CN117330090A - 移动设备重定位方法、移动设备及存储介质 - Google Patents
移动设备重定位方法、移动设备及存储介质 Download PDFInfo
- Publication number
- CN117330090A CN117330090A CN202311125979.0A CN202311125979A CN117330090A CN 117330090 A CN117330090 A CN 117330090A CN 202311125979 A CN202311125979 A CN 202311125979A CN 117330090 A CN117330090 A CN 117330090A
- Authority
- CN
- China
- Prior art keywords
- target
- laser
- category
- candidate pose
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000005491 wire drawing Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000013507 mapping Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000036544 posture Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G01C21/32—Structuring or formatting of map data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请实施例提供了一种移动设备重定位方法、移动设备及存储介质,该方法包括:获取目标移动设备当前所处的目标区域;根据所述目标移动设备的目标激光点云数据、所述目标区域和全局栅格地图,确定所述目标移动设备的第一候选位姿;根据所述目标激光点云数据、特征地图和所述目标区域,确定所述目标移动设备的第二候选位姿,所述特征地图包括各激光特征的全局位姿信息;根据所述第一候选位姿和所述第二候选位姿,确定目标候选位姿;根据所述目标激光点云数据和所述目标候选位姿,确定所述目标移动设备的目标重定位位姿。本申请实施例可以提高重定位的准确性。
Description
技术领域
本申请实施例涉及机器人技术领域,特别是涉及一种移动设备重定位方法、移动设备及存储介质。
背景技术
SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)技术是移动设备(如移动机器人)中非常重要的一项技术,它可以同时实现移动设备的定位和地图构建。在SLAM技术中,重定位是一个非常重要的环节,它可以帮助移动设备在未知环境中准确地定位自己,也可以帮助移动设备在遇到环境变化或者误差积累时重新确定自己的位置。在SLAM应用中,重定位误差通常很小,因为移动设备需要尽可能准确地将自身定位到目标环境中,以便进行下一步操作。
目前,主要的重定位方法分为手动重定位和自动重定位,其中自动重定位方案有:基于Bow的匹配方案、基于深度学习的匹配方案、基于GPS的重定位方案、基于WiFi的重定位方案和全局栅格重定位的方案等等。
但是,上述重定位方案均有一定的缺陷,造成实际应用中基本都使用手动重定位:基于Bow的匹配方案或基于深度学习的匹配方案需要环境变化不明显,且计算量特别大对硬件设备有较高的需求;基于GPS的重定位方案需要室外卫星信号不错的环境,否则重定位精度很差或无法重定位;基于WiFi的重定位方案误差相当大且容易定错位;基于全局栅格重定位的方案计算量非常大且场景相似时易定错位,同时很可能得出不合理的位置。而手动重定位在场景大或者场景较相似的时候很不方便,而且不易确定正确的结果,而且多个移动设备同时上线时尤为不变。可见,手动重定位方案和各种自动重定位方案均存在重定位不准确的问题。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种移动设备重定位方法、移动设备及存储介质。
依据本申请实施例的第一方面,提供了一种移动设备重定位方法,包括:
获取目标移动设备当前所处的目标区域;
根据所述目标移动设备的目标激光点云数据、所述目标区域和全局栅格地图,确定所述当前移动设备的第一候选位姿,所述目标激光点云数据是所述目标移动设备在当前时刻采集到的原始激光数据或者对所述原始激光数据进行预处理后的激光数据,所述全局栅格地图是所述全局区域所对应的栅格地图;
根据所述目标激光点云数据、特征地图和所述目标区域,确定所述目标移动设备的第二候选位姿,所述特征地图是基于所述全局区域内的各定位参照物所对应的全局位姿信息和所述定位参照物的激光特征构建的;
根据所述第一候选位姿和所述第二候选位姿,确定目标候选位姿;
根据所述目标激光点云数据和所述目标候选位姿,确定所述目标移动设备的目标重定位位姿。
依据本申请实施例的第二方面,提供了一种移动设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面中所述的移动设备重定位方法。
依据本申请实施例的第三方面,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上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的移动设备重定位方法。
依据本申请实施例的第四方面,提供了一种计算机程序产品,包括计算机程序或计算机指令,所述计算机程序或计算机指令被处理器执行时实现第一方面所述的移动设备重定位方法。
本申请实施例提供的移动设备重定位方法、移动设备及存储介质,通过获取到目标移动设备当前所处的目标区域后,根据目标激光点云数据、目标区域和全局栅格地图,确定当前移动设备的第一候选位姿,根据目标激光点云数据、特征地图和目标区域,确定当前移动设备的第二候选位姿,根据第一候选位姿和第二候选位姿,得到目标候选位姿,根据目标激光点云数据和目标候选位姿确定目标移动设备的目标重定位位姿,由于结合了基于全局栅格地图确定的第一候选位姿和基于特征地图确定的第二候选位姿,在场景较大或存在相似场景时,也能结合两者得到较为准确的目标重定位位姿,从而提高重定位的准确性,而且基于两者的结合,在信息不足时也能给出有效的重定位候选。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。
图1是本申请实施例提供的一种移动设备重定位方法的步骤流程图;
图2是本申请实施例中全局栅格地图的示例图;
图3是本申请实施例中移动设备重定位方法的流程示意图;
图4是本申请实施例中经过对原始激光数据进行预处理得到目标激光点云数据的流程图;
图5a是本申请实施例中原始激光数据中各激光点的分类示例图;
图5b是本申请实施例中对图5a所示激光点去除飞点和拉丝点后的示意图;
图6是本申请实施例中对第一类别按照强度值进行分类的示例图;
图7a是本申请实施例中体素滤波前初始点云数据的示意图;
图7b是本申请实施例中体素滤波后目标激光点云数据的示意图;
图8是本申请实施例中对点云数据进行预处理的流程示意图;
图9是本申请实施例提供的一种移动设备重定位装置的结构框图;
图10是本申请实施例提供的一种移动设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
随着物联网、人工智能、大数据等智能化技术的发展,利用这些智能化技术对传统物流业进行转型升级的需求愈加强劲,智慧物流(Intelligent Logistics System)成为物流领域的研究热点。智慧物流利用人工智能、大数据以及各种信息传感器、射频识别技术、全球定位***(GPS)等物联网装置和技术,广泛应用于物料的运输、仓储、配送、包装、装卸和信息服务等基本活动环节,实现物料管理过程的智能化分析决策、自动化运作和高效率优化管理。物联网技术包括传感设备、RFID技术、激光红外扫描、红外感应识别等,物联网能够将物流中的物料与网络实现有效连接,并可实时监控物料,还可感知仓库的湿度、温度等环境数据,保障物料的储存环境。通过大数据技术可感知、采集物流中所有数据,上传至信息平台数据层,对数据进行过滤、挖掘、分析等作业,最终对业务流程(如运输、入库、存取、拣选、包装、分拣、出库、盘点、配送等环节)提供精准的数据支持。人工智能在物流中的应用方向可以大致分为两种:1)以AI技术赋能的如无人卡车、AGV、AMR、叉车、穿梭车、堆垛机、无人配送车、无人机、服务机器人、机械臂、智能终端等智能设备代替部分人工;2)通过计算机视觉、机器学习、运筹优化等技术或算法驱动的如运输设备管理***、仓储管理、设备调度***、订单分配***等软件***提高人工效率。随着智慧物流的研究和进步,该项技术在众多领域展开了应用,例如零售及电商、电子产品、烟草、医药、工业制造、鞋服、纺织、食品等领域。本申请实施例也是涉及物流技术,具体是一种移动设备重定位方法,具体方案如下:
图1是本申请实施例提供的一种移动设备重定位方法的步骤流程图,如图1所示,该方法可以包括:
步骤101,获取目标移动设备当前所处的目标区域。
目标移动设备在移动过程中,需要通过重定位获知所处位置以及对应的姿态信息时,可以获取目标移动设备当前所处的大致区域,得到目标移动设备的目标区域。目标区域可以是目标移动设备所处环境的整体区域(即全局区域,例如一个仓库的整体区域),或者,也可以是基于WiFi数据确定的整体区域中的部分区域。其中,目标移动设备例如可以是二维激光SLAM移动机器人,也可以是三维激光SLAM移动机器人等。
步骤102,根据所述目标移动设备的目标激光点云数据、所述目标区域和全局栅格地图,确定所述目标移动设备的第一候选位姿,所述目标激光点云数据是所述目标移动设备在当前时刻采集到的原始激光数据或者对所述原始激光数据进行预处理后的激光数据,所述全局栅格地图是全局区域所对应的栅格地图。
目标激光点云数据是目标移动设备在当前时刻通过激光传感器获取到的原始激光数据或者对原始激光数据进行预处理后的激光数据。全局栅格地图是在全局区域内标识出无效区域的栅格地图,无效区域是移动设备无法到达的区域。全局栅格地图中的无效区域可以由移动设备在进行地图构建时自动标识出,这时将未知区域标识为无效区域;全局栅格地图中的无效区域还可以人为进行标识,人为进行标识时可以将移动设备无法到达的区域标识为无效区域;还可以结合自动标识和人为标识两种标识方式,从而提高无效区域标识的准确性。图2是本申请实施例中全局栅格地图的示例图,如图2所示,黑色区域为无效区域,无效区域是墙等障碍物所处的区域,这些区域移动设备无法到达。
将目标区域与全局栅格地图结合,得到目标区域的地图,在目标区域的地图内查找具有目标激光点云数据所对应特征的位姿,得到目标移动设备的第一候选位姿。
在本申请的一个实施例中,所述根据所述目标移动设备的目标激光点云数据、所述目标区域和全局栅格地图,确定所述目标移动设备的第一候选位姿,包括:根据所述目标区域和所述全局栅格地图,生成新的栅格地图,所述新的栅格地图是所述目标区域所对应的栅格地图;对所述新的栅格地图进行多分辨率地图构建,得到多分辨率地图,所述多分辨率地图包括多个分辨率的栅格地图;根据所述多分辨率地图和所述目标激光点云数据,确定所述目标移动设备的第一候选位姿。
结合目标区域和全局栅格地图,生成目标区域所对应的栅格地图,得到新的栅格地图,对新的栅格地图进行多分辨率地图构建,以降低栅格地图的分辨率,得到多分辨率地图,将多分辨率地图和目标激光点云数据作为分支定界法的输入,通过分支定界法确定目标移动设备的第一候选位姿。其中,分支定界法的主要思路是:把全部可行解空间反复地分割为越来越小的子集,称为分支;对每个子集内的解集计算一个目标下界(对于最小值问题),称为定界;在每次分支后,凡是界限超出已知可行解集目标值的那些子集不再进一步分支,这样,许多子集可不予考虑,称为剪枝。
通过根据目标区域和全局栅格地图生成新的栅格地图,新的栅格地图较全局栅格地图的区域范围小,从而降低了求解范围,便于进行求解,通过构建多分辨率地图,进一步降低了地图的分辨率,减少解的搜索范围,可以降低计算量。
在本申请的一个实施例中,所述根据所述多分辨率地图和所述目标激光点云数据,确定所述目标移动设备的第一候选位姿,包括:根据所述多分辨率地图和所述目标激光点云数据,通过分支定界法确定所述目标移动设备的至少一个初始第一候选位姿和每个初始第一候选位姿对应的第一置信度;从所述至少一个初始第一候选位姿中获取落入所述全局栅格地图中无效区域的初始第一候选位姿,并将所获取的初始第一候选位姿的第一置信度设置为第一目标置信度,所述无效区域是目标移动设备无法到达的区域;将第一置信度大于或等于第一置信度阈值的初始第一候选位姿确定为所述第一候选位姿,所述第一目标置信度小于所述第一置信度阈值。
将多分辨率地图和目标激光点云数据作为分支定界法的输入,得到至少一个初始第一候选位姿和每个初始第一候选位姿对应的第一置信度;将每个初始第一候选位姿与全局栅格地图进行匹配,确定初始第一候选位姿是否落入全局栅格地图中的无效区域,如果初始第一候选位姿落入无效区域,则将该初始第一候选位姿的第一置信度设置为第一目标置信度(是预先设置的值,例如可以是0);从所有的初始第一候选位姿中选取第一置信度大于或等于第一置信度阈值的初始第一候选位姿,将选取的初始第一候选位姿确定为目标移动设备的第一候选位姿。
通过基于分支定界法确定至少一个初始第一候选位姿后,将位于无效区域的初始第一候选位姿的第一置信度设置为第一目标置信度,可以有效去除位于无效区域的初始第一候选位姿,得到有效的第一候选位姿。
步骤103,根据所述目标激光点云数据、特征地图和所述目标区域,确定所述目标移动设备的第二候选位姿,所述特征地图是基于所述全局区域内的各定位参照物所对应的全局位姿信息和所述定位参照物的激光特征构建的。
在构建特征地图时,通过地图构建移动设备在整体的全局区域内移动并获取激光点云数据,从激光点云数据中提取激光特征(mark),激光特征是定位参照物(例如反光条、反光柱等)所具有的特征,可以获取到每个定位参照物的激光特征相对激光的关系(第i个激光特征marki相对激光lidar的关系),基于激光与地图构建移动设备的关系/>(激光外参,地图构建移动设备自己提供)和地图构建移动设备的当前位姿/>可以得到定位参照物的全局位姿信息:/>针对每个定位参照物均获取到对应的全局位姿信息后,所有激光特征和对应定位参照物的全局位姿信息构成特征地图。激光特征可以包括反光强度的特征和/或结构类的特征,反光强度的特征例如可以是反光柱和反光条等,结构类的特征例如可以是某个特点角度的勾号标记(Vmark)等等。在一些场景特别相似的地方,可以人为增加不同的激光特征(mark),以提高重定位的准确性。
将目标激光点云数据与目标区域内的特征地图进行匹配,得到目标移动设备的第二候选位姿。
在本申请的一个实施例中,所述根据所述目标激光点云数据、特征地图和所述目标区域,确定所述目标移动设备的第二候选位姿,包括:从所述目标激光点云数据中提取目标激光特征;将所述目标激光特征与所述特征地图中处于所述目标区域内的各激光特征进行匹配,并根据处于所述目标区域内匹配成功的激光特征所对应的全局位姿信息,确定所述目标移动设备的第二候选位姿。
目标激光特征是定位参照物所具有的特征,也就是激光被定位参照物反射所形成的特征,在目标移动设备发射的激光照射在定位参照物上时,可以从目标激光点云数据中提取到目标激光特征,在目标移动设备发送的激光没有照射在参照物上时,从目标激光点云数据中无法提取到目标激光特征,在无法提取到目标激光特征时无法获取到第二候选位姿。在提取到目标激光特征后,将目标激光特征与特征地图中处于目标区域内的各激光特征进行匹配,获取匹配成功的激光特征所对应的全局位姿信息,进而基于该全局位姿信息和目标移动设备相对激光特征所对应定位参照物的位姿信息(从激光点云数据中获取到),得到目标移动设备的第二候选位姿,即通过如下公式得到目标移动设备的第二候选位姿:
其中,表示第二候选位姿,/>表示匹配成功的激光特征所对应的全局位姿信息,/>表示目标移动设备相对激光特征所对应定位参照物的位姿信息。
如果从目标激光点云数据中没有提取到目标激光特征,则无法得到第二候选位姿;如果从目标激光点云数据中提取到了目标激光特征,在将目标激光特征与特征地图处于目标区域内的各激光特征进行匹配时,与目标激光特征相似的激光特征会匹配成功,可以得到一个或多个第二候选位姿,还可以得到每个第二候选位姿所对应的第二置信度,可以选取第二置信度大于第二置信度阈值的第二候选位姿作为最终的第二候选位姿。
步骤104,根据所述第一候选位姿和所述第二候选位姿,确定目标候选位姿。
对第一候选位姿和第二候选位姿进行整合,对于在第一候选位姿和第二候选位姿重复时,保留第一候选位姿,删除重复的第二候选位姿;在第一候选位姿没有重复的第二候选位姿时,保留第一候选位姿;在第二候选位姿没有重复的第一候选位姿时,保留该第二候选位姿。保留下来的第一候选位姿和第二候选位姿作为目标候选位姿。
在本申请的一个实施例中,所述根据所述第一候选位姿和所述第二候选位姿,确定目标候选位姿,包括:若得到所述第一候选位姿而未得到所述第二候选位姿,则将所述第一候选位姿作为所述目标候选位姿;若得到所述第一候选位姿且得到所述第二候选位姿,则确定第一候选位姿与第二候选位姿之间的位姿误差,若所述位姿误差小于或等于误差阈值,则将所述第一候选位姿作为所述目标候选位姿;若得到所述第二候选位姿而未得到第一候选位姿,则将所述第二候选位姿作为所述目标候选位姿。
在确定第一候选位姿时,可能由于目标激光点云数据中信息的不足,无法得到第一候选位姿;在确定第二候选位姿时,可能由于目标激光点云数据中激光特征信息的不足,无法得到第二候选位姿。在已得到第一候选位姿而未得到第二候选位姿时,可以将第一候选位姿作为目标候选位姿;在同时得到第一候选位姿和第二候选位姿时,针对每个第一候选位姿,可以确定各第二候选位姿与该第一候选位姿之间的距离和角度差值的绝对值,将距离和角度差值的绝对值之和确定为第二候选位姿与第一候选位姿之间的位姿误差,若存在位姿误差小于或等于误差阈值的第二候选位姿,则保留该第一候选位姿,并删除位姿误差小于或等于误差阈值的第二候选位姿,若不存在位姿误差小于或等于误差阈值的第二候选位姿,则认为第一候选位姿错误,删除第一候选位姿;在已得到第二候选位姿而未得到第一候选位姿时,将第二候选位姿作为目标候选位姿。
通过融合第一候选位姿和第二候选位姿,保留了单独的第一候选位姿和第二候选位姿,而且在第一候选位姿和第二候选位姿重复时,可以保留第一候选位姿,避免了重复。
步骤105,根据所述目标激光点云数据和所述目标候选位姿,确定所述目标移动设备的目标重定位位姿。
上述确定的目标候选位姿可以是一个目标候选位姿,也可以是多个目标候选位姿。基于需求,从一个或多个目标候选位姿中选取最优的一个或多个目标候选位姿作为目标移动设备的目标重定位位姿。在需求为自动重定位时,从一个或多个目标候选位姿中选取最优的一个目标候选位姿作为目标移动设备的目标重定位位姿;在需求为返回多个重定位位姿时,从一个或多个目标候选位姿中选取最优的多个目标候选位姿,作为目标移动设备的目标重定位位姿,还可以提供每个目标重定位位姿的置信度,方便人为选择。在只有一个目标候选位姿时,如果该目标候选位姿的置信度大于或等于置信度阈值,可以将该目标候选位姿确定为目标重定位位姿,如果该目标候选位姿的置信度小于置信度阈值,则不再将目标候选位姿确定为目标重定位位姿,这时无法确定目标重定位位姿,可以基于下一帧目标激光点云数据对目标重定位位姿进行确定。
由于结合了基于目标区域和全局栅格地图确定的第一候选位姿以及基于目标区域和特征地图确定的第二候选位姿,在存在相似的场景时,通过两者的结合也能够准确识别及区分,从而得到准确的目标重定位位姿。
在本申请的一个实施例中,根据所述目标激光点云数据和所述目标候选位姿,确定所述目标移动设备的目标重定位位姿,包括:将每个所述目标候选位姿分别和所述目标激光点云数据进行匹配,确定每个所述目标候选位姿的目标置信度;按照所述目标置信度从大到小的顺序选取预设数量个目标候选位姿,作为所述目标重定位位姿。
采用定位全局匹配方法,将每个目标候选位姿分别和目标激光点云数据进行回调匹配,得到每个目标候选位姿的目标置信度,基于需求,从所有的目标候选位姿中按照目标置信度从大到小的顺序选取预设数量个目标候选位姿,作为目标移动设备的目标重定位位姿,在预设数量大于一个时,还需要提供每个目标重定位位姿所对应的目标置信度。其中,预设数量可以是一个,也可以是多个,可以根据需求进行设置,在需求是需要目标移动设备自动重定位时,可以将预设数量设置为一个,在需求是提供多个重定位位姿供选择时,可以将预设数量设置为多个。
通过将每个目标候选位姿分别和目标激光点云数据进行匹配,确定每个目标候选位姿的目标置信度,可以基于目标激光点云数据中所包括的特征得到较为准确的目标候选位姿的目标置信度,从而提高目标重定位位姿的准确性。
本实施例提供的移动设备重定位方法,通过获取到目标移动设备的目标区域后,根据目标激光点云数据、目标区域和全局栅格地图,确定目标移动设备的第一候选位姿,根据目标激光点云数据、特征地图和目标区域,确定目标移动设备的第二候选位姿,根据第一候选位姿和第二候选位姿,确定目标候选位姿,根据目标激光点云数据和目标候选位姿确定目标移动设备的目标重定位位姿,由于结合了基于全局栅格地图确定的第一候选位姿和基于特征地图确定的第二候选位姿,在场景较大或存在相似场景时,也能结合两者得到较为准确的目标重定位位姿,从而提高重定位的准确性,而且基于两者的结合,在信息不足时也能给出有效的重定位候选。
在上述技术方案的基础上,所述获取目标移动设备的目标区域,包括:获取所述目标移动设备的当前WiFi数据;将所述当前WiFi数据与WiFi地图中的每个WiFi数据进行匹配,获得所述目标移动设备的目标区域,其中,所述WiFi地图是地图构建移动设备在所述全局区域内的不同位置所接收到的WiFi数据构建的,所述WiFi数据包括多个WiFi标识和与每个WiFi标识对应的WiFi信号强度。
其中,所述当前WiFi数据包括多个WiFi标识和与每个WiFi标识对应的当前WiFi信号强度。WiFi地图包括覆盖全局地图的多个WiFi数据,每个WiFi数据对应地图构建移动设备在接收到该WiFi数据时的位姿信息。在生成特征地图时,可以由已经正常重定位(也就是在工作模式中)的移动设备(地图构建移动设备)在全局区域中移动,在某些特定的区域(可在实际环境中配有路由器的地方等)记录WiFi数据,该WiFi数据包含了所能接收到的多个WiFi标识(即路由器ID)、每个WiFi标识对应的WiFi信号强度(信号的强弱)以及区域(可以设置大一些),则将该WiFi数据和地图构建移动设备的当前位姿保存成地图的形式,得到特征地图。
将当前WiFi数据中的WiFi标识和对应的当前WiFi信号强度与WiFi地图中每个WiFi数据分别进行匹配,获得与当前WiFi数据匹配度最高的WiFi数据,基于WiFi地图中匹配度最高的WiFi数据来确定目标移动设备的目标区域。在基于WiFi地图中匹配度最高的WiFi数据确定目标移动设备的目标区域时,可以基于WiFi地图中匹配度最高的WiFi数据所对应的移动设备位姿,将该位姿一定范围内的区域确定为目标区域,或者,还可以将WiFi地图中匹配度最高的WiFi数据所对应的区域确定为目标区域。
通过基于当前WiFi数据与WiFi地图中的每个WiFi数据进行匹配来确定目标区域,可以得到较为准确的目标区域,相对整体的全局区域来说,可以减少后续重定位的计算量。
在本申请的一个实施例中,所述将所述当前WiFi数据与WiFi地图中的每个WiFi数据进行匹配,获得所述目标移动设备的目标区域,包括:确定所述当前WiFi数据与每个WiFi数据的强度误差;根据所述强度误差最小的WiFi数据在所述WiFi地图中所对应的位置信息,确定所述目标移动设备的目标区域。
基于当前WiFi数据中的每个WiFi标识对应的WiFi信号强度,确定各WiFi标识与WiFi地图中每个WiFi数据中各WiFi标识之间WiFi信号强度的误差,得到当前WiFi数据与WiFi地图中每个WiFi数据的强度误差,比较WiFi地图中各个WiFi数据的强度误差,确定WiFi地图中强度误差最小的WiFi数据,将强度误差最小的WiFi数据所对应位置信息一定范围内的区域确定为目标移动设备的目标区域。
通过将当前WiFi数据与WiFi地图中每个WiFi数据进行匹配,基于强度误差最小的WiFi数据来确定目标区域,可以得到较为准确的目标区域。
在本申请的一个实施例中,所述确定所述当前WiFi数据与每个WiFi数据的强度误差,包括:针对每个所述WiFi数据,确定所述当前WiFi数据中每个WiFi标识所对应的当前WiFi信号强度与所述WiFi数据中同一WiFi标识所对应的WiFi信号强度之间的差值绝对值;根据各所述WiFi标识所对应的权重,对所述差值绝对值进行加权求和,得到所述强度误差。
将当前WiFi数据分别与WiFi地图中每个WiFi数据进行匹配,在与一个WiFi数据进行匹配时,计算当前WiFi数据中每个WiFi标识所对应的当前WiFi信号强度与该WiFi数据中同一WiFi标识的信号强度之间的差值,并取差值的绝对值,得到每个WiFi标识对应的差值绝对值。各WiFi标识所对应的权重是预先基于WiFi标识所对应路由器的信号强弱设置的,根据各WiFi标识所对应的权重,对各WiFi标识对应的差值绝对值进行加权求和,得到当前WiFi数据与该WiFi数据之间的强度误差。也就是,通过如下公式确定当前WiFi数据与该WiFi数据之间的强度误差:
其中,E表示强度误差,N表示当前WiFi数据与WiFi地图的一个WiFi数据中相同WiFi标识的数量,w表示第i个WiFi标识所对应的权重,mi表示当前WiFi数据中第i个WiFi标识所对应的当前WiFi信号强度,ni表示WiFi数据中第i个WiFi标识所对应的WiFi信号强度。
通过基于当前WiFi信号强度与WiFi数据中同一WiFi标识所对应WiFi信号强度之间的差值绝对值,来确定强度误差,可以得到较为准确的强度误差,从而提高匹配的准确性,提高目标区域确定的准确性。
图3是本申请实施例中移动设备重定位方法的流程示意图,如图3所示,目标移动设备在进行重定位时,唤醒重定位模块,获取激光数据,获取当前WiFi数据,加载WiFi地图,基于当前WiFi数据和WiFi地图确定目标区域,加载全局栅格地图,基于激光数据、目标区域和全局栅格地图确定第一候选位姿,对激光数据进行特征提取,得到激光特征,基于激光特征、目标区域和特征地图确定第二候选位姿,对第一候选位姿和第二候选位姿进行整合,得到一个或多个目标候选位姿,回调定位全局匹配方法确定各目标候选位姿的目标置信度,基于目标置信度确定一个或多个目标重定位位姿。
在本申请的一个实施例中,所述目标激光点云数据经过对原始激光数据进行预处理得到。图4是本申请实施例中经过对原始激光数据进行预处理得到目标激光点云数据的流程图,如图4所示,所述预处理的过程包括:
步骤401,根据所述原始激光数据中每个激光点的光束长度,将所述原始激光数据中各激光点划分为多个第一类别。
激光点云是一种由激光雷达或者扫描仪生成的点云数据,其在多个领域有非常重要的应用,例如机器人导航、自动驾驶、建筑测量、三维重建等。一帧原始激光数据包括每个激光点的光束长度、光束角度、光束时间、光束的强度值等。激光点云预处理是获取高质量点云数据的关键步骤,需要对光束长度、光束时间、激光参数、数据处理等进行优化,克服雷达噪声干扰、数据一致性等难点。其中点云滤波和降采样为点云预处理中一个重要环节,直接影响数据的质量和后续的准确性。
激光点云滤波的目的为降低激光由遮挡、干扰、突变造成的飞点、拉丝、测量不准等现象,降采样的目的为减少激光点数已达到降低计算量。通常将激光点云滤波和降采样分开单独处理,点云滤波即去除飞点、拉丝点,现有技术在进行点云滤波时通常将一个激光点与周围两点进行比较,若该激光点为孤立点则去除,该方案虽然可以剔除单个飞点,但无法去除连续的多个飞点、拉丝点,而这些噪点对移动设备高精导航、自动驾驶高精定位等影响很大。本申请实施例在进行激光点云滤波时,可以去除连续的多个飞点、拉丝点。
飞点的特征为飞点为孤立点,本申请基于该特点来去除飞点。比较原始激光数据中每个激光点的光束长度,确定相邻两个激光点的光束长度之间的差值,如果差值小于阈值,则这两个激光点属于同一第一类别,如果差值大于阈值,则这两个激光点属于不同的第一类别,这样可以将原始激光数据中的各激光点分为多个第一类别,每个第一类别可以表征同一物质。图5a是本申请实施例中原始激光数据中各激光点的分类示例图,如图5a所示,基于光束长度的比较,可以将激光点1-7分为一个第一类别,记作分类1,将激光点8、9分为一个第一类别,记作分类2,将激光点10、11、12分为一个第一类别,记作分类3。
步骤402,根据每个第一类别中激光点的光束长度和强度值,识别多个第一类别中的飞点和拉丝点,并去除所述飞点和拉丝点,得到处理后第一类别。
按照飞点为孤立点的特点,来识别每个第一类别中的所有激光点是否属于飞点,如果一个第一类别中激光点的数量较少,可以确定该第一类别中的激光点为飞点。拉丝点的特点是通常在边界处且强度相对较弱,利用该特点可以识别拉丝点,并去除拉丝点。将去除飞点和拉丝点后的第一类别作为处理后第一类别。
在本申请的一个实施例中,所述根据每个第一类别中激光点的光束长度和强度值,识别所述多个第一类别中的飞点和拉丝点,并去除所述飞点和拉丝点,得到处理后第一类别,包括:根据每个第一类别中激光点的光束长度,识别多个第一类别中的飞点,并去除所述飞点;根据第一类别中各激光点的强度值,识别第一类别中的拉丝点,并去除拉丝点,得到处理后第一类别。
按照飞点为孤立点的特点,在识别每个第一类别中的所有激光点是否属于飞点时,可以比较待确定的第一类别中激光点的光束长度与相邻的第一类别中激光点的光束长度,如果一个第一类别的激光点的数量较少,且该第一类别的激光点的光束长度与相邻的第一类别中激光点的光束长度较为接近,则确定该第一类别中的激光点是飞点,否则确定该第一类别中的激光点不是飞点,在识别出一个第一类别中的激光点为飞点时,去除飞点,也就是去除该第一类别,从而可以去除连续的多个飞点。
按照拉丝点通常在边界处且强度相对较弱的特点,在识别拉丝点时,根据一个第一类别中处于边界处的激光点的强度值与该第一类别中其他激光点的强度值的差别来识别第一类别中的边界处的激光点是否为拉丝点,如果第一类别中边界处的激光点的强度值与该第一类别中其他激光点的强度值差别较大,则确定该边界处的激光点为拉丝点,在识别出拉丝点后,去除该拉丝点。在将所有的第一类别去除飞点和拉丝点后,得到处理后第一类别。
在本申请的一个实施例中,所述根据每个第一类别中激光点的光束长度,识别多个第一类别中的飞点,包括:从所述多个第一类别中确定激光点数量小于或等于数量阈值的第一类别,作为待判断类别;针对每个所述待判断类别,确定所述待判断类别中最后一个激光点的光束长度与所述待判断类别的前一个第一类别中最后一个激光点的光束长度之间的长度差值,若所述长度差值小于或等于长度差值阈值,确定所述待判断类别中各激光点为飞点。
由于飞点一般为孤立点,所以整个第一类别为飞点,而连续飞点的数量是比较少的,这时可以首先从所有的第一类别中确定出激光点数量小于或等于数量阈值的第一类别,将这样的第一类别作为待判断类别,以图5a为例,假如数量阈值为2,则分类2为待判断类别。对每个待判断类别分别进行判断,针对每个待判断类别,确定待判断类别中最后一个激光点的光束长度与待判断类别的前一个类别中最后一个激光点的光束长度之间的长度差值,判断该长度差值是否小于或等于长度差值阈值(该长度差值阈值与划分第一类别时的阈值不同),如果该长度差值小于或等于长度差值阈值,则确定该待判断类别中各激光点均为飞点,如果该长度差值大于长度差值阈值,则确定该待判断类别中各激光点不是飞点。例如,以图5a为例,分类2中最后一个激光点9与前一个第一类别中最后一个激光点7之间的长度差值小于长度差值阈值,则确定分类2中各激光点为飞点。
通过上述方式来识别飞点,可以判断出单个飞点,也可以判断出连续的多个飞点,从而有效去除飞点,避免对后续重定位的影响。
在本申请的一个实施例中,所述根据第一类别中各激光点的强度值,识别第一类别中的拉丝点,包括:针对每个第一类别,确定所述第一类别中边界点的强度值与第一类别中各激光点的第一强度均值之间的强度差值;若所述强度差值大于或等于强度差值阈值,确定所述边界点为拉丝点。
针对每个第一类别,来分别识别第一类别中边界点是否为拉丝点。针对当前待识别的第一类别,计算该第一类别中各激光点的强度值的均值,得到第一强度均值,计算该第一类别中边界点(即处于边界的激光点)的强度值与第一强度均值之间的差值,得到强度差值,判断强度差值是否大于或等于强度差值阈值,如果强度差值大于或等于强度差值阈值,确定该边界点为拉丝点。例如,以图5a为例,假如分类1中处于边界的激光点1、2的强度值与分类1中的强度不一致,也就是激光点1、2的强度值与分类1的第一强度均值之间的强度差值大于或等于强度差值阈值,确定激光点1、2为拉丝点。
以图5a为例,按照上述方式去除飞点8、9和拉丝点1、2后,得到的激光点如图5b所示。
通过比较第一类别中边界点的强度值与第一类别的第一强度均值,可以有效识别第一类别中的拉丝点,从而可以有效去除拉丝点,避免对后续重定位的影响。
步骤403,将处理后第一类别的原始激光数据转换为初始点云数据。
其中,初始点云数据是基于激光点的位置坐标表示的激光数据,包括激光点的位置坐标和光束的强度值等。
将处理后第一类别的原始激光数据中每个激光点的光束长度和光束角度转换为初始点云数据,即根据光束长度和光束角度确定该激光点所对应的位置坐标,如果是二维激光,则按照下述公式转换得到初始点云数据中该激光点的位置坐标:
其中,x表示激光点的横坐标,y表示激光点的纵坐标,l表示激光点的光束长度,θ表示激光点的光束角度。
步骤404,针对所述初始点云数据中每个所述处理后第一类别,根据所述处理后第一类别中各激光点的强度值,将所述处理后第一类别划分为至少一个第二类别。
针对初始点云数据中每个处理后第一类别,计算该处理后第一类别中每相邻两个激光点的强度值的差值,如果该差值大于或等于强度阈值,则将这两个激光点分为两个第二类别,如果该差值小于强度阈值,则将这两个激光点分为一个第二类别,经过这样的分类后,将每个处理后第一类别划分为至少一个第二类别。
图6是本申请实施例中对第一类别按照强度值进行分类的示例图,如图6所示,一个第一类别中包括激光点1-12,按照强度阈值进行分类后,将激光点1-7分为一个第二类别,将激光点8-12分为一个第二类别。
步骤405,针对每个第二类别,确定所述第二类别中各激光点的第一强度误差,并将所述第二类别中第一强度误差最大的预设比例的激光点标记为误差点。
本申请实施例利用背景中同一物质且距离相近时激光点的反射强度基本一致这一特点来进行不规则噪点的去除。
对每个第二类别分别确定第二类别中的误差点。针对每个第二类别,确定该第二类别中的强度均值,作为第一强度均值,计算该第二类别中每个激光点的强度值相对第一强度均值的第一强度误差,即将每个激光点的强度值与第一强度均值之间的差值绝对值确定为激光点的第一强度误差。从第二类别中获取第一强度误差最大的预设比例的激光点,将这些激光点标记为误差点,这些误差点是不规则表面中噪声比较大的点。其中,预设比例可以基于需求进行设置,例如可以为20%。
步骤406,对所述初始点云数据进行自适应降采样,得到采样后点云数据,从所述采样后点云数据中剔除所述误差点,得到处理后点云数据。
可以通过体素滤波或自适应体素滤波来对初始点云数据进行自适应降采样,以减少初始点云数据的密度,得到采样后点云数据,若采样后点云数据中还存在上述确定的误差点,则从采样后点云数据中剔除这些误差点,得到处理后点云数据。
步骤407,针对所述处理后点云数据中每个第二类别,根据所述第二类别中每个激光点的强度值和位置,确定保留的激光点,得到所述目标激光点云数据。
通过体素滤波或自适应体素滤波进行降采样后,在一定程度中尽可能保留了激光的轮廓信息,但只用位置进行体素滤波留下的激光点未必是最优点,且点云噪声由于其独立性刚好符合体素滤波降采样方案。为了去除噪声点,可以针对处理后点云数据中每个第二类别进一步进行采样,这时可以根据第二类别中每个激光点的强度值和位置分别与第二类别中的强度均值和位置均值进行比较,来确定最优的点,作为保留的激光点,在每个第二类别中可以保留预设数量的激光点,所有第二类别均处理完成后,得到目标激光点云数据。
在本申请的一个实施例中,所述根据所述第二类别中每个激光点的强度值和位置,确定保留的激光点,包括:分别确定所述第二类别中各激光点的第二强度均值和位置均值;确定所述第二类别中每个激光点的强度值相对于所述第二强度均值的第二强度误差,并确定所述第二类别中每个激光点的位置相对于所述位置均值的位置误差;根据第二强度误差对应的第一权重和位置误差对应的第二权重,分别对所述第二类别中各激光点的所述第二强度误差和位置误差进行加权求和,得到各激光点的总误差;将所述第二类别中总误差最小的激光点确定为保留的激光点。
计算第二类别中各激光点的强度值的均值,得到第二强度均值,计算第二类别中各激光点的位置的均值,得到位置均值。计算第二类别中每个激光点的强度值与第二强度均值的差值绝对值,得到第二强度误差,计算第二类别中每个激光点的位置与位置均值的差值绝对值,得到位置误差。根据第二强度误差对应的第一权重和位置误差对应的第二权重,按照如下公式分别对第二类别中各激光点的第二强度误差和位置误差进行加权求和,得到各激光点的总误差:
d=s1*(|s强度-u强度|)+s2*(|s位置-u位置|)
其中,d表示一个激光点的总误差,s1表示第一权重,s2表示第二权重,s强度表示该激光点的强度值,u强度表示第二类别的第二强度均值,s位置表示该激光点的位置,u位置表示第二类别的位置均值。
在确定第二类别中各激光点的总误差后,可以从该第二类别中选取总误差最小的激光点,作为该第二类别中保留的激光点。
图7a是本申请实施例中体素滤波前初始点云数据的示意图,图7b是本申请实施例中体素滤波后目标激光点云数据的示意图,如图7a所示,初始点云数据中包括三个第二类别,激光点3、4、5为一个第二类别,激光点6、7、8为一个第二类别,激光点9、10、11、12为一个第二类别,通过本申请实施例中降采样后基于强度和位置进行的体素滤波后保留了最优的激光点,如图7b所示,第一个第二类别中保留了激光点4,第二个第二类别中保留了激光点7,第三个第二类别中保留了激光点11。
通过对降采样后的点云数据进一步基于强度值和位置进行进一步滤波,可以有效去除噪声点,保留激光的有效信息。
图8是本申请实施例中对点云数据进行预处理的流程示意图,如图8所示,在进行预处理时,主要是首先剔除飞点和拉丝点,之后是剔除目标间误差大的点,最后是基于强度的自适应降采样。其中,剔除飞点和拉丝点时,首先是基于光束长度进行分类,得到第一类别,之后是剔除飞点(孤点),最后是剔除拉丝点,得到处理后第一类别,具体的处理过程可参考上述实施例,这里不再赘述。剔除目标间误差大的点时,首先将原始激光数据转换为初始点云数据,之后是基于各激光点的强度值进行点云分割,将处理后第一类别划分为至少一个第二类别,最后是点云剔除,即确定误差点,具体的处理过程可参考上述实施例,这里不再赘述。基于强度的自适应降采样,首先是对初始点云数据进行自适应降采样,之后是对采样后点云数据中的每个第二类别剔除误差点,计算第二强度均值和位置均值,最后是基于各激光点的第二强度误差和位置误差,来筛选优点,即筛选总误差最小的激光点。
本实施例首先基于光束长度对原始激光数据进行分类,通过孤立点及邻近比较对原始激光数据进行粗滤波,去除明显的飞点,并根据强度进行边界滤波,用于剔除拉丝点;然后通过反射强度的聚类算法对分类后的点云数据进行分割,确定第二类别;接着通过对第二类别中噪声大的点进行滤除;最后基于强度值的自适应体素滤波方案,得到了最后降采样后的目标激光点云数据,即在尽可能多地保留了点云轮廓的前提下又去除了噪点。相较于传统的长度滤波和体素滤波,考虑了将目标点云数据与测量背景间的关联关系进行滤波和降采样,通过激光强度反应测量背景的方案,实现了点云与测量背景的关联,同时上述操作中无大的计算量,对点云的实时性几乎无影响,即在保证了噪声最少、场景轮廓丰富,又不影响点云的实时性。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
图9是本申请实施例提供的一种移动设备重定位装置的结构框图,如图9所示,该移动设备重定位装置可以包括:
候选区域获取模块901,用于获取目标移动设备当前所处的目标区域;
第一候选位姿确定模块902,用于根据所述目标移动设备的目标激光点云数据、所述目标区域和全局栅格地图,确定所述目标移动设备的第一候选位姿,所述目标激光点云数据是所述目标移动设备在当前时刻采集到的原始激光数据或者对所述原始激光数据进行预处理后的激光数据,所述全局栅格地图是全局区域所对应的栅格地图;
第二候选位姿确定模块903,用于根据所述目标激光点云数据、特征地图和所述目标区域,确定所述目标移动设备的第二候选位姿,所述特征地图是基于所述全局区域内的各定位参照物所对应的全局位姿信息和所述定位参照物的激光特征构建的;
候选位姿整合模块904,用于根据所述第一候选位姿和所述第二候选位姿,确定目标候选位姿;
重定位位姿确定模块905,用于根据所述目标激光点云数据和所述目标候选位姿,确定所述目标移动设备的目标重定位位姿。
可选的,所述候选区域获取模块包括:
WiFi数据获取单元,用于获取所述目标移动设备的当前WiFi数据;
候选区域获取单元,用于将所述当前WiFi数据与WiFi地图中的每个WiFi数据进行匹配,获得所述目标移动设备的目标区域,其中,所述WiFi地图是地图构建移动设备在所述全局区域内的不同位置所接收到的WiFi数据构建的,所述WiFi数据包括多个WiFi标识和与每个WiFi标识对应的WiFi信号强度。
可选的,所述候选区域获取单元包括:
强度误差确定子单元,用于确定所述当前WiFi数据与每个WiFi数据的强度误差;
候选区域确定子单元,用于根据所述强度误差最小的WiFi数据在所述WiFi地图中所对应的位置信息,确定所述目标移动设备的目标区域。
可选的,所述强度误差确定子单元具体用于:
针对每个所述WiFi数据,确定所述当前WiFi数据中每个WiFi标识所对应的当前WiFi信号强度与所述WiFi数据中同一WiFi标识所对应的WiFi信号强度之间的差值绝对值;
根据各所述WiFi标识所对应的权重,对所述差值绝对值进行加权求和,得到所述强度误差。
可选的,所述第一候选位姿确定模块包括:
栅格地图处理单元,用于根据所述目标区域和所述全局栅格地图,生成新的栅格地图,所述新的栅格地图是所述目标区域所对应的栅格地图;
多分辨率地图构建单元,用于对所述新的栅格地图进行多分辨率地图构建,得到多分辨率地图,所述多分辨率地图包括多个分辨率的栅格地图;
第一候选位姿确定单元,用于根据所述多分辨率地图和所述目标激光点云数据,确定所述目标移动设备的第一候选位姿。
可选的,所述第一候选位姿确定单元具体用于:
根据所述多分辨率地图和所述目标激光点云数据,通过分支定界法确定所述目标移动设备的至少一个初始第一候选位姿和每个初始第一候选位姿对应的第一置信度;
从所述至少一个初始第一候选位姿中获取落入所述全局栅格地图中无效区域的初始第一候选位姿,并将所获取的初始第一候选位姿的第一置信度设置为第一目标置信度,所述无效区域是目标移动设备无法到达的区域;
将第一置信度大于或等于第一置信度阈值的初始第一候选位姿确定为所述第一候选位姿,所述第一目标置信度小于所述第一置信度阈值。
可选的,所述第二候选位姿确定模块包括:
激光特征提取单元,用于从所述目标激光点云数据中提取目标激光特征;
第二候选位姿确定单元,用于将所述目标激光特征与所述特征地图处于所述目标区域内的各激光特征进行匹配,并根据处于所述目标区域内匹配成功的激光特征的全局位姿信息,确定所述目标移动设备的第二候选位姿。
可选的,所述候选位姿整合模块具体用于:
若得到所述第一候选位姿而未得到所述第二候选位姿,则将所述第一候选位姿作为所述目标候选位姿;
若得到所述第一候选位姿且得到所述第二候选位姿,则确定第一候选位姿与第二候选位姿之间的距离,若所述距离小于或等于距离阈值,则将所述第一候选位姿作为所述目标候选位姿;
若得到所述第二候选位姿而未得到第一候选位姿,则将所述第二候选位姿作为所述目标候选位姿。
可选的,所述重定位位姿确定模块包括:
置信度确定单元,用于将每个所述目标候选位姿分别和所述目标激光点云数据进行匹配,确定每个所述目标候选位姿的目标置信度;
重定位位姿确定单元,用于按照所述目标置信度从大到小的顺序选取预设数量个目标候选位姿,作为所述目标重定位位姿。
可选的,所述装置还包括点云预处理模块,所述点云预处理模块对原始激光数据进行预处理得到目标激光点云数据,所述点云预处理模块包括:
第一类别划分单元,用于根据所述原始激光数据中每个激光点的光束长度,将所述原始激光数据中各激光点划分为多个第一类别;
飞点拉丝点去除单元,用根据每个第一类别中激光点的光束长度和强度值,识别多个第一类别中的飞点和拉丝点,并去除所述飞点和拉丝点,得到处理后第一类别;
点云转换单元,用于将处理后第一类别的原始激光数据转换为初始点云数据;
第二类别划分单元,用于针对所述初始点云数据中每个所述处理后第一类别,根据所述处理后第一类别中各激光点的强度值,将所述处理后第一类别划分为至少一个第二类别;
误差点标记单元,用于针对每个第二类别,确定所述第二类别中各激光点的第一强度误差,并将所述第二类别中第一强度误差最大的预设比例的激光点标记为误差点;
误差点剔除单元,用于对所述初始点云数据进行自适应降采样,得到采样后点云数据,从所述采样后点云数据中剔除所述误差点,得到处理后点云数据;
点云滤波单元,用于针对所述处理后点云数据中每个第二类别,根据所述第二类别中每个激光点的强度值和位置,确定保留的激光点,得到所述目标激光点云数据。
可选的,所述飞点拉丝点去除单元包括:
飞点识别子单元,根据每个第一类别中激光点的光束长度,识别多个第一类别中的飞点,并去除所述飞点;
拉丝点识别子单元,根据第一类别中各激光点的强度值,识别第一类别中的拉丝点,并去除拉丝点,得到处理后第一类别。
可选的,所述飞点识别子单元具体用于:
从所述多个第一类别中确定激光点数量小于或等于数量阈值的第一类别,作为待判断类别;
针对每个所述待判断类别,确定所述待判断类别中最后一个激光点的光束长度与所述待判断类别的前一个第一类别中最后一个激光点的光束长度之间的长度差值,若所述长度差值小于或等于长度差值阈值,确定所述待判断类别中各激光点为飞点。
可选的所述拉丝点识别子单元具体用于:
针对每个第一类别,确定所述第一类别中边界点的强度值与第一类别中各激光点的第一强度均值之间的强度差值;
若所述强度差值大于或等于强度差值阈值,确定所述边界点为拉丝点。
可选的,所述点云滤波单元具体用于:
分别确定所述第二类别中各激光点的第二强度均值和位置均值;
确定所述第二类别中每个激光点的强度值相对于所述第二强度均值的第二强度误差,并确定所述第二类别中每个激光点的位置相对于所述位置均值的位置误差;
根据第二强度误差对应的第一权重和位置误差对应的第二权重,分别对所述第二类别中各激光点的所述第二强度误差和位置误差进行加权求和,得到各激光点的总误差;
将所述第二类别中总误差最小的激光点确定为保留的激光点。
本申请实施例提供的装置中各个模块、单元所对应功能的具体实现过程可参考图1至图8所示方法实施例,此处不再赘述装置部分各个模块、单元所对应功能的具体实现过程。
本实施例提供的移动设备重定位装置,通过获取到目标移动设备当前所处的目标区域后,根据目标激光点云数据、目标区域和全局栅格地图,确定目标移动设备的第一候选位姿,根据目标激光点云数据、特征地图和目标区域,确定目标移动设备的第二候选位姿,根据第一候选位姿和第二候选位姿,确定目标候选位姿,根据目标激光点云数据和目标候选位姿确定目标移动设备的目标重定位位姿,由于结合了基于全局栅格地图确定的第一候选位姿和基于特征地图确定的第二候选位姿,在场景较大或存在相似场景时,也能结合两者得到较为准确的目标重定位位姿,从而提高重定位的准确性,而且基于两者的结合,在信息不足时也能给出有效的重定位候选。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图10是本申请实施例提供的一种移动设备的结构框图,如图10所示,该移动设备1000可以包括一个或多个处理器1010以及与处理器1010连接的一个或多个存储器1020。移动设备1000还可以包括输入接口1030和输出接口1040,用于与另一装置或***进行通信。被处理器1010执行的程序代码可存储在存储器1020中。
移动设备1000中的处理器1010调用存储在存储器1020的程序代码,以执行上述实施例中的移动设备重定位方法。
根据本申请的一个实施例,还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包括但不限于磁盘存储器、CD-ROM、光学存储器等,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现前述实施例的移动设备重定位方法。
根据本申请的一个实施例,还提供了一种计算机程序产品,包括计算机程序或计算机指令,所述计算机程序或计算机指令被处理器执行时实现上述实施例所述的移动设备重定位方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种移动设备重定位方法、移动设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (17)
1.一种移动设备重定位方法,其特征在于,包括:
获取目标移动设备当前所处的目标区域;
根据所述目标移动设备的目标激光点云数据、所述目标区域和全局栅格地图,确定所述目标移动设备的第一候选位姿,所述目标激光点云数据是所述目标移动设备在当前时刻采集到的原始激光数据或者对所述原始激光数据进行预处理后的激光数据,所述全局栅格地图是全局区域所对应的栅格地图;
根据所述目标激光点云数据、特征地图和所述目标区域,确定所述目标移动设备的第二候选位姿,所述特征地图是基于所述全局区域内的各定位参照物所对应的全局位姿信息和所述定位参照物的激光特征构建的;
根据所述第一候选位姿和所述第二候选位姿,确定目标候选位姿;
根据所述目标激光点云数据和所述目标候选位姿,确定所述目标移动设备的目标重定位位姿。
2.根据权利要求1所述的方法,其特征在于,所述获取目标移动设备的目标区域,包括:
获取所述目标移动设备的当前WiFi数据;
将所述当前WiFi数据与WiFi地图中的每个WiFi数据进行匹配,获得所述目标移动设备的目标区域,其中,所述WiFi地图是基于地图构建移动设备在所述全局区域内的不同位置所接收到的WiFi数据构建的,所述WiFi数据包括多个WiFi标识和与每个WiFi标识对应的WiFi信号强度。
3.根据权利要求2所述的方法,其特征在于,所述将所述当前WiFi数据与WiFi地图中的每个WiFi数据进行匹配,获得所述目标移动设备的目标区域,包括:
确定所述当前WiFi数据与每个WiFi数据的强度误差;
根据所述强度误差最小的WiFi数据在所述WiFi地图中所对应的位置信息,确定所述目标移动设备的目标区域。
4.根据权利要求3所述的方法,其特征在于,所述确定所述当前WiFi数据与每个WiFi数据的强度误差,包括:
针对每个所述WiFi数据,确定所述当前WiFi数据中每个WiFi标识所对应的当前WiFi信号强度与所述WiFi数据中同一WiFi标识所对应的WiFi信号强度之间的差值绝对值;
根据各所述WiFi标识所对应的权重,对所述差值绝对值进行加权求和,得到所述强度误差。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述目标移动设备的目标激光点云数据、所述目标区域和全局栅格地图,确定所述目标移动设备的第一候选位姿,包括:
根据所述目标区域和所述全局栅格地图,生成新的栅格地图,所述新的栅格地图是所述目标区域所对应的栅格地图;
对所述新的栅格地图进行多分辨率地图构建,得到多分辨率地图,所述多分辨率地图包括多个分辨率的栅格地图;
根据所述多分辨率地图和所述目标激光点云数据,确定所述目标移动设备的第一候选位姿。
6.根据权利要求5所述的方法,其特征在于,所述根据所述多分辨率地图和所述目标激光点云数据,确定所述目标移动设备的第一候选位姿,包括:
根据所述多分辨率地图和所述目标激光点云数据,通过分支定界法确定所述目标移动设备的至少一个初始第一候选位姿和每个初始第一候选位姿对应的第一置信度;
从所述至少一个初始第一候选位姿中获取落入所述全局栅格地图中无效区域的初始第一候选位姿,并将所获取的初始第一候选位姿的第一置信度设置为第一目标置信度,所述无效区域是目标移动设备无法到达的区域;
将第一置信度大于或等于第一置信度阈值的初始第一候选位姿确定为所述第一候选位姿,所述第一目标置信度小于所述第一置信度阈值。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述目标激光点云数据、特征地图和所述目标区域,确定所述目标移动设备的第二候选位姿,包括:
从所述目标激光点云数据中提取目标激光特征;
将所述目标激光特征与所述特征地图中处于所述目标区域内的各激光特征进行匹配,并根据处于所述目标区域内匹配成功的激光特征所对应的全局位姿信息,确定所述目标移动设备的第二候选位姿。
8.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述第一候选位姿和所述第二候选位姿,确定目标候选位姿,包括:
若得到所述第一候选位姿而未得到所述第二候选位姿,则将所述第一候选位姿作为所述目标候选位姿;
若得到所述第一候选位姿且得到所述第二候选位姿,则确定第一候选位姿与第二候选位姿之间的位姿误差,若所述位姿误差小于或等于误差阈值,则将所述第一候选位姿作为所述目标候选位姿;
若得到所述第二候选位姿而未得到第一候选位姿,则将所述第二候选位姿作为所述目标候选位姿。
9.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述目标激光点云数据和所述目标候选位姿,确定所述目标移动设备的目标重定位位姿,包括:
将每个所述目标候选位姿分别和所述目标激光点云数据进行匹配,确定每个所述目标候选位姿的目标置信度;
按照所述目标置信度从大到小的顺序选取预设数量个目标候选位姿,作为所述目标重定位位姿。
10.根据权利要求1-4任一项所述的方法,其特征在于,所述目标激光点云数据经过对原始激光数据进行预处理得到,所述预处理的过程包括:
根据所述原始激光数据中每个激光点的光束长度,将所述原始激光数据中各激光点划分为多个第一类别;
根据每个第一类别中激光点的光束长度和强度值,识别多个第一类别中的飞点和拉丝点,并去除所述飞点和拉丝点,得到处理后第一类别;
将处理后第一类别的原始激光数据转换为初始点云数据;
针对所述初始点云数据中每个所述处理后第一类别,根据所述处理后第一类别中各激光点的强度值,将所述处理后第一类别划分为至少一个第二类别;
针对每个第二类别,确定所述第二类别中各激光点的第一强度误差,并将所述第二类别中第一强度误差最大的预设比例的激光点标记为误差点;
对所述初始点云数据进行自适应降采样,得到采样后点云数据,从所述采样后点云数据中剔除所述误差点,得到处理后点云数据;
针对所述处理后点云数据中每个第二类别,根据所述第二类别中每个激光点的强度值和位置,确定保留的激光点,得到所述目标激光点云数据。
11.根据权利要求10所述的方法,其特征在于,所述根据每个第一类别中激光点的光束长度和强度值,识别所述多个第一类别中的飞点和拉丝点,并去除所述飞点和拉丝点,得到处理后第一类别,包括:
根据每个第一类别中激光点的光束长度,识别多个第一类别中的飞点,并去除所述飞点;
根据第一类别中各激光点的强度值,识别第一类别中的拉丝点,并去除拉丝点,得到处理后第一类别。
12.根据权利要求11所述的方法,其特征在于,所述根据每个第一类别中激光点的光束长度,识别多个第一类别中的飞点,包括:
从所述多个第一类别中确定激光点数量小于或等于数量阈值的第一类别,作为待判断类别;
针对每个所述待判断类别,确定所述待判断类别中最后一个激光点的光束长度与所述待判断类别的前一个第一类别中最后一个激光点的光束长度之间的长度差值,若所述长度差值小于或等于长度差值阈值,确定所述待判断类别中各激光点为飞点。
13.根据权利要求11所述的方法,其特征在于,所述根据第一类别中各激光点的强度值,识别第一类别中的拉丝点,包括:
针对每个第一类别,确定所述第一类别中边界点的强度值与第一类别中各激光点的第一强度均值之间的强度差值;
若所述强度差值大于或等于强度差值阈值,确定所述边界点为拉丝点。
14.根据权利要求10所述的方法,其特征在于,所述根据所述第二类别中每个激光点的强度值和位置,确定保留的激光点,包括:
分别确定所述第二类别中各激光点的第二强度均值和位置均值;
确定所述第二类别中每个激光点的强度值相对于所述第二强度均值的第二强度误差,并确定所述第二类别中每个激光点的位置相对于所述位置均值的位置误差;
根据第二强度误差对应的第一权重和位置误差对应的第二权重,分别对所述第二类别中各激光点的所述第二强度误差和位置误差进行加权求和,得到各激光点的总误差;
将所述第二类别中总误差最小的激光点确定为保留的激光点。
15.一种移动设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-14任一项所述的移动设备重定位方法。
16.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-14任一项所述的移动设备重定位方法。
17.一种计算机程序产品,其特征在于,包括计算机程序或计算机指令,所述计算机程序或计算机指令被处理器执行时实现权利要求1至14任一项所述的移动设备重定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311125979.0A CN117330090A (zh) | 2023-09-01 | 2023-09-01 | 移动设备重定位方法、移动设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311125979.0A CN117330090A (zh) | 2023-09-01 | 2023-09-01 | 移动设备重定位方法、移动设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117330090A true CN117330090A (zh) | 2024-01-02 |
Family
ID=89274551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311125979.0A Pending CN117330090A (zh) | 2023-09-01 | 2023-09-01 | 移动设备重定位方法、移动设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117330090A (zh) |
-
2023
- 2023-09-01 CN CN202311125979.0A patent/CN117330090A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11815905B2 (en) | Systems and methods for optical target based indoor vehicle navigation | |
CN110222626B (zh) | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 | |
US10740606B2 (en) | Method for assigning particular classes of interest within measurement data | |
CN112526993B (zh) | 栅格地图更新方法、装置、机器人及存储介质 | |
Vandapel et al. | Natural terrain classification using 3-d ladar data | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
CN106679671B (zh) | 一种基于激光数据的导航标识图识别方法 | |
WO2023005384A1 (zh) | 可移动设备的重定位方法及装置 | |
CN111198496A (zh) | 一种目标跟随机器人及跟随方法 | |
CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
CN110716559A (zh) | 一种用于商场超市拣货机器人的综合控制方法 | |
CN115205391A (zh) | 一种三维激光雷达和视觉融合的目标预测方法 | |
CN114972968A (zh) | 基于多重神经网络的托盘识别和位姿估计方法 | |
CN116128841A (zh) | 托盘位姿检测方法及装置、无人叉车、存储介质 | |
Beinschob et al. | Advances in 3d data acquisition, mapping and localization in modern large-scale warehouses | |
CN112986982A (zh) | 环境地图参照定位方法、装置和移动机器人 | |
CN114564042A (zh) | 一种基于多传感器融合的无人机着陆方法 | |
CN116503803A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN112363495A (zh) | 一种畜禽养殖场巡检机器人的导航方法 | |
CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
CN117115784A (zh) | 目标数据融合的车辆检测方法及检测装置 | |
CN115728803A (zh) | 一种城市驾驶车辆连续定位***及方法 | |
CN114565726A (zh) | 一种非结构化动态环境下的同时定位与建图方法 | |
CN117146841A (zh) | 一种基于激光雷达和双目视觉结合的语义地图构建方法 | |
CN117330090A (zh) | 移动设备重定位方法、移动设备及存储介质 |
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 |