CN107478214A - 一种基于多传感器融合的室内定位方法及系统 - Google Patents

Abstract

本发明提供一种基于多传感器融合的室内定位方法及系统，其中方法包括使用地图创建模块建立室内二维环境地图；启动定位系统，获得更精确的相对定位数据；启动定位系统，获得全局定位数据。本发明的目的就是借助室内二维建模、室内定位、机器人控制和视觉定位等技术，快速地架构起室内二维环境信息，生成室内二维栅格地图，在此基础上使用编码器、陀螺仪、视觉传感器获取车体的相对偏移位置信息和方向信息，利用激光雷达传感器对累计误差进行校正来获得较精确的全局定位信息。

Description

一种基于多传感器融合的室内定位方法及系统

技术领域

本发明涉及无人车室内定位的技术领域，特别是一种基于多传感器融合的室内定位方法及系统。

背景技术

在机场，人员和货物的输送是一个亟待完善的问题。现在，飞机出行的方式越来越普遍，然而，机场的状况复杂使得较多的乘客在机场浪费了较多的时间来寻找安检口登机口等相应的地方。这时候，如果有一个机场无人摆渡车，乘客站在上面，无人摆渡车负责将乘客有序的一一送至相应的服务处，在大大的增加了乘客用户体验的前提下，也将机场服务的效率大大提高。

机场内运行的无人摆渡车，既要实时知道自身的位置，又要知道目标点的位置，这完全依赖于定位系统。机场环境有别于一般的室内环境，并存在行动的人与其他移动的障碍物体。机场环境既有室内环境的特点，例如没有GPS信号，因此无法使用GPS定位系统；又有室外环境的特点，例如环境光较强，区域较空旷，这就对无人摆渡车的室内定位系统提了较高的要求。

目前，出现了许多针对移动机器人的室内定位系统，有通过在室内铺设磁性路标、wifi基站、蓝牙基站、超宽带、led灯等识别标识的系统，此类系统需要对室内环境进行改造，且需要与机场合作才可改造，工程量较大而可行性较低，并且wifi、蓝牙定位由于定位精度较低目前还不能用于室内自主导航系统中。惯性导航系统通过编码器、陀螺仪、加速度计等无人车内部传感器进行定位，定位精度较高但无法避免累计误差，短时间内定位信息可靠却无法长时间使用。有通过激光雷达传感器与编码器、陀螺仪融合的即时定位与地图构建技术来进行定位，此系统虽然无需对环境进行改造，且利用激光雷达对累积误差进行纠正，可以只利用无人摆渡车内部传感器和外部测距传感器来实现定位，但考虑机场环境的特殊性和现实因素，低成本的激光雷达测量距离较低且抗环境光性能较弱，而性能高的传感器则成本大幅增加。可见，每种定位技术由于所依赖的传感器精度限制，以及机场环境空旷和环境光影响，导致室内定位不可避免的存在较大误差，

公开号为CN106525053A的发明申请公开了一种基于多传感器融合的移动机器人室内定位方法，：利用激光数据匹配的ICP算法进行定位估算，使用航迹推算法得到的位姿变化进行定位结果补偿。该申请使用里程计数据补偿激光匹配定位中无法识别相似环境的情况，而激光匹配和里程计数据都具有累积误差，该申请所提方法无法消除累积误差。并且该方法仅仅根据简单的判断来使用不同的传感器，没有通过多传感器融合来消除不同传感器的误差。

公开号为CN105607071A的发明申请公开了一种室内定位方法及装置，其中方法包括确定估计位姿，根据已获得的室内地图与所述估计位姿确定局部图库；将采集到的当前帧激光雷达与上一帧激光雷达数据进行匹配确定第一位姿；在所属局部地图库中获得与所述第一位姿的偏移量最小的位姿，将所述当前帧激光雷达数据与所述偏移量最小的位姿对应的激光雷达数据匹配确定第二位姿；将所述第一位姿和所述第二位姿中匹配误差较小的一个位姿为精确位姿。该方法有以下几个缺点：1)位姿计算有累积误差；2)第二位姿的获取依赖于第一位姿，当第一位姿获取错误时，则无法从局部地图库中获得与第一位姿偏移量最小的位姿，或者是获取错误的偏移量最小的位姿，从而导致当前帧激光雷达与该偏移量最小位姿对应的激光雷达匹配错误，获得的第二位姿错误；3)完全依赖于激光匹配来获取第一位姿和第二位姿对于重复性环境失去定位准确性。

发明内容

为了解决上述的技术问题，本发明提出了一种基于多传感器融合的室内定位方法及系统，借助室内二维建模、室内定位、机器人控制和视觉定位等技术，快速地架构起室内二维环境信息，生成室内二维栅格地图，在此基础上使用编码器、陀螺仪、视觉传感器获取车体的相对偏移位置信息和方向信息，利用激光雷达传感器对累计误差进行校正来获得较精确的全局定位信息。

本发明的第一目的是提供了一种基于多传感器融合的室内定位方法，包括建立室内二维环境地图，包括以下步骤：

步骤1：启动定位系统，获得更精确的相对定位数据；

步骤2：启动定位系统，获得全局定位数据。

优选的是，所述地图创建模块包括视觉传感器、激光雷达传感器、编码器、陀螺仪、控制器中至少一种。

在上述任一方案中优选的是，所述建立室内二维环境地图的方法如下：

步骤01：跟据所述激光雷达传感器提供的测距信息获得局部栅格地图；

步骤02：融合所述编码器、所述陀螺仪与所述视觉传感器获得的相对位置便宜与航向角获得更为精确的相对定位信息；

步骤03：结合图像拼接和回环检测，构建精确的室内二维栅格地图；

在上述全部步骤中，利用即时定位与地图构建(SLAM)技术创建无人摆渡车运动所在环境的全局地图，无人车在该环境中的定位信息包括位置坐标和航向角，使用(x,y,θ)来表示。

在上述任一方案中优选的是，所述步骤1包括以下子步骤：

步骤11：读入事先构建好的所述室内二维栅格地图；

步骤12：在地图上给定摆渡车的初始位置；

步骤13：当车体开始运动后，根据旋转编码器和所述陀螺仪的数据计算出相对偏移距离与航向角；

步骤14：根据所述视觉传感器的图像信息同时计算出相对位姿，所述相对位姿包括相对偏移距离和航向角；

步骤15：将这两种相对定位信息进行数据融合和滤波获得更精确的相对定位数据，并作为所述激光雷达传感器定位的输入信息。

在上述任一方案中优选的是，所述旋转编码器用于计算出车辆移动的距离。

在上述任一方案中优选的是，所述陀螺仪用于计算精确的角度偏移。

在上述任一方案中优选的是，使用惯性导航系统计算得到的所述位姿变化进行定位的计算方法如下：

步骤a1：假设在一个采样周期内，收到电机编码器反馈，单位换算得到左轮、右轮的移动距离分别为ΔS₁和ΔS₁，转过的角度为Δθ，则可以推算得到无人摆渡车在这个采样周期内的移动距离和旋转角角度，其中，2R为机器人两轮间距，ΔS为机器人移动的距离，Δθ为无人摆渡车转过的角度；

步骤a2:无人摆渡车在世界坐标系下的运动可如下式所示,其中，θ为此时刻之前无人摆渡车已旋转过的累积角度；

步骤a3:假定k时刻机器人位姿为P_k＝(x_k,y_k,θ_k)，单位采样时间内无人摆渡车位姿变化为ΔP_k＝(Δx_k,Δy_k,Δθ_k)，则在k+1时刻无人摆渡车的位姿为

在上述任一方案中优选的是，所述步骤2包括以下子步骤：

步骤21：以步骤1获得的相对位置信息作为基础位置信息，以激光雷达传感器获得的实时测距信息作为参考值，将参考值与步骤一中获得的二维栅格地图作匹配定位；

步骤22：纠正所述所述编码器和所述陀螺仪的累计误差，实现更为精确的全局定位数据。

在上述任一方案中优选的是，所述全局定位采用粒子滤波的方式计算，计算方法如下：

步骤b1：根据里程计数据对建立无人摆渡车的运动模型，p(x_t|u_t,x_t-1)，其中x_t和x_t-1表示时间t时刻和t-1时刻摆渡车的位姿状态，即和u_t为

步骤b2：建立无人摆渡车的观测模型其中，m表示环境地图。

本发明的第二目的是提供了一种基于多传感器融合的室内定位系统，包括用于建立室内二维环境地图的地图创建模块，还包括如下模块：

相对定位数据获取模块：用于启动定位系统，获得更精确的相对定位数据；

全局定位数据获取模块：用于启动定位系统，获得全局定位数据。

优选的是，所述地图创建模块包括视觉传感器、激光雷达传感器、编码器、陀螺仪、控制器中至少一种。

在上述任一方案中优选的是，所述建立室内二维环境地图的方法如下：

步骤01：根据所述激光雷达传感器提供的测距信息获得局部栅格地图；

步骤02：融合所述编码器、所述陀螺仪与所述视觉传感器获得的相对位置便宜与航向角获得更为精确的相对定位信息；

步骤03：结合图像拼接和回环检测，构建精确的室内二维栅格地图；

在上述全部步骤中，利用即时定位与地图构建(SLAM)技术创建无人摆渡车运动所在环境的全局地图，无人车在该环境中的定位信息包括位置坐标和航向角，使用(x,y,θ)来表示。

在上述任一方案中优选的是，相对定位数据获取模块的工作方法如下：

步骤11：读入事先构建好的所述室内二维栅格地图；

步骤12：在地图上给定摆渡车的初始位置；

步骤13：当车体开始运动后，根据旋转编码器和所述陀螺仪的数据计算出相对偏移距离与航向角；

步骤14：根据所述视觉传感器的图像信息同时计算出相对位姿，所述相对位姿包括相对偏移距离和航向角；

步骤15：将这两种相对定位信息进行数据融合和滤波获得更精确的相对定位数据，并作为所述激光雷达传感器定位的输入信息。

在上述任一方案中优选的是，所述旋转编码器用于计算出车辆移动的距离。

在上述任一方案中优选的是，所述陀螺仪用于计算精确的角度偏移。

在上述任一方案中优选的是，使用惯性导航系统计算得到的所述位姿变化进行定位的计算方法如下：

步骤a1：假设在一个采样周期内，收到电机编码器反馈，单位换算得到左轮、右轮的移动距离分别为ΔS₁和ΔS₁，转过的角度为Δθ，则可以推算得到无人摆渡车在这个采样周期内的移动距离和旋转角角度，其中，2R为机器人两轮间距，ΔS为机器人移动的距离，Δθ为无人摆渡车转过的角度；

步骤a2:无人摆渡车在世界坐标系下的运动可如下式所示,其中，θ为此时刻之前无人摆渡车已旋转过的累积角度；

步骤a3:假定k时刻机器人位姿为P_k＝(x_k,y_k,θ_k)，单位采样时间内无人摆渡车位姿变化为ΔP_k＝(Δx_k,Δy_k,Δθ_k)，则在k+1时刻无人摆渡车的位姿为

在上述任一方案中优选的是，全局定位数据获取模块的工作方法如下：

步骤21：以步骤1获得的相对位置信息作为基础位置信息，以激光雷达传感器获得的实时测距信息作为参考值，将参考值与步骤一中获得的二维栅格地图作匹配定位；

步骤22：纠正所述编码器和所述陀螺仪的累计误差，实现更为精确的全局定位数据。

在上述任一方案中优选的是，所述全局定位采用粒子滤波的方式计算，计算方法如下：

步骤b1：根据里程计数据对建立无人摆渡车的运动模型，p(x_t|u_t,x_t-1)，其中x_t和x_t-1表示时间t时刻和t-1时刻摆渡车的位姿状态，即和u_t为

步骤b2：建立无人摆渡车的观测模型其中，m表示环境地图。

本发明在不对机场环境进行改造的条件下，通过使用无人摆渡车自身较低成本的传感器，克服机场环境造成的干扰，即可完成无人摆渡车在机场中的定位。实现快速部署无人摆渡车的同时，也降低了生产成本，有利于搭载了本室内定位系统的无人摆渡车的大规模推广。

附图说明

图1为按照本发明的基于多传感器融合的室内定位方法的一优选实施例的流程图。

图2为按照本发明的基于多传感器融合的室内定位系统的一优选实施例的结构示意图。

图3为按照本发明的基于多传感器融合的室内定位方法的无人小车位姿确定方法的一实施例的流程图。

图4为按照本发明的基于多传感器融合的室内定位系统的无人小车激光雷达传感器结构布置的一实施例的示意图。

图5为按照本发明的基于多传感器融合的室内定位系统的无人小车激光雷达传感器结构布置的另一实施例的示意图。

图6为按照本发明的基于多传感器融合的室内定位系统的无人小车传感器与控制器的一实施例的模块示意图。

图7为按照本发明的基于多传感器融合的室内定位系统的多传感器融合定位的一实施例的模块示意图。

图8为按照本发明的基于多传感器融合的室内定位系统的多激光雷达传感器数据融合的一实施例的模块示意图。

图9为按照本发明的基于多传感器融合的室内定位系统的多传感器融合的相对定位的一实施例的功能实现示意图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例1

地图创建模块200，视觉传感器201，激光雷达传感器202，编码器203，陀螺仪204，控制器205，相对定位数据获取模块210，全局定位数据获取模块220。

如图2所示，多传感器融合的无人摆渡车室内定位系统，其结构组成包括：视觉传感器、激光雷达传感器、编码器、陀螺仪、控制器，所述视觉传感器和激光雷达传感器为外部传感器，与主控连接，编码器和陀螺仪为内部传感器，与驱动连接。

如图1所示，执行步骤100，使用地图创建模块200建立室内二维环境地图。在步骤100中，执行步骤101，根据激光雷达传感器202提供的测距信息获得局部栅格地图,。执行步骤102，融合编码器203、陀螺仪204与视觉传感器201获得的相对位置便宜与航向角获得更为精确的相对定位信息。执行步骤103，结合图像拼接和回环检测，构建精确的室内二维栅格地图。在步骤100中，利用即时定位与地图构建(SLAM)技术创建无人摆渡车运动所在环境的全局地图，无人车在该环境中的定位信息包括位置坐标和航向角，使用(x,y,θ)来表示。在未知环境中，采用二维SLAM技术对环境建图，可以自主地导航无人摆渡车遍历室内环境，也可以人工控制无人摆渡车走遍室内环境，从而构建全局地图。生成的地图依据像素值来区分障碍区、无障碍区和未知区域，像素值分别为0、255、127。将创建好的全局地图保存在存储器中，在无人摆渡车移动时可以供给定位系统使用。在此地图中，根据分辨率值来设置每个像素值对应的实际距离，以地图中某点为原点设置好坐标系后，此后摆渡车的定位则可以此地图为世界坐标，在此图上的坐标则为绝对位置。

执行步骤110，在相对定位数据获取模块210中启动定位系统，获得更精确的相对定位数据。在步骤110中，顺序执行步骤111和执行步骤112，读入事先构建好的室内二维栅格地图，同时在地图上给定摆渡车的初始位置。顺序执行步骤113和执行步骤114，当车体开始运动后，根据编码器203和陀螺仪204的数据计算出相对偏移距离与航向角，根据视觉传感器20的图像信息同时计算出相对偏移距离与航向角。执行步骤115，将这两种相对定位信息进行数据融合和滤波获得更精确的相对定位数据，并作为激光雷达传感器202定位的输入信息。

依据编码器203和陀螺仪204计算相对位姿的方式即是惯性导航系统所用方法，借助旋转编码器计算出车辆移动的距离，而陀螺仪204则可计算精确的角度偏移。根据分析视觉传感器201获得的一系列相关图像序列，来确定车辆位置和朝向的方式，则是视觉里程计。融合多种传感器的定位信息比使用单一传感器的定位信息准确性和精度都更高。

使用惯性导航系统计算得到的位姿变化进行定位的具体计算过程包括：

(a1)假设在一个采样周期内，收到电机编码器反馈，单位换算得到左轮、右轮的移动距离分别为ΔS₁和ΔS₁，转过的角度为Δθ，则可以推算得到无人摆渡车在这个采样周期内的移动距离和旋转角角度：

其中，2R为机器人两轮间距，ΔS为机器人移动的距离，Δθ为无人摆渡车转过的角度；

(a2)无人摆渡车在世界坐标系下的运动可如下式所示：

其中，θ为此时刻之前无人摆渡车已旋转过的累积角度。

(a3)由此，假定k时刻机器人位姿为P_k＝(x_k,y_k,θ_k)，单位采样时间内无人摆渡车位姿变化为ΔP_k＝(Δx_k,Δy_k,Δθ_k)，则在k+1时刻无人摆渡车的位姿为

执行步骤120，在全局定位数据获取模块220中启动定位系统，获得全局定位数据。在步骤110中，执行步骤121，以步骤,110中获得的相对位置信息作为基础位置信息，以激光雷达传感器202获得的实时测距信息作为参考值，将参考值与步骤一中获得的二维栅格地图作匹配定位。执行步骤122，纠正编码器203、陀螺仪204的累计误差，实现更为精确的全局定位数据。

全局定位使用粒子滤波的方式计算，首先根据里程计数据对建立无人摆渡车的运动模型：

p(x_t|u_t,x_t-1) (3)

式(3)为摆渡车的运动状态转移方程。其中x_t和x_t-1表示时间t时刻和t-1时刻摆渡车的位姿状态，即和u_t为

再建立无人摆渡车的观测模型：

式(4)中，m表示环境地图。

使用粒子滤波的方法对运动模型和观测模型进行融合，粒子滤波的方法一般需要大量的粒子来获取好的结果，粒子是一个依据过程的观测逐渐更新权重与收敛的过程，大权重粒子显著，小权重粒子会消失，计算粒子分布的时候不单单仅依靠里程计，同时将当前观测(激光雷达传感器数据)考虑进去，减少了机器人位置在粒子滤波步骤中的不确定性。

实施例2

如图3所示，执行步骤300，利用惯性导航传感器以及视觉传感器和激光雷达传感器，使用SLAM技术构建车辆运动的室内环境地图。其中惯性导航传感器可包括且不限于编码器、陀螺仪、加速计等，利用陀螺仪获得偏航角信息，利用编码器获得相对距离偏移信息，使用这些传感器可以获得车辆下一时刻相对上一时刻的位姿偏移量。激光雷达传感器依据最大感应距离和感应角度，可以生成以激光雷达传感器为原点的局部地图，结合定位信息与地图构建和回环检测，最终生成全局地图。分别执行步骤310和步骤320，计算出相对位移量和偏航角。在步骤310中，利用惯性传感器获得下一时刻与上一时刻相对的角度变化信息与距离变化信息，利用时间积分获得一段时间内的车辆位姿变化。以全局地图中的原点作为初始点，加上相对位姿变化则可获得车辆当前的位姿信息一。在步骤320中，视觉传感器可以包括单目相机、双目相机、全景照相机等，利用视觉传感器可以获得连续的图像序列，通过对图像校正去除透镜畸变，对图像中特征进行检测和匹配并构建光流场，由光流场估计相机的运动，从而获得车辆位姿二。使用这种方式来定位增强了车辆在任何表面任何方式下移动的定位精度。执行步骤A330，融合惯性传感器和视觉传感器的位姿信息，可使用卡尔曼滤波或者拓展卡尔曼滤波等状态估计方法，根据使用环境对不同传感器获得的位姿信息给予不同的权重，尽可能减少因传感器精度、运动方式、环境特征等造成的位姿估计误差。使用这种方法来获得更精确的位姿信息三。执行步骤340中，使用激光雷达传感器来获得当前车辆周围的局部地图，将局部地图与步骤300中获得的全局地图进行匹配，获得位姿信息四和相对于的匹配置信度。位姿信息四是依据图形匹配获得的全局最佳位姿。执行步骤350，依据步骤340中获得的匹配置信度来确定位姿信息四是否为车辆当前准确位姿，即判断匹配置信度是否小于阈值，匹配置信度表示位姿信息四的可信度，该值越高则表明该位姿信息越准确。如果该匹配置信度小于阈值时，则执行步骤360，全局定位结果不可用，以相对定位结果为最终定位结果，即位姿信息三为车辆位姿。如果该匹配置信度大于阈值时，则执行步骤370，全局定位结果可用，作为最终定位结果，即位姿信息四为车辆位姿。

重复执行上述步骤，可连续获得车辆定位信息。

实施例3

根据激光雷达传感器的性能、应用环境可以使用单个或者多个激光雷达传感器。如图4所示，标号400的为车辆本体，标号410的为激光雷达传感器1，标号420的为激光雷达传感器1的覆盖区域，标号430的为激光雷达传感器2，标号440的为激光雷达传感器2的覆盖区域。将两个激光雷达传感器410和430安装在车辆本体400的前方，考虑到两个激光雷达传感器信号源距离较近时的信号源干扰问题，将其观测范围分别设置为90°和270°，从而除了车体正后方的小部分区域外，可以观测到周围360°的距离信息。

实施例4

根据激光雷达传感器的性能、应用环境可以使用单个或者多个激光雷达传感器。

如图5所示，标号500的为车辆本体，标号510的为激光雷达传感器1，标号520的为激光雷达传感器1的覆盖区域，标号530的为激光雷达传感器2，标号540的为激光雷达传感器2的覆盖区域。将两个测量角度为270°的激光雷达传感器510和530分别安装在车辆本体500的前左角和后右角，从而可以直接观测车辆周围360°范围的距离信息且无任何死角。这两种安装方式都可以实现全局地图构建时无需旋转。并且考虑到局部地图匹配时的信息越丰富匹配成功率越高，激光雷达传感器的测量角度为360°时更有利于全局定位。

实施例5

如图6所示，展示了传感器与控制器的硬件模块连接方式。其中控制器620用于控制车辆的运动，与其连接的惯性传感器包括但不限于编码器600、陀螺仪610，控制器600将惯性传感器的原始数据进行计算转换传输给计算机650。计算机650可以通过电器元件与控制系统相连接也可以是独立的设备，如个人电脑、服务器等，通讯连接方式包括但不限于串口、网口等。激光雷达传感器630和视觉传感器640则直接与计算机65连接，并直接对激光雷达传感器630和视觉传感器640的数据进行处理和计算。

实施例6

如图7所示，标号700的多传感器融合定位装置包括激光定位模块710、视觉定位模块720、惯导定位模块730、制图模块740和运动模块750。激光定位模块710用于纠正视觉定位和惯导定位中位姿的累计误差。视觉定位模块720根据图像信息计算相对位姿信息。惯导定位模块730用于计算惯性传感器数据获得的位姿信息。制图模块740用于生成包括坐标系在内的二维全局地图模型。运动模块750包括车辆本体中的电机、控制器等，用于控制车辆的运动，负责接收和上传运动信息。

实施例7

多个激光雷达传感器的数据在时间上和空间上不论是制图还是定位都存在同步的问题，因此有必要将多个激光雷达传感器的数据融合成一个激光雷达传感器的数据。如图8所示，把激光雷达传感器800和激光雷达820分别转换成点云数据810和点云数据830，每个距离点转换成空间中的三维坐标点，并转换成同一个点云数据840，然后将该点云转换成以某个坐标为原点的距离数据，将多个激光雷达的数据融合成单个激光雷达传感器数据850，从而可以直接应用于全局地图构建和全局定位。

实施例8

如图8所示，给出了本发明实施例的一种融合惯导定位和视觉定位的多传感器融合定位方式。需要提出的是，可以使用多种方法达到多传感器融合定位的目的，常使用的方法有卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等，本实施例使用卡尔曼滤波作为一种效果较好的方式讲述。且并不限制融合的传感器类型和数量，当车辆处于室外时还可融合GPS的定位信息。在图中设定两个虚线框，分别作为预估和纠正过程，图中的u(k)对应误差的加权累计，是混合过程的依据。每个状态输入对应不同定位模式的预估值，本案例中对应着惯导定位和视觉定位。在计算过程中，依据马尔科夫过程选择各个模式的概率分布，并因此推导出系统的误差加权累计u(k)。首先根据系统的概率分布来混合上一步各传感器的预估值，然后根据观测值来纠正各自的估计，并得出系统的估计值和概率分布，如此循环下去最终收敛到一个良好的定位结果。

应当理解，本发明实施例以移动无人小车在室内进行定位为例，说明了无人小车运动时多传感器融合的定位方法，可以为无人小车获取精确定位信息。附图中所示流程图图示了按照本发明的实施例方法可能实现的功能和操作，在其他可替换的实施例中，方法流程的顺序可以与附图有所不同。

根据本发明的实施例，提供了基于激光雷达传感器、视觉定位系统、惯导定位系统组合的定位系统，在全局地图中利用激光雷达传感器修正视觉定位和惯导定位造成的累积误差，利用视觉定位修正不同运动平面带来的临时扰动定位误差，利用惯导定位修正室内特征点不丰富带来的误差。根据本发明的实施例，当车辆处于新的环境中时即可构建全局地图，无需对环境进行改造，无需提供室内平面设计图，适用于多种运动平面，对传感器精度要求不高，适用范围广，仅使用机身自带传感器则可以完成室内定位。

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，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。

可能以许多方式来实现本发明的方法、装置和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种基于多传感器融合的室内定位方法，包括使用地图创建模块建立室内二维环境地图，其特征在于，还包括以下步骤：

步骤1：启动定位系统，获得更精确的相对定位数据；

步骤2：启动定位系统，获得全局定位数据。

2.如权利要求1所述的基于多传感器融合的室内定位方法，其特征在于：所述地图创建模块包括视觉传感器、激光雷达传感器、编码器、陀螺仪、控制器中至少一种。

3.如权利要求2所述的基于多传感器融合的室内定位方法，其特征在于：所述建立室内二维环境地图的方法如下：

步骤01：跟据所述激光雷达传感器提供的测距信息获得局部栅格地图；

步骤02：融合所述编码器、所述陀螺仪与所述视觉传感器获得的相对位置便宜与航向角获得更为精确的相对定位信息；

步骤03：结合图像拼接和回环检测，构建精确的室内二维栅格地图；

在上述全部步骤中，利用即时定位与地图构建(SLAM)技术创建无人摆渡车运动所在环境的全局地图，无人车在该环境中的定位信息包括位置坐标和航向角，使用(x,y,θ)来表示。

4.如权利要求3所述的基于多传感器融合的室内定位方法，其特征在于：所述步骤1包括以下子步骤：

步骤11：读入事先构建好的所述室内二维栅格地图；

步骤12：在地图上给定摆渡车的初始位置；

步骤13：当车体开始运动后，根据旋转编码器和所述陀螺仪的数据计算出相对偏移距离与航向角；

步骤14：根据所述视觉传感器的图像信息同时计算出相对位姿，所述相对位姿包括相对偏移距离和航向角；

步骤15：将这两种相对定位信息进行数据融合和滤波获得更精确的相对定位数据，并作为所述激光雷达传感器定位的输入信息。

5.如权利要求4所述的基于多传感器融合的室内定位方法，其特征在于：所述旋转编码器用于计算出车辆移动的距离。

6.如权利要求5所述的基于多传感器融合的室内定位方法，其特征在于：所述陀螺仪用于计算精确的角度偏移。

7.如权利要求6所述的基于多传感器融合的室内定位方法，其特征在于：使用惯性导航系统计算得到的所述位姿变化进行定位的计算方法如下：

步骤a1：假设在一个采样周期内，收到电机编码器反馈，单位换算得到左轮、右轮的移动距离分别为ΔS₁和ΔS₁，转过的角度为Δθ，则可以推算得到无人摆渡车在这个采样周期内的移动距离和旋转角角度，其中，2R为机器人两轮间距，ΔS为机器人移动的距离，Δθ为无人摆渡车转过的角度；

步骤a2:无人摆渡车在世界坐标系下的运动可如下式所示,其中，θ为此时刻之前无人摆渡车已旋转过的累积角度；

步骤a3:假定k时刻机器人位姿为P_k＝(x_k,y_k,θ_k)，单位采样时间内无人摆渡车位姿变化为ΔP_k＝(Δx_k,Δy_k,Δθ_k)，则在k+1时刻无人摆渡车的位姿为

8.如权利要求7所述的基于多传感器融合的室内定位方法，其特征在于：所述步骤2包括以下子步骤：

步骤21：以步骤1获得的相对位置信息作为基础位置信息，以激光雷达传感器获得的实时测距信息作为参考值，将参考值与步骤一中获得的二维栅格地图作匹配定位；

步骤22：纠正所述所述编码器和所述陀螺仪的累计误差，实现更为精确的全局定位数据。

9.如权利要求8述的基于多传感器融合的室内定位方法，其特征在于：所述全局定位采用粒子滤波的方式计算，计算方法如下：

步骤b1：根据里程计数据对建立无人摆渡车的运动模型，p(x_t|u_t,x_t-1)，其中x_t和x_t-1表示时间t时刻和t-1时刻摆渡车的位姿状态，即和u_t为

步骤b2：建立无人摆渡车的观测模型其中，m表示环境地图。

10.一种基于多传感器融合的室内定位系统，包括用于建立室内二维环境地图的地图创建模块，其特征在于，还包括如下模块：

相对定位数据获取模块：用于启动定位系统，获得更精确的相对定位数据；

全局定位数据获取模块：用于启动定位系统，获得全局定位数据。