CN107356932B - 机器人激光定位方法 - Google Patents
机器人激光定位方法 Download PDFInfo
- Publication number
- CN107356932B CN107356932B CN201710549958.XA CN201710549958A CN107356932B CN 107356932 B CN107356932 B CN 107356932B CN 201710549958 A CN201710549958 A CN 201710549958A CN 107356932 B CN107356932 B CN 107356932B
- Authority
- CN
- China
- Prior art keywords
- robot
- sample points
- probability
- laser
- calculating
- 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
Images
Classifications
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
-
- 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
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种机器人激光定位方法。其采用高斯分布算法和光束模型算法对全局地图的样本点进行迭代筛选,得到机器人的初始坐标,再对机器人移动后的位置采用高斯分布算法计算得到机器人的当前坐标,并对机器人的当前坐标进行卡尔曼滤波处理,与机器人的初始坐标进行数据融合,得到机器人的定位坐标,从而实现机器人的准确定位。
Description
技术领域
本发明属于机器人导航控制技术领域,尤其涉及一种机器人激光定位方法。
背景技术
现有智能移动机器人是一类能够通过传感器感知环境和自身状态,实现在有障碍物的环境中面向目标的自主导航运动,从而完成预定任务的机器人系统。要实现机器人自主导航运动,必须要解决环境建模、实时定位、路径规划、运动控制等问题;其中,移动机器人必须具有定位的能力,其目的就是确定机器人在运动环境中相对于世界坐标系的位置和航向。
目前存在多种定位方法,例如GPS定位方法、惯性导航系统定位方法以及超宽带导航方法等。然而在室内环境下,机器人无法使用GPS进行定位,而使用惯性导航系统成本较高且不能保证长时间定位精度;并且由于空间尺寸的影响,超宽带导航系统部署困难,由于建筑支柱、隔断墙体、玻璃、家具等遮挡物体的存在,使得超宽带导航方法的应用存在很大困难。
发明内容
本发明的发明目的是:为了解决现有技术中存在的以上问题,本发明提出了一种机器人激光定位方法。
本发明的技术方案是:一种机器人激光定位方法,包括以下步骤:
A、在全局地图建立全局坐标系,对每一个样本点采用高斯分布算法计算概率分值;
B、比较步骤A中各个样本点的概率分值大小,选取概率分值较大的前N个样本点并计算样本点方差;
C、设定方差阈值,判断步骤B中的样本点方差是否大于方差阈值;
D、若样本点方差大于方差阈值,则对步骤B中前N个样本点采用光束模型计算概率分值,同时扩充样本点数量返回步骤A;
E、若样本点方差小于或等于方差阈值,则选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标;
F、对机器人从初始坐标移动单位里程后的位置采用高斯分布算法计算概率分值,比较各个样本点的概率分值大小,选取概率分值最大的样本点作为机器人的当前坐标;对机器人的当前坐标进行卡尔曼滤波处理,与机器人的初始坐标进行数据融合,得到机器人的定位坐标。
进一步地,所述步骤D中对步骤B中前N个样本点采用光束模型计算概率分值的计算公式具体为:
P=APhit+BPunexp+CPrand+DPmax
其中,P为样本点的概率分值,Phit为带噪声的真实激光返回的测量值的偏差度量,Punexp为动态环境中由于移动物体的遮挡造成的激光测量返回值变短的概率,Prand为综合各种特殊情况得到的激光测量返回值的概率,Pmax为激光由于特殊原因没有返回值时利用假设的最大返回值Zmax计算的概率值,z为真实激光测量返回值,x为机器人的当前位姿,m为地图信息,zexp为期望的激光测量返回值,A、B、C、D分别为设置的加权权重分值。
进一步地,所述步骤D中对步骤B中前N个样本点采用光束模型计算概率分值具体为:对一个样本点利用激光器采集扇形区域内的地图轮廓数据,再采用光束模型计算该样本点的概率分值。
进一步地,所述步骤F中机器人的定位坐标表示为:
pose=pose1+k*(pose2-pose1)
其中,pose为机器人的定位坐标,pose1为机器人的初始坐标,k为卡尔曼增益系数,pose2为机器人的当前坐标测量值。
本发明的有益效果是:本发明采用高斯分布算法和光束模型算法对全局地图的样本点进行迭代筛选,得到机器人的初始坐标,再对机器人移动后的位置采用高斯分布算法计算得到机器人的当前坐标,并对机器人的当前坐标进行卡尔曼滤波处理,与机器人的初始坐标进行数据融合,得到机器人的定位坐标,从而实现机器人的准确定位。
附图说明
图1是本发明的机器人激光定位方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的机器人激光定位方法的流程示意图。一种机器人激光定位方法,包括以下步骤:
A、在全局地图建立全局坐标系,对每一个样本点采用高斯分布算法计算概率分值;
B、比较步骤A中各个样本点的概率分值大小,选取概率分值较大的前N个样本点并计算样本点方差;
C、设定方差阈值,判断步骤B中的样本点方差是否大于方差阈值;
D、若样本点方差大于方差阈值,则对步骤B中前N个样本点采用光束模型计算概率分值,同时扩充样本点数量返回步骤A;
E、若样本点方差小于或等于方差阈值,则选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标;
F、对机器人从初始坐标移动单位里程后的位置采用高斯分布算法计算概率分值,比较各个样本点的概率分值大小,选取概率分值最大的样本点作为机器人的当前坐标;对机器人的当前坐标进行卡尔曼滤波处理,与机器人的初始坐标进行数据融合,得到机器人的定位坐标。
在步骤A中,本发明在全局地图建立全局坐标系,得到全局样本点;再对全局样本点中的每一个样本点采用高斯分布算法计算概率分值,即对全局地图进行一定程度的模糊化处理,再根据机器人的当前位姿,将激光测量过程作为符合高斯分布,结合激光测量数据计算概率分值。
在步骤B中,本发明比较步骤A中计算得到的各个样本点的概率分值大小,选取全局样本点中样本点的概率分值较大的前N个样本点,优选地,这里选取前100个样本点;再对选取的N个样本点计算概率方差。
在步骤C中,为了提高机器人激光定位的准确性,本发明对步骤B中计算得到的样本点概率方差设置方差阈值,通过比较步骤B中计算得到的样本点概率方差与方差阈值的大小,判断步骤B中的N个样本点是否满足精度要求。
在步骤D中,若样本点方差大于方差阈值,则说明步骤B中的N个样本点不满足精度要求,对步骤B中前N个样本点采用光束模型计算概率分值,具体为:对一个样本点利用激光器采集扇形区域内的地图轮廓数据,再采用光束模型计算该样本点的概率分值,计算公式具体为:
P=APhit+BPunexp+CPrand+DPmax
其中,P为样本点的概率分值,Phit为带噪声的真实激光返回的测量值的偏差度量,Punexp为动态环境中由于移动物体的遮挡造成的激光测量返回值变短的概率,Prand为综合各种特殊情况得到的激光测量返回值的概率,Pmax为激光由于特殊原因没有返回值时利用假设的最大返回值Zmax计算的概率值,z为真实激光测量返回值,x为机器人的当前位姿,m为地图信息,zexp为期望的激光测量返回值,A、B、C、D分别为设置的加权权重分值。
同时扩充样本点数量,返回步骤A;优选地,这里扩充样本点数量是在步骤B选取的前N个样本点进行倍率扩充,这里将样本点数量扩充为10000个样本点。
在步骤E中,若样本点方差小于或等于方差阈值,则说明步骤B中的N个样本点满足精度要求,选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标。
在步骤F中,本发明根据机器人从初始坐标移动单位里程后的位置,采用高斯分布可以得到多个样本点,再采用高斯分布算法计算这些样本点概率分值,比较各个样本点的概率分值大小,选取概率分值最大的样本点作为机器人的当前坐标;再对得到的机器人的当前坐标进行卡尔曼滤波处理,得到卡尔曼增益,再将机器人的当前坐标与机器人的初始坐标进行数据融合,从而得到机器人的定位坐标,表示为:
pose=pose1+k*(pose2-pose1)
其中,pose为机器人的定位坐标,pose1为机器人的初始坐标,k为卡尔曼增益系数,pose2为机器人的当前坐标测量值。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种机器人激光定位方法,其特征在于,包括以下步骤:
A、在全局地图建立全局坐标系,得到全局样本点,对每一个样本点采用高斯分布算法计算概率分值,对全局地图进行一定程度的模糊化处理,再根据机器人的当前位姿,将激光测量过程作为符合高斯分布,结合激光测量数据计算概率分值;
B、比较步骤A中各个样本点的概率分值大小,选取概率分值较大的前N个样本点并计算样本点方差;
C、设定方差阈值,判断步骤B中的样本点方差是否大于方差阈值;
D、若样本点方差大于方差阈值,则对步骤B中前N个样本点采用光束模型计算概率分值,对步骤B中前N个样本点采用光束模型计算概率分值的计算公式具体为:
P=APhit+BPunexp+CPrand+DPmax
其中,P为样本点的概率分值,Phit为带噪声的真实激光返回的测量值的偏差度量,Punexp为动态环境中由于移动物体的遮挡造成的激光测量返回值变短的概率,Prand为综合各种特殊情况得到的激光测量返回值的概率,Pmax为激光由于特殊原因没有返回值时利用假设的最大返回值Zmax计算的概率值,z为真实激光测量返回值,x为机器人的当前位姿,m为地图信息,zexp为期望的激光测量返回值,A、B、C、D分别为设置的加权权重分值;
同时扩充样本点数量返回步骤A,扩充样本点数量是在步骤B选取的前N个样本点进行倍率扩充;
E、若样本点方差小于或等于方差阈值,则选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标;
F、对机器人从初始坐标移动单位里程后的位置采用高斯分布算法计算概率分值,比较各个样本点的概率分值大小,选取概率分值最大的样本点作为机器人的当前坐标;对机器人的当前坐标进行卡尔曼滤波处理,与机器人的初始坐标进行数据融合,得到机器人的定位坐标。
2.如权利要求1所述的机器人激光定位方法,其特征在于,所述步骤D中对步骤B中前N个样本点采用光束模型计算概率分值具体为:对一个样本点利用激光器采集扇形区域内的地图轮廓数据,再采用光束模型计算该样本点的概率分值。
3.如权利要求1所述的机器人激光定位方法,其特征在于,所述步骤F中机器人的定位坐标表示为:
pose=pose1+k*(pose2-pose1)
其中,pose为机器人的定位坐标,pose1为机器人的初始坐标,k为卡尔曼增益系数,pose2为机器人的当前坐标测量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710549958.XA CN107356932B (zh) | 2017-07-07 | 2017-07-07 | 机器人激光定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710549958.XA CN107356932B (zh) | 2017-07-07 | 2017-07-07 | 机器人激光定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107356932A CN107356932A (zh) | 2017-11-17 |
CN107356932B true CN107356932B (zh) | 2020-11-24 |
Family
ID=60291698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710549958.XA Active CN107356932B (zh) | 2017-07-07 | 2017-07-07 | 机器人激光定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107356932B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870716B (zh) * | 2017-12-01 | 2022-02-01 | 北京京东乾石科技有限公司 | 定位方法和定位装置及计算机可读存储介质 |
JP6908642B2 (ja) * | 2019-02-25 | 2021-07-28 | ファナック株式会社 | レーザ加工装置 |
CN111401779B (zh) * | 2020-03-31 | 2021-10-08 | 上海擎朗智能科技有限公司 | 机器人的定位部署方法、装置、设备及存储介质 |
CN111693053B (zh) * | 2020-07-09 | 2022-05-06 | 上海大学 | 一种基于移动机器人的重定位方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6044336A (en) * | 1998-07-13 | 2000-03-28 | Multispec Corporation | Method and apparatus for situationally adaptive processing in echo-location systems operating in non-Gaussian environments |
CN103901891A (zh) * | 2014-04-12 | 2014-07-02 | 复旦大学 | 一种基于层次结构的动态粒子树slam算法 |
CN104236551A (zh) * | 2014-09-28 | 2014-12-24 | 北京信息科技大学 | 一种蛇形机器人基于激光测距仪的地图创建方法 |
CN105333879A (zh) * | 2015-12-14 | 2016-02-17 | 重庆邮电大学 | 同步定位与地图构建方法 |
CN105509755A (zh) * | 2015-11-27 | 2016-04-20 | 重庆邮电大学 | 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 |
CN105652871A (zh) * | 2016-02-19 | 2016-06-08 | 深圳杉川科技有限公司 | 移动机器人的重定位方法 |
CN106568432A (zh) * | 2016-10-20 | 2017-04-19 | 上海物景智能科技有限公司 | 一种移动机器人初始位姿获取方法和系统 |
-
2017
- 2017-07-07 CN CN201710549958.XA patent/CN107356932B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6044336A (en) * | 1998-07-13 | 2000-03-28 | Multispec Corporation | Method and apparatus for situationally adaptive processing in echo-location systems operating in non-Gaussian environments |
CN103901891A (zh) * | 2014-04-12 | 2014-07-02 | 复旦大学 | 一种基于层次结构的动态粒子树slam算法 |
CN104236551A (zh) * | 2014-09-28 | 2014-12-24 | 北京信息科技大学 | 一种蛇形机器人基于激光测距仪的地图创建方法 |
CN105509755A (zh) * | 2015-11-27 | 2016-04-20 | 重庆邮电大学 | 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 |
CN105333879A (zh) * | 2015-12-14 | 2016-02-17 | 重庆邮电大学 | 同步定位与地图构建方法 |
CN105652871A (zh) * | 2016-02-19 | 2016-06-08 | 深圳杉川科技有限公司 | 移动机器人的重定位方法 |
CN106568432A (zh) * | 2016-10-20 | 2017-04-19 | 上海物景智能科技有限公司 | 一种移动机器人初始位姿获取方法和系统 |
Non-Patent Citations (1)
Title |
---|
基于层次结构的动态粒子树SLAM算法;杨昭等;《微型电脑应用》;20130620;第30卷(第06期);9-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN107356932A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107356932B (zh) | 机器人激光定位方法 | |
CN110645974B (zh) | 一种融合多传感器的移动机器人室内地图构建方法 | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN109798896B (zh) | 一种室内机器人定位与建图方法及装置 | |
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 | |
CN111948602A (zh) | 基于改进Taylor级数的二维UWB室内定位方法 | |
CN110986953B (zh) | 路径规划方法、机器人及计算机可读存储介质 | |
CN110858076A (zh) | 一种设备定位、栅格地图构建方法及移动机器人 | |
CN113253717B (zh) | 一种基于动态障碍物的室内移动机器人局部路径规划方法 | |
CN113108773A (zh) | 一种融合激光与视觉传感器的栅格地图构建方法 | |
CN109932713A (zh) | 定位方法、装置、计算机设备、可读存储介质和机器人 | |
CN111121807A (zh) | 一种移动机器人路径规划方法 | |
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
CN110986956A (zh) | 一种基于改进的蒙特卡洛算法的自主学习全局定位方法 | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
CN113709662B (zh) | 一种基于超宽带的自主式三维反演定位方法 | |
CN113296504A (zh) | 基于rgbd深度相机的移动机器人建图与路径规划方法 | |
CN110308419B (zh) | 一种基于静态求解和粒子滤波的鲁棒tdoa定位方法 | |
CN116698043A (zh) | 一种室内移动机器人视觉导航方法 | |
CN110856100A (zh) | 基于5g信号的终端定位及定位模型构建的方法和装置 | |
Xue et al. | Real-time 3D grid map building for autonomous driving in dynamic environment | |
CN111366921B (zh) | 基于距离加权融合的双站雷达交叉定位方法、系统及介质 | |
CN114636422A (zh) | 用于信息机房场景的定位导航方法 | |
CN110763236A (zh) | 基于最小二乘的地图匹配定位优化方法 | |
CN112904855A (zh) | 基于改进动态窗口的跟随机器人局部路径规划方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Robot laser positioning method Effective date of registration: 20220707 Granted publication date: 20201124 Pledgee: Chengdu laijie Technology Co.,Ltd. Pledgor: CHENGDU PROSPER TECHNOLOGY CO.,LTD. Registration number: Y2022510000196 |
|
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20221109 Granted publication date: 20201124 |