地图出现明显的变形；如图5(c)本发明算法在细节处比Gmapping算法效果好，但在标号11和12处，出现了轻微的扭曲和变形；如图5(b)在20个粒子仿真结果中，Gmapping地图整体效果良好，但在标号8、9、10处出现了重影、重叠现象；而图5(d)本发明算法建的地图没有误差，准确度很高。
一种移动机器人同步定位与建图装置，包括里程计运动模块、激光雷达观测模块、同步定位与建图模块；
里程计运动模块通过IMU获取移动机器人的速度信息以及移动机器人坐标和角度的变化数据，通过速度信息获取k时刻的粒子位姿，即根据k-1时刻的位姿来获取k时刻的位姿；
激光雷达观测模块，本实施例中激光雷达观测模块采用2D激光雷达，将k时刻移动机器人与周围障碍物之间的距离作为实际观测值；
同步定位与建图模块用于初始化粒子的权值，并根据每个粒子的位姿和k时刻的实际观测值，对粒子进行权值更新并归一化处理；获取权值最大的粒子作为最优粒子，生成随机数，通过迭代，判断对粒子集中的粒子进行全局/局部更新搜索，更新粒子的位姿；计算优化后的粒子重要性权值，并归一化，计算得到有效的粒子数；自适应重采样，判断有效粒子数小于设定的阈值时，对粒子进行重采样，反之，不执行；根据粒子的权重判断最优粒子，获取其运动轨迹，从而更新地图信息，建图机器人的实际地图。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种移动机器人同步定位与建图方法，其特征在于，包括以下步骤：
S1、采集机器人周边的环境信息，包括机器人与周围障碍物之间的距离和角度信息，进行粒子采样，获取k时刻每个粒子的位姿，并根据粒子个数平均分配各粒子的权值；
S2、根据k时刻的实际观测值和每个粒子的位姿，对每个粒子的权值进行更新并归一化处理；
S3、根据粒子的权重判断最优粒子，根据生成的随机数来决定粒子进行全局搜索，或是局部搜索，更新粒子位姿，当达到最大迭代次数时，停止迭代；
S4、计算优化后的粒子重要性权值，并归一化，计算得到有效的粒子数，并将有效的粒子数与阈值进行比较，根据比较结果对粒子和粒子权值进行操作；
S5、基于粒子的运动轨迹，更新粒子的地图信息，建立机器人实际地图。
2.根据权利要求1所述的移动机器人同步定位与建图方法，其特征在于，判断所述k时刻是否为零时刻，如果是，则生成零时刻的粒子位姿；否则，根据时间k-1处的粒子姿态和里程计数据，预测时间k处的粒子姿态，并给予初始值添加高斯采样的噪声点；基于地图信息、机器人估计位姿、观测量，对每个粒子进行扫描匹配，寻求每个粒子在k时刻的最佳位置坐标。
3.根据权利要求1所述的移动机器人同步定位与建图方法，其特征在于，所述粒子的权值通过公式：
Figure FDA0003577520910000011
进行更新，其中，
Figure FDA0003577520910000012
表示在k-1时刻第i个粒子的权值、p表示k时刻的概率密度函数、
Figure FDA0003577520910000013
表示k时刻第i个粒子的实际观测值、
Figure FDA0003577520910000014
表示k-1时刻第i个粒子的地图信息、
Figure FDA0003577520910000015
表示k时刻第i个粒子的位姿。
4.根据权利要求1所述的移动机器人同步定位与建图方法，其特征在于，所述更新粒子位姿是根据更新所得权重最大的粒子作为最优粒子，生成随机数与切换频率r比较，用于确定搜索方法是执行全局搜索还是局部搜索，公式如下：
全局搜索：
Figure FDA0003577520910000021
局部搜索：
Figure FDA0003577520910000022
其中，
Figure FDA0003577520910000023
表示k+1时刻第i个粒子的位姿；
Figure FDA0003577520910000024
表示k时刻第i、j、h个粒子的位姿，
Figure FDA0003577520910000025
随机选择；g*表示权值最大的粒子；Fi表示第i个粒子的适应度值。
5.根据权利要求4所述的移动机器人同步定位与建图方法，其特征在于，引入惯性权重平衡所述全局搜索和所述局部搜索的能力，防止局部最优的问题，惯性权重公式为：
Figure FDA0003577520910000026
其中，ωmax为最大惯性系数，ωmin为最小惯性系数，T为最大迭代次数，t为当前迭代次数；
改进后的全局搜索公式为：
Figure FDA0003577520910000027
6.根据权利要求1所述的移动机器人同步定位与建图方法，其特征在于，所述步骤S4包括：当有效粒子数小于预设的阈值时，对粒子进行重采样操作，删除粒子集中权值较低的粒子，复制新的高权值粒子，建立新的粒子集，使新粒子集粒子数和重采样之前的粒子数相等，计算并更新重采样粒子的权值；当有效粒子大于设定的阈值时，保持原采样的粒子及每个粒子的权值。
7.根据权利要求6所述的移动机器人同步定位与建图方法，其特征在于，所述有效粒子数为：
Figure FDA0003577520910000028
其中，
Figure FDA0003577520910000029
表示k时刻第i个粒子权重值。
8.一种采用权利要求1-7任意一项所述的移动机器人同步定位与建图方法的装置，其特征在于，包括：里程计运动模块、激光雷达观测模块和同步定位与建图模块，里程计运动模块与激光雷达观测模块均与同步定位与建图模块连接；
里程计运动模块用于获取移动机器人运动的速度数据，初始化、更新粒子的位姿；
激光雷达观测模块用于获取移动机器人周边的环境信息，作为k时刻的实际观测值，进行扫描匹配；
同步定位与建图模块用于初始化粒子的权值，并根据每个粒子的位姿和k时刻的实际观测值，对粒子进行权值更新并归一化处理；获取权值最大的粒子作为最优粒子，生成随机数，通过迭代，判断对粒子集中的粒子进行全局/局部更新搜索，更新粒子的位姿；计算优化后的粒子重要性权值，并归一化，计算得到有效的粒子数；自适应重采样，判断有效粒子数小于设定的阈值时，对粒子进行重采样，反之，不执行；根据粒子的权重判断最优粒子，获取其运动轨迹，从而更新地图信息。
CN202210338313.2A 2022-04-01 2022-04-01 一种移动机器人同步定位与建图方法及装置 Pending CN114608585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210338313.2A CN114608585A (zh) 2022-04-01 2022-04-01 一种移动机器人同步定位与建图方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210338313.2A CN114608585A (zh) 2022-04-01 2022-04-01 一种移动机器人同步定位与建图方法及装置

Publications (1)

Publication Number Publication Date
CN114608585A true CN114608585A (zh) 2022-06-10

Family

ID=81866757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210338313.2A Pending CN114608585A (zh) 2022-04-01 2022-04-01 一种移动机器人同步定位与建图方法及装置

Country Status (1)

Country Link
CN (1) CN114608585A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115388893A (zh) * 2022-08-25 2022-11-25 西安电子科技大学芜湖研究院 基于遗传的滤波slam算法的移动机器人建图方法
CN116309907A (zh) * 2023-03-06 2023-06-23 中国人民解放军海军工程大学 一种基于改进的Gmapping算法的移动机器人建图方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115388893A (zh) * 2022-08-25 2022-11-25 西安电子科技大学芜湖研究院 基于遗传的滤波slam算法的移动机器人建图方法
CN115388893B (zh) * 2022-08-25 2024-05-14 西安电子科技大学芜湖研究院 基于遗传的滤波slam算法的移动机器人建图方法
CN116309907A (zh) * 2023-03-06 2023-06-23 中国人民解放军海军工程大学 一种基于改进的Gmapping算法的移动机器人建图方法
CN116309907B (zh) * 2023-03-06 2024-06-04 中国人民解放军海军工程大学 一种基于改进的Gmapping算法的移动机器人建图方法

Similar Documents

Publication Publication Date Title
WO2018018994A1 (zh) 室内定位方法及定位***
KR101912195B1 (ko) 목표의 실시간 위치 측정과 지도 구축 방법 및 장치
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN110167138B (zh) 基于改进灰狼优化算法的无源时差定位***优化布站方法
CN109597864B (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及***
CN112612862B (zh) 一种基于点云配准的栅格地图定位方法
CN111536964A (zh) 机器人定位方法及装置、存储介质
CN114608585A (zh) 一种移动机器人同步定位与建图方法及装置
CN112444246B (zh) 高精度的数字孪生场景中的激光融合定位方法
Saulnier et al. Information theoretic active exploration in signed distance fields
CN115113628A (zh) 一种基于改进灰狼算法的巡检机器人路径规划方法
Shojaei et al. Experimental study of iterated Kalman filters for simultaneous localization and mapping of autonomous mobile robots
Tang et al. Robot tracking in SLAM with Masreliez-Martin unscented Kalman filter
CN116661469B (zh) 机器人轨迹误差修正方法及***
CN111291471A (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN108152812B (zh) 一种调整网格间距的改进agimm跟踪方法
Leung et al. An improved weighting strategy for rao-blackwellized probability hypothesis density simultaneous localization and mapping
CN113253050A (zh) 一种基于鲸鱼优化卡尔曼滤波算法的行波故障测距方法
Zeng et al. An Indoor 2D LiDAR SLAM and Localization Method Based on Artificial Landmark Assistance
CN116736219B (zh) 基于改进粒子群算法的无源tdoa-fdoa联合定位优化布站方法
CN116400318B (zh) 基于在线粒子群优化的多观测目标位置估计方法及装置
CN115016510A (zh) 一种机器人导航避障方法、装置以及存储介质
Ryan Information-theoretic tracking control based on particle filter estimate
Grzonka et al. Look-ahead proposals for robust grid-based slam with rao-blackwellized particle filters
Lv et al. An improved FastSLAM 2.0 algorithm based on FC&ASD-PSO

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