CN105509755A - 一种基于高斯分布的移动机器人同步定位与地图构建方法 - Google Patents
一种基于高斯分布的移动机器人同步定位与地图构建方法 Download PDFInfo
- Publication number
- CN105509755A CN105509755A CN201510847459.XA CN201510847459A CN105509755A CN 105509755 A CN105509755 A CN 105509755A CN 201510847459 A CN201510847459 A CN 201510847459A CN 105509755 A CN105509755 A CN 105509755A
- Authority
- CN
- China
- Prior art keywords
- particles
- mobile robot
- particle
- gaussian distribution
- weight
- 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 34
- 238000013507 mapping Methods 0.000 title claims abstract description 9
- 230000004807 localization Effects 0.000 title abstract description 3
- 239000002245 particle Substances 0.000 claims abstract description 78
- 238000012952 Resampling Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 206010033307 Overweight Diseases 0.000 claims abstract description 8
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000003642 hunger Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect 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
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
本发明请求保护一种基于高斯分布重采样Rao-Blackwellized粒子滤波的移动机器人同时定位与地图构建方法,该方法包括步骤:S1,由机器人位姿和里程计控制信息估计机器人初始位姿;S2,根据地图执行扫描匹配方法;S3,在轨迹的提议分布中进行粒子采样;S4,计算每个粒子的权重并更新各粒子权值;S5,在高斯分布的基础上进行粒子重采样,具体是通过排序粒子权重大小,分散高权重粒子获得重采样后的新粒子;S6,根据机器人位姿和观测信息计算地图并进行地图更新。本发明可以获得可靠的栅格地图精度。
Description
技术领域
本发明属于移动机器人导航领域,特别是一种高斯分布的同时定位与地图构建方法
背景技术
移动机器人的同时定位与地图构建(SimultaneousLocalizationandMapping,SLAM)是移动机器人在其自身位置不确定的条件下,在完全未知环境中根据自身的位姿估计和传感器观测数据创建地图。SLAM最早由Smith,Self和Cheeseman提出,它解决了从移动机器人得到一系列观测值从而构建未知关键地图的问题。
SLAM问题的研究中,对于非线性、非高斯系统的状态估计,目前研究热点是基于序列蒙特卡罗方法(SequentialMonteCarlo,SMC)的粒子滤波算法。该算法对系统噪声没有限制,它能通过预测和更新系统概论密度函数的采样集来近似非线性系统的递归贝叶斯估计。Murphy等人将Rao-Blackwellized粒子滤波(Rao-BlackwellizedParticleFilter,RBPF)算法作为一种新的方式来处理SLAM问题。随后,Montemerlo等人于2003年提出了一种基于Rao-Blackwellized粒子滤波器的FastSLAM算法(RBPF-SLAM)。相比适合高斯线性系统的EKF-SLAM算法,RBPF-SLAM算法根据SLAM问题的条件独立特性,将高维的移动机器人轨迹和环境地图联合后验概率密度估计解耦为低维状态估计,从而解决了状态空间SLAM算法的维数灾难问题,提高了SLAM的求解效率。
然而随着粒子权值的方差随时间递增,粒子退化现象是不可避免的。为了减少粒子退化现象,引入重采样方法,即舍弃权值较小的粒子,复制权值较大的粒子,产生多个等权值的粒子。这样虽然改善了粒子退化,但同时造成粒子匮乏。为此,自适应的重采样的方法成为研究重点,Moral等人对自适应重采样策略及收敛性进行了详细分析,一些自适应改进重采样的SLAM算法被提出,虽然这些算法能够抑制样本匮乏现象,提高粒子滤波算法的估计准确性,但是该算法的代价仍然是增加了计算时间,虽然可以以较少的粒子数目来实现算法,但也仅仅能达到有限的精度与时间上的平衡。因此高斯分布重采样移动机器人同时定位与地图构建方法的研究RBPF-SLAM中保持粒子多样性,避免粒子匮乏、同时保证可靠精确的估计有非常重要的意义。
发明内容
针对现有技术的不足,提出了一种可获得可靠的栅格地图精度、保持粒子多样性的基于高斯分布的移动机器人同步定位与地图构建方法。本发明的技术方案如下:一种基于高斯分布的移动机器人同步定位与地图构建方法,其包括以下步骤:
S1,输入t-1时刻的粒子集,其中移动机器人在每个点的运行轨迹为粒子,移动机器人t-1时刻的观测值和t-1时刻施加的控制量,由机器人位姿和里程计控制信息估计机器人初始位姿;
S2,根据移动机器人的初始位姿和传感器观测数据创建地图,并根据地图执行扫描匹配方法得出移动机器人的轨迹;
S3,根据步骤S2扫描匹配方法得出移动机器人的轨迹,求出移动机器人轨迹的提议分布,将提议分布近似为高斯分布,在高斯分布中进行粒子采样;
S4,计算每个粒子的权重并更新各粒子权值;
S5,在高斯分布的基础上进行粒子重采样,具体是通过排序粒子权重大小,分散高权重粒子获得重采样后的新粒子;
S6,根据机器人位姿和观测信息计算地图并进行地图更新。
进一步的,步骤S2扫描方法通过来判断扫描匹配是否成功。扫描匹配方法的步骤为:
首先由后验分布递归贝叶斯滤波器结合传感器数据来估计机器人的位姿,形成初始样本集为:
其中为各位姿采样集合,x1,x2,...,xt代表每一次机器人可能的位姿。
样本集的后验概率密度为
其中,为能使得该后验概率密度函数最大的值。
进一步的,步骤S3求取轨迹提议分布的计算方法为:
首先根据观测模型的似然函数为:
将提议分布近似为高斯分布:
其高斯分布参数和分布为:
其中,L(i)是观测模型的似然函数,x是该似然函数的自变量,是观测模型的概率表达,zt是观测值,是t-1时刻的地图,为归一化因子,是里程计读数,{xj}取里程计的最近一次读数。
进一步的,步骤S4中每个粒子的权重的计算方法为:
对每个粒子的权重进一步简化:
其中表示t时刻第i个粒子的权重大小,是运动模型的概率表达。
进一步的,步骤S5中,高斯分布中进行粒子重采样的计算方法:
其中α是调整分布程度的参数,i是进入采样区粒子的序列数,j是当前新得到粒子的序列数,Σk表示新粒子离散程度的方差,设置方差来分散高权重粒子。
本发明的优点及有益效果如下:
本发明提供了一种在高斯分布的基础上分散高权重粒子获得重采样后的新粒子,保证了粒子多样性,从而避免粒子匮乏而造成栅格地图构建不精确。在粒子数减少的条件下保持可靠的估计,有效地减轻了计算压力。
附图说明
图1是本发明提供优选实施例基于高斯分布的移动机器人同步定位与地图构建方法流程图。
具体实施方式
以下结合附图,对本发明作进一步说明:
如图1所示,本发明提供了一种基于高斯分布的移动机器人同步定位与地图构建,其特征在于,包括以下步骤:
S1,输入量为t-1时刻的粒子集,t-1时刻的观测值和t-1时刻施加的控制量,由机器人位姿和里程计控制信息ut-1估计机器人初始位姿
S2,根据地图执行扫描匹配方法,通过来判断扫描匹配是否成功;扫描匹配方法的步骤为:
首先由后验分布递归贝叶斯滤波器结合传感器数据来估计机器人的位姿,形成初始样本集为:
其中为各位姿采样集合,x1,x2,...,xt代表每一次机器人可能的位姿。
样本集的后验概率密度为
其中,为能使得该后验概率密度函数最大的值。
S3,在轨迹的提议分布中进行粒子采样;在本实施方式中,具体计算方法为:
观测模型的似然函数为:
将提议分布近似为高斯分布:
其高斯分布参数和分布为:
其中,L(i)是观测模型的似然函数,x是该似然函数的自变量,是观测模型的概率表达,zt是观测值,是t-1时刻的地图,为归一化因子,是里程计读数,{xj}取里程计的最近一次读数。
S4,计算完步骤S3中涉及的提议分布之后,在本实施方式中,每个粒子的权重的计算方法为;
可对上式进一步简化:
其中表示t时刻第i个粒子的权重大小,是运动模型的概率表达。
S5,对S4每个粒子权重大小计算之后,在本实施方式中,在高斯分布的基础上进行粒子重采样,具体是通过排序粒子权重大小,分散高权重粒子获得重采样后的新粒子,在高斯分布中进行粒子重采样的计算方法:
其中α是调整分布程度的参数,i是进入采样区粒子的序列数,j是当前新得到粒子的序列数,Σk表示新粒子离散程度的方差,设置方差来分散高权重粒子。
S6,根据机器人位姿和观测信息计算地图并进行地图更新。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种基于高斯分布的移动机器人同步定位与地图构建方法,其特征在于,包括以下步骤:
S1,输入t-1时刻的粒子集,其中移动机器人在每个点的运行轨迹为粒子,移动机器人t-1时刻的观测值和t-1时刻施加的控制量,由机器人位姿和里程计控制信息估计机器人初始位姿;
S2,根据移动机器人的初始位姿和传感器观测数据创建地图,并根据地图执行扫描匹配方法得出预估的移动机器人的轨迹;
S3,根据步骤S2扫描匹配方法得出移动机器人的轨迹,求出移动机器人轨迹的提议分布,将提议分布近似为高斯分布,在高斯分布中进行粒子采样;
S4,计算每个粒子的权重并更新各粒子权值;
S5,在高斯分布的基础上进行粒子重采样,具体是通过排序粒子权重大小,分散高权重粒子获得重采样后的新粒子;
S6,根据机器人位姿和观测信息计算地图并进行地图更新。
2.根据权利要求1所述的一种基于高斯分布的移动机器人同步定位与地图构建方法,其特征在于,步骤S2扫描方法通过来判断扫描匹配是否成功,扫描匹配方法的步骤为:
首先由后验分布递归贝叶斯滤波器结合传感器数据来估计机器人的位姿,形成初始样本集为:
其中为各位姿采样集合,x1,x2,...,xt代表每一次机器人可能的位姿。
样本集的后验概率密度为
其中,为能使得该后验概率密度函数最大的值。
3.根据权利要求1或2所述的一种基于高斯分布的移动机器人同步定位与地图构建方法,其特征在于,步骤S3求取轨迹提议分布的计算方法为:
首先根据观测模型的似然函数为:
将提议分布近似为高斯分布:
其高斯分布参数和分布为:
其中,L(i)是观测模型的似然函数,x是该似然函数的自变量,是观测模型的概率表达,zt是观测值,是t-1时刻的地图,为归一化因子,是里程计读数,{xj}取里程计的最近一次读数。
4.根据权利要求3所述的一种基于高斯分布的移动机器人同步定位与地图构建方法,其特征在于,步骤S4中每个粒子的权重的计算方法为:
对每个粒子的权重进一步简化:
5.根据权利要求1或2所述的一种基于高斯分布的移动机器人同步定位与地图构建方法,其特征在于,步骤S5中,高斯分布中进行粒子重采样的计算方法:
其中α是调整分布程度的参数,i是进入采样区粒子的序列数,j是当前新得到粒子的序列数,Σk表示新粒子离散程度的方差,设置方差来分散高权重粒子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510847459.XA CN105509755B (zh) | 2015-11-27 | 2015-11-27 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510847459.XA CN105509755B (zh) | 2015-11-27 | 2015-11-27 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105509755A true CN105509755A (zh) | 2016-04-20 |
CN105509755B CN105509755B (zh) | 2018-10-12 |
Family
ID=55717910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510847459.XA Active CN105509755B (zh) | 2015-11-27 | 2015-11-27 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105509755B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131955A (zh) * | 2016-07-12 | 2016-11-16 | 安徽工程大学 | 一种基于移动机器人辅助的无线传感器网络节点定位方法 |
CN107356932A (zh) * | 2017-07-07 | 2017-11-17 | 成都普诺思博科技有限公司 | 机器人激光定位方法 |
CN107462892A (zh) * | 2017-07-28 | 2017-12-12 | 深圳普思英察科技有限公司 | 基于多超声传感器的移动机器人同步定位与地图构建方法 |
CN107992040A (zh) * | 2017-12-04 | 2018-05-04 | 重庆邮电大学 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
CN108897836A (zh) * | 2018-06-25 | 2018-11-27 | 广州视源电子科技股份有限公司 | 一种机器人基于语义进行地图构建的方法和装置 |
CN109579824A (zh) * | 2018-10-31 | 2019-04-05 | 重庆邮电大学 | 一种融入二维码信息的自适应蒙特卡诺定位方法 |
CN109579849A (zh) * | 2019-01-14 | 2019-04-05 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
CN109633666A (zh) * | 2019-01-18 | 2019-04-16 | 广州高新兴机器人有限公司 | 室内动态环境下基于激光雷达的定位方法及计算机存储介质 |
CN109682382A (zh) * | 2019-02-28 | 2019-04-26 | 电子科技大学 | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 |
CN109798896A (zh) * | 2019-01-21 | 2019-05-24 | 东南大学 | 一种室内机器人定位与建图方法及装置 |
CN109900280A (zh) * | 2019-03-27 | 2019-06-18 | 浙江大学 | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 |
CN110007670A (zh) * | 2019-02-14 | 2019-07-12 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN110260856A (zh) * | 2019-06-26 | 2019-09-20 | 北京海益同展信息科技有限公司 | 一种建图方法和装置 |
CN110412596A (zh) * | 2019-07-10 | 2019-11-05 | 上海电机学院 | 一种基于图像信息和激光点云的机器人定位方法 |
CN110608742A (zh) * | 2019-09-27 | 2019-12-24 | 五邑大学 | 基于粒子滤波slam的地图构建方法及装置 |
CN110763239A (zh) * | 2019-11-14 | 2020-02-07 | 华南智能机器人创新研究院 | 滤波组合激光slam建图方法及装置 |
CN111427370A (zh) * | 2020-06-09 | 2020-07-17 | 北京建筑大学 | 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法 |
CN111578958A (zh) * | 2020-05-19 | 2020-08-25 | 山东金惠新达智能制造科技有限公司 | 移动机器人导航实时定位方法、系统、介质及电子设备 |
CN112097772A (zh) * | 2020-08-20 | 2020-12-18 | 深圳市优必选科技股份有限公司 | 机器人及其地图构建方法和装置 |
CN112288863A (zh) * | 2020-12-24 | 2021-01-29 | 之江实验室 | 一种机器人同步定位与构图导航中的地图构建方法 |
CN112612862A (zh) * | 2020-12-24 | 2021-04-06 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 一种基于点云配准的栅格地图定位方法 |
CN112698345A (zh) * | 2020-12-04 | 2021-04-23 | 江苏科技大学 | 一种激光雷达的机器人同时定位与建图优化方法 |
CN112732854A (zh) * | 2021-01-11 | 2021-04-30 | 哈尔滨工程大学 | 一种粒子滤波bslam方法 |
CN113008245A (zh) * | 2019-12-20 | 2021-06-22 | 北京图森智途科技有限公司 | 一种定位信息融合方法及其装置、计算机服务器 |
WO2022021661A1 (zh) * | 2020-07-27 | 2022-02-03 | 深圳大学 | 一种基于高斯过程的视觉定位方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339655A (zh) * | 2008-08-11 | 2009-01-07 | 浙江大学 | 基于目标特征和贝叶斯滤波的视觉跟踪方法 |
CN101493943A (zh) * | 2008-01-25 | 2009-07-29 | 中国科学院计算技术研究所 | 一种粒子滤波跟踪方法和跟踪装置 |
WO2011033100A1 (de) * | 2009-09-18 | 2011-03-24 | Deutsches Zentrum Fuer Luft- Und Raumfahrt E.V. | Verfahren zur erstellung einer karte bezüglich ortsbezogener angaben über die wahrscheinlichkeit der zukünftigen bewegung einer person |
CN103278170A (zh) * | 2013-05-16 | 2013-09-04 | 东南大学 | 基于显著场景点检测的移动机器人级联地图创建方法 |
CN103644903A (zh) * | 2013-09-17 | 2014-03-19 | 北京工业大学 | 基于分布式边缘无味粒子滤波的同步定位与地图构建方法 |
-
2015
- 2015-11-27 CN CN201510847459.XA patent/CN105509755B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493943A (zh) * | 2008-01-25 | 2009-07-29 | 中国科学院计算技术研究所 | 一种粒子滤波跟踪方法和跟踪装置 |
CN101339655A (zh) * | 2008-08-11 | 2009-01-07 | 浙江大学 | 基于目标特征和贝叶斯滤波的视觉跟踪方法 |
WO2011033100A1 (de) * | 2009-09-18 | 2011-03-24 | Deutsches Zentrum Fuer Luft- Und Raumfahrt E.V. | Verfahren zur erstellung einer karte bezüglich ortsbezogener angaben über die wahrscheinlichkeit der zukünftigen bewegung einer person |
CN103278170A (zh) * | 2013-05-16 | 2013-09-04 | 东南大学 | 基于显著场景点检测的移动机器人级联地图创建方法 |
CN103644903A (zh) * | 2013-09-17 | 2014-03-19 | 北京工业大学 | 基于分布式边缘无味粒子滤波的同步定位与地图构建方法 |
Non-Patent Citations (2)
Title |
---|
罗元等: "基于改进Rao-Blackwellized粒子滤波器的同时定位与地图构建", 《控制理论与应用》 * |
罗元等: "基于改进迭代无迹粒子滤波的同时定位与地图构建", 《光学精密工程》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131955A (zh) * | 2016-07-12 | 2016-11-16 | 安徽工程大学 | 一种基于移动机器人辅助的无线传感器网络节点定位方法 |
CN107356932A (zh) * | 2017-07-07 | 2017-11-17 | 成都普诺思博科技有限公司 | 机器人激光定位方法 |
CN107356932B (zh) * | 2017-07-07 | 2020-11-24 | 成都普诺思博科技有限公司 | 机器人激光定位方法 |
CN107462892A (zh) * | 2017-07-28 | 2017-12-12 | 深圳普思英察科技有限公司 | 基于多超声传感器的移动机器人同步定位与地图构建方法 |
CN107462892B (zh) * | 2017-07-28 | 2021-11-30 | 深圳市远弗科技有限公司 | 基于多超声传感器的移动机器人同步定位与地图构建方法 |
CN107992040A (zh) * | 2017-12-04 | 2018-05-04 | 重庆邮电大学 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
CN107992040B (zh) * | 2017-12-04 | 2020-08-04 | 重庆邮电大学 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
CN108897836A (zh) * | 2018-06-25 | 2018-11-27 | 广州视源电子科技股份有限公司 | 一种机器人基于语义进行地图构建的方法和装置 |
CN108897836B (zh) * | 2018-06-25 | 2021-01-29 | 广州视源电子科技股份有限公司 | 一种机器人基于语义进行地图构建的方法和装置 |
CN109579824B (zh) * | 2018-10-31 | 2022-12-27 | 重庆邮电大学 | 一种融入二维码信息的自适应蒙特卡诺定位方法 |
CN109579824A (zh) * | 2018-10-31 | 2019-04-05 | 重庆邮电大学 | 一种融入二维码信息的自适应蒙特卡诺定位方法 |
CN109579849A (zh) * | 2019-01-14 | 2019-04-05 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
CN109579849B (zh) * | 2019-01-14 | 2020-09-29 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
CN109633666B (zh) * | 2019-01-18 | 2021-02-02 | 广州高新兴机器人有限公司 | 室内动态环境下基于激光雷达的定位方法及计算机存储介质 |
CN109633666A (zh) * | 2019-01-18 | 2019-04-16 | 广州高新兴机器人有限公司 | 室内动态环境下基于激光雷达的定位方法及计算机存储介质 |
CN109798896A (zh) * | 2019-01-21 | 2019-05-24 | 东南大学 | 一种室内机器人定位与建图方法及装置 |
CN110007670A (zh) * | 2019-02-14 | 2019-07-12 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN110007670B (zh) * | 2019-02-14 | 2021-11-23 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN109682382A (zh) * | 2019-02-28 | 2019-04-26 | 电子科技大学 | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 |
CN109900280A (zh) * | 2019-03-27 | 2019-06-18 | 浙江大学 | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 |
CN110260856A (zh) * | 2019-06-26 | 2019-09-20 | 北京海益同展信息科技有限公司 | 一种建图方法和装置 |
CN110412596A (zh) * | 2019-07-10 | 2019-11-05 | 上海电机学院 | 一种基于图像信息和激光点云的机器人定位方法 |
CN110608742A (zh) * | 2019-09-27 | 2019-12-24 | 五邑大学 | 基于粒子滤波slam的地图构建方法及装置 |
CN110763239A (zh) * | 2019-11-14 | 2020-02-07 | 华南智能机器人创新研究院 | 滤波组合激光slam建图方法及装置 |
CN110763239B (zh) * | 2019-11-14 | 2021-08-24 | 华南智能机器人创新研究院 | 滤波组合激光slam建图方法及装置 |
CN113008245A (zh) * | 2019-12-20 | 2021-06-22 | 北京图森智途科技有限公司 | 一种定位信息融合方法及其装置、计算机服务器 |
CN113008245B (zh) * | 2019-12-20 | 2022-12-27 | 北京图森智途科技有限公司 | 一种定位信息融合方法及其装置、计算机服务器 |
CN111578958A (zh) * | 2020-05-19 | 2020-08-25 | 山东金惠新达智能制造科技有限公司 | 移动机器人导航实时定位方法、系统、介质及电子设备 |
CN111427370A (zh) * | 2020-06-09 | 2020-07-17 | 北京建筑大学 | 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法 |
WO2022021661A1 (zh) * | 2020-07-27 | 2022-02-03 | 深圳大学 | 一种基于高斯过程的视觉定位方法、系统及存储介质 |
CN112097772A (zh) * | 2020-08-20 | 2020-12-18 | 深圳市优必选科技股份有限公司 | 机器人及其地图构建方法和装置 |
CN112698345A (zh) * | 2020-12-04 | 2021-04-23 | 江苏科技大学 | 一种激光雷达的机器人同时定位与建图优化方法 |
CN112698345B (zh) * | 2020-12-04 | 2024-01-30 | 江苏科技大学 | 一种激光雷达的机器人同时定位与建图优化方法 |
CN112612862A (zh) * | 2020-12-24 | 2021-04-06 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 一种基于点云配准的栅格地图定位方法 |
CN112288863A (zh) * | 2020-12-24 | 2021-01-29 | 之江实验室 | 一种机器人同步定位与构图导航中的地图构建方法 |
CN112732854A (zh) * | 2021-01-11 | 2021-04-30 | 哈尔滨工程大学 | 一种粒子滤波bslam方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105509755B (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105509755A (zh) | 一种基于高斯分布的移动机器人同步定位与地图构建方法 | |
CN109798896B (zh) | 一种室内机器人定位与建图方法及装置 | |
CN110689576B (zh) | 一种基于Autoware的动态3D点云正态分布AGV定位方法 | |
CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
CN103644903B (zh) | 基于分布式边缘无味粒子滤波的同步定位与地图构建方法 | |
CN101975575B (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
CN109579824B (zh) | 一种融入二维码信息的自适应蒙特卡诺定位方法 | |
CN105652871A (zh) | 移动机器人的重定位方法 | |
CN110763239B (zh) | 滤波组合激光slam建图方法及装置 | |
Tong et al. | Optimal sensor placement for mode shapes using improved simulated annealing | |
EP1734463A1 (en) | Methods and apparatus for target discrimination using observation vector weighting | |
CN114970341B (zh) | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 | |
Wang et al. | A novel qualitative motion model based probabilistic indoor global localization method | |
Leung et al. | An improved weighting strategy for rao-blackwellized probability hypothesis density simultaneous localization and mapping | |
CN116628448A (zh) | 扩展目标中基于深度强化学习的传感器管理方法 | |
CN116088579A (zh) | 一种基于深度强化学习的无人机自适应信息路径规划方法 | |
CN103971362B (zh) | 基于直方图和精英遗传聚类算法的sar图像变化检测 | |
CN114608585A (zh) | 一种移动机器人同步定位与建图方法及装置 | |
CN104777465A (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
Wang et al. | Virtual maps for autonomous exploration with pose SLAM | |
Tonkens et al. | Scalable safe long-horizon planning in dynamic environments leveraging conformal prediction and temporal correlations | |
CN111262556A (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
CN109118518B (zh) | 双层多贝努利随机有限蚁群多细胞跟踪方法 | |
Delgado et al. | A combined MAP and Bayesian scheme for finite data and/or moving horizon estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |