CN107561549B - 终端位置的重定位方法、装置、终端及存储介质 - Google Patents

Abstract

本发明公开了终端位置的重定位方法、装置、终端及存储介质。该方法包括：获取终端中激光雷达当前捕获的激光雷达数据；根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。利用该方法，实现了重定位候选区域的有效选择，由此保证了在重定位候选区域中进行终端重定位时重定位结果的准确性，同时还减少了计算资源和时间的过度耗费，也避免了人工确定特征点带来的限制，能够适用到更复杂的外界环境中。

Description

终端位置的重定位方法、装置、终端及存储介质

技术领域

本发明涉及重定位技术领域，尤其涉及终端位置的重定位方法、装置、终端及存储介质。

背景技术

机器人在已知地图中进行第一次初始化时，或者机器人在长时间的运行后，由于传感器数据误差、环境信息较少、累积误差等造成机器人定位失败的时候，为保证机器人的正常定位，需要进行重定位。

现有机器人重定位的方法一般分为两种：一种是利用多个传感器获取更多的环境信息，先进行粗定位找到重定位区域，再利用定位算法进行定位，逐渐收敛得到正确定位结果；另外一种方法时仅利用激光雷达数据进行重定位，该方法中较简单的一类方法是人为给定一个重定位区域，或者将整个已知地图环境当作重定位区间基于定位方法进行重定位；较有效的一类方法是人为提取激光雷达数据的数据特征，与全局地图特征匹配找到重定位区域，之后基于定位算法进行重定位。

然而，利用多传感器进行重定位的方法不仅增加使用成本，而且不适用于室内环境(如GPS等)，或者需要在环境中部署传感器(如ZigBee等无线定位方案)，增加使用难度。同时，仅采用人为指定重定位区域进行重定位又将增加人力成本，并且降低机器人的自主性；将整个已知地图环境当作重定位区域进行重定位会提高重定位随机性，耗费大量的计算资源和时间；而利用人工特征匹配的方法找到重定位区域虽然能够降低重定位随机性，减少计算时间，但是由于从激光雷达数据中提取的人工特征点需要预设提取规则，通常只能提取线段、转角、圆弧等特征，受限于人工确定的数据特征，只能应用简单规整的室内环境。

发明内容

本发明实施例提供了终端位置的重定位方法、装置、终端及存储介质，能够快速高效的确定机器人的重定位区域，降低重定位计算时间，提高重定位效率。

一方面，本发明实施例提供了一种终端位置的重定位方法，包括：

获取终端中激光雷达当前捕获的激光雷达数据；

根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；

根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；

基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

另一方面，本发明实施例提供了一种终端位置的重定位装置，包括：

数据信息获取模块，用于获取终端中激光雷达当前捕获的激光雷达数据；

数据标签确定模块，用于根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；

候选位置确定模块，用于根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；

目标位置确定模块，用于基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

又一方面，本发明实施例提供了一种终端，包括：激光雷达，还包括：

一个或多个控制器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个控制器执行，使得所述一个或多个控制器实现本发明实施例提供的终端位置的重定位方法。

再一方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被控制器执行时实现本发明实施例提供的终端位置的重定位方法。

在上述提供的终端位置的重定位方法、装置、终端及存储介质中，首先获取终端中激光雷达当前捕获的激光雷达数据；然后根据激光雷达数据及预设的激光雷达分类器，获得激光雷达数据对应的目标分类标签；之后，根据目标分类标签，确定所述终端在全局地图中的初始候选位置集；最终，根据初始候选位置集以及设定的重定位策略，确定终端当前时刻在全局地图中重定位的目标位置。上述终端位置的重定位方法、装置、终端及存储介质，能够通过预先构建的激光雷达分类器简单有效的确定终端重定位所需的初始候选位置集，实现了重定位候选区域的有效选择，由此保证了在重定位候选区域中进行终端重定位时重定位结果的准确性，同时还减少了计算资源和时间的过度耗费，也避免了人工确定特征点带来的限制，能够适用到更复杂的外界环境中。

附图说明

图1a为本发明实施例一提供的一种终端位置的重定位方法的流程示意图。

图1b为本发明实施例一提供的一帧激光雷达数据数据分布的示意图；

图1c为本发明实施例一提供的一帧激光雷达数据数据分布的另一种示意图；

图2a为本发明实施例二提供的一种终端位置的重定位方法的流程示意图；

图2b为本发明实施例二中激光雷达分类器的结构示意图；

图2c～图2g给出了本发明实施例二中相邻时刻所捕获历史雷达数据的数据分布图；

图2h～图2l给出了本发明实施例二中不相邻时刻所捕获历史雷达数据的数据分布图；

图2m～图2q给出了本发明实施例二中相邻时刻所捕获历史雷达数据的数据特征向量分布图；

图2r～图2v给出了本发明实施例二中不相邻时刻所捕获历史雷达数据的数据特征向量分布图；

图2w给出了本发明实施例二中分类划分策略的操作示意图；

图2x为本发明实施例二中进行标准分类标签确定的具体操作流程图；

图3为本发明实施例三提供的一种终端位置的重定位方法的流程示意图；

图4为本发明实施例四提供的一种终端位置的重定位装置的结构框图；

图5为本发明实施例五提供的一种终端的硬件结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1a为本发明实施例一提供的一种终端位置的重定位方法的流程示意图，该方法适用于终端位置的初始化或定位失败时对其位置进行重定位的情况，该方法可以由终端位置的重定位装置执行，其中，该装置可由软件和/或硬件实现，并一般集成在终端的控制器件中。

需要说明的是，所述终端具体可指机器人、智能家具设备以及智能服务设备等能够自行执行相关工作的电子终端设备。可以理解的是，上述终端进行位置初始化或在工作过程中位置信息发生错误时，需要重新定位终端所处的位置，基于本实施例提供的终端位置的重定位方法，可以快速准确的实现对终端位置的重定位。

如图1a所示，本发明实施例一提供的一种终端位置的重定位方法，包括如下操作：

S101、获取终端中激光雷达当前捕获的激光雷达数据。

在本实施例中，所述激光雷达具体可指安装于所述终端上的应用类电子器件，可以通过发射激光束探测障碍物到终端的距离信息，由此形成激光雷达数据。

一般地，终端上的激光雷达以帧为单位捕获激光雷达数据，在单位帧的时间长度内，可以控制激光雷达旋转，由此获得不同旋转角度下发射激光束返回的距离信息，最终获得一帧包含多份距离信息值的激光雷达数据。示例性地，一帧激光雷达数据的数学形式可表示为：Z＝{z₁`,z<sub>2</sub>`,z₃`,...,z<sub>i</sub>`...,z_m`}，其中，Z表示一帧激光雷达数据，z<sub>i</sub>`表示激光雷达数据在单位帧内获取的第i份距离信息值，m表示该帧激光雷达数据中所包含距离信息的总数量。

本步骤相当于获取了激光雷达在当前时间内捕获的一帧激光雷达数据。图1b为本发明实施例一提供的一帧激光雷达数据数据分布的示意图。其中，图1b中的横坐标轴表示激光雷达在单位帧中所捕获距离信息的总份数，纵坐标表示在不同角度测得障碍物的距离信息值。本实施例优选激光雷达在单位帧内捕获360份距离信息，每份对应一个旋转角度，图1b中的曲线表示了激光雷达在不同旋转角度捕获距离信息的分布情况。

一般地，通过激光雷达捕获的激光雷达数据通常应用在即时定位与地图构建中，且为便于即时定位与地图构建，通常将激光雷达数据以另一种图示形式表示，示例性地，图1c为本发明实施例一提供的一帧激光雷达数据数据分布的另一种示意图，且该示意图与图1b中的表示相对应，其中，图中的黑点10表示了激光雷达，整个散射图11表示了激光雷达的激光束与障碍物之间的距离信息。

S102、根据上述激光雷达数据及预设的激光雷达分类器，获得该激光雷达数据对应的目标分类标签。

本实施例中，所述激光雷达分类器具体可看做一个预先训练好的神经网络模型，具体可用于确定激光雷达数据对应的目标分类标签。所述目标分类标签具体可用于标识上述激光雷达数据在全局地图中有可能对应的坐标位置，所述全局地图具体可看作一个已构建好的能够表示地理位置信息的标准地图库，该全局地图可通过现有的地图构建方法构建。

具体地，本步骤可将所述激光雷达数据看作所述激光雷达分类器的输入值，通过激光雷达分类器的分类处理，所述激光雷达分类器最终可输出相应的目标分类标签。可以理解的是，上述激光雷达分类器进行分类处理时所需的网络参数可通过预先给出的训练样本，通过训练学习校正获得。

此外，所述激光雷达分类器相当于两个子神经网络模型的结合，两个子神经网络模型分别为数据特征网络模型和分类网络模型，且分类网络模型位于数据特征网络模型的后端，其中，激光雷达数据相当于数据特征网络模型的输入值，可以输出该激光雷达数据对应的数据特征，之后可以将数据特征作为分类网络模型的输入，最终基于数据特征获得激光雷达数据的目标分类标签。可以理解的是，所述数据特征网络模型以及分类网络模型均已通过训练样本对其中的网络参数进行校正训练。

S103、根据上述目标分类标签，确定终端在全局地图中的初始候选位置集。

需要说明的是，在全局地图的构建过程中，同时还为全局地图中的坐标位置设置了相应的分类标签，本实施例可将确定的目标分类标签与预先设置的分类标签进行比对，由此确定出该目标分类标签可能对应的坐标位置，一般地，确定出的坐标位置可能有多个，本实施例可以将确定出的多个坐标位置看作终端可能在全局地图中存在的候选位置，由此形成终端在全局地图中的初始候选位置集。

S104、基于上述初始候选位置集以及设定的重定位策略，确定终端当前时刻在全局地图中重定位的目标位置。

本实施例相当于基于激光雷达分类器确定出了终端当前在全局地图中可能存在的坐标位置，由此形成了对应于终端的初始候选位置集。本步骤可以通过设定的重定位策略对所述初始候选位置集中的各候选位置进行判定，最终从各候选位置中确定一个目标位置，由此完成终端位置的重定位。

具体地，本步骤中的重定位策略可以基于粒子滤波的思想设计，即，可将初始候选位置集中的各候选位置看作一个采样中点，之后计算所获取激光雷达数据在各采样中点的相似值，由此基于各相似值进行高斯采样获得对应于各采样中点的粒子分布，本实施最终可根据各采样中点的粒子分布量的多少来实现目标位置的确定。

本发明实施例一提供的一种终端位置的重定位方法，能够根据构建的激光雷达分类器对当前时刻终端获取的激光雷达数据进行分类，获得激光雷达数据对应的目标分类标签，并能够根据目标分类标签确定所述终端在全局地图中的初始候选位置集，最终根据初始候选位置集及确定重定位策略实现终端位置的重定位，确定终端重定位的目标位置。利用该方法与现有技术相比，实现了重定位候选区域的有效选择，由此保证了在重定位候选区域中进行终端重定位时重定位结果的准确性，同时还减少了计算资源和时间的过度耗费，也避免了人工确定特征点带来的限制，能够适用到更复杂的外界环境中。

实施例二

图2a为本发明实施例二提供的一种终端位置的重定位方法的流程示意图，本发明实施例二以上述实施例为基础进行优化，在本实施例中，进一步优化增加了：构建及训练学习所述激光雷达分类器。

在上述优化的基础上，进一步将构建及训练学习所述激光雷达分类器优化为：在训练好的数据特征网络模型后增加待训练的分类网络模型，形成待训练的激光雷达分类器；将获取的至少一帧历史雷达数据输入所述数据特征网络模型，获得所述至少一帧历史雷达数据的数据特征向量；根据各历史雷达数据的数据特征向量及设定的分类划分策略，确定各历史雷达数据的标准分类标签；根据至少一帧历史雷达数据的数据特征向量及对应的标准分类标签训练校正所述分类网络模型，获得训练后的激光雷达分类器。

如图2a所示，本发明实施例提供的终端位置的重定位方法，具体包括如下操作：

需要说明的是，本实施例中的S201～S204具体描述了激光分类器的构建及训练过程。

S201、在训练好的数据特征网络模型后增加待训练的分类网络模型，形成待训练的激光雷达分类器。

在本实施例中，激光雷达分类器具体由数据特征网络模型及分类网络模型组合构建而成。其中，在本步骤之前预先实现了对数据特征网络模型的训练学习，示例性地，在对数据特征网络模型进行训练学习时，可采用预先选取的样本训练集训练学习上述数据特征网络模型。

图2b为本发明实施例二中激光雷达分类器的结构示意图，由图2b可知，激光雷达分类器包括：数据特征网络模型21和分类网络模型22，其中，数据特征网络模型21具体包括输入层211、第一隐藏层212、第二隐藏层213以及特征输出层214；分类网络模型22具体用于结果分类，包括一个分类处理层221，本实施例可以将特征输出层214的输出结果作为分类处理层221的输入，最终输出分类结果。

可以理解的是，由于数据特征网络模型已预先通过训练学习，因此下述S202至S204具体描述了分类网络模型的训练学习。

S202、将获取的至少一帧历史雷达数据输入上述数据特征网络模型，获得至少一帧历史雷达数据的数据特征向量。

在本实施例中，训练分类网络模型所需的训练样本由两部分组成，一部分为待输入分类网络模型的数据特征向量，一部分为数据特征向量对应的标准分类标签。本步骤具体可用于确定分类网络模型所需训练样本集中的数据特征向量集合。

在本实施例中，所述历史雷达数据具体可理解为基于即时定位与地图构建(Simultaneous Localization And Mapping，SLAM)技术正常构建地图时激光雷达捕获的激光雷达数据。为便于区分，本实施例将该激光雷达数据称为历史雷达数据，且本实施里优选地将至少一帧历史雷达数据对应的数据特征向量作为分类网络模型所需训练样本中的数据特征向量。

示例性地，本实施例可将一帧历史雷达数据表示为Zi＝{z_i1`,z<sub>i2</sub>`,z_i3`,...,z<sub>ij</sub>`...,z_im`},其中，Zi表示激光雷达捕获的第i帧历史雷达数据，z<sub>ij</sub>`表示所捕获第i帧历史雷达数据中的第j份距离信息值。一般地，基于SLAM技术进行地图构建的同时，可通过激光雷达捕获的历史雷达数据与已构建全局地图中的坐标位置进行匹配，由此获得历史雷达数据在全局地图中对应的定位结果，进而实现即时定位，此间，通过即时定位可确定对应于第i帧历史雷达数据的定位结果，且定位结果可表示为：Li＝{X_i1`,X<sub>i2</sub>`,X_i3`,...,X<sub>ij</sub>`...,X_im`}，其中，X<sub>ij</sub>`表示匹配于z_ij`的坐标位置，且X<sub>ij</sub>`具体可用((x_ij,y_ij),φ)表示，(x_ij,y_ij)表示平面坐标值，φ表示激光雷达当前的旋转角度。由此，历史雷达数据与确定出的定位结果的对应关系可表示为A＝{(z_ij`,X<sub>ij</sub>`)|i＝1,2,3,...q，j＝1,2,3,...m}，其中，q表示所捕获历史雷达数据的总帧数。同时，基于SLMA技术，在地图构建过程中，还可分析确定集合Li中各坐标位置具有的特点，并基于所具有的不同特点进行分类，每个分类通过一个分类标签表示，由此全局地图中坐标位置与分类标签的关系可表示为：S＝{(X_i`,c_k)|i＝1,2,3,...h，k＝1,2,3...n}，其中，h表示全局地图中坐标位置的总个数，n表示全局地图所具有分类标签的总个数。

具体地，本步骤可以将获取的至少一帧历史雷达数据输入训练好的数据特征网络模型，由此获得对应于各帧历史雷达数据的数据特征向量。示例性地，本步骤可以将其中一帧历史雷达数据Zi＝{z_i1`,z<sub>i2</sub>`,z_i3`,...,z<sub>ij</sub>`...,z_im`}作为图2b中输入层211的输入值，之后经过输入层211与第一隐藏层212之间网络参数的处理，可以获得第一网络特征向量f1_i，然后，第一网络特征向量f1_i再经过第一隐藏层212与第二隐藏层213之间网络参数的处理，可以获得第二网络特征向量f2_i，最后，经过第二隐藏层213与特征输出层214之间网络参数的处理，可以输出历史雷达数据Zi的数据特征向量f3_i。其中，第一网络特征向量f1_i的计算公式可表示为：

第二网络特征向量f2_i的计算公式可表示为：

数据特征向量f3_i的计算公式可表示为：

其中，

可看作数据特征网络模型中输入层与第一隐藏层之间的网络参数；

可看作数据特征网络模型中第一隐藏层与第二网络隐藏层之间的网络参数；

可看作数据特征网络模型中第二隐藏层与输出层之间的网络参数。

S203、根据各历史雷达数据的数据特征向量及设定的分类划分策略，确定各历史雷达数据的标准分类标签。

在本实施例中，本步骤具体可用于确定分类网络模型所需训练样本中对应于数据特征向量的标准分类标签。本实施例中分类划分策略的设计思路描述如下：通过分析观察发现，基于SLAM技术正常构建地图时，激光雷达在相邻时刻获得的激光雷达数据(历史雷达数据)的总是相似的，而激光雷达在不相邻时刻获得的激光雷达数据(历史雷达数据)差异较大。由于本实施例中作为训练样本的数据特征向量主要基于正常构建地图过程采集的历史雷达数据获得，而这些历史雷达数据包含了可采集到的所有类型(每个类型相当于一个分类标签)的激光雷达数据，并且满足相邻时刻相似性高的假设，所以本实施例设置了基于滑动窗口确定标准分类标签的分类划分策略。

示例性地，本实施例提供了一组历史雷达数据的分布图来说明相邻时刻相似性高，不相邻时刻相似性低的特点，其中，图2c～图2g给出了本发明实施例二中相邻时刻所捕获历史雷达数据的数据分布图，基于图2c～图2g可以发现，激光雷达在相邻时刻捕获的5帧历史雷达数据的数据分布几乎相同；同时，图2h～图2l给出了本发明实施例二中不相邻时刻所捕获历史雷达数据的数据分布图，图2h～图2l可以发现，激光雷达在不相邻时刻捕获的5帧历史雷达数据的数据分布存在较大差异。

此外，本实施例还提供了一组历史雷达数据的数据特征向量分布图同样来说明相邻时刻相似性高，不相邻时刻相似性低的特点，其中，图2m～图2q给出了本发明实施例二中相邻时刻所捕获历史雷达数据的数据特征向量分布图，需要说明的是，图2m～图2q为对应于图2c～图2g的数据特征向量分布图，可以发现，5帧相邻时刻历史雷达数据的数据特征向量的分布几乎相同；同时，图2r～图2v给出了本发明实施例二中不相邻时刻所捕获历史雷达数据的数据特征向量分布图，需要说明的是，图2r～图2v为对应于图2h～图2l的数据特征向量分布图，可以发现，5帧不相邻时刻历史雷达数据的数据特征向量的分布存在较大差异。在上述分析的基础上，图2w给出了本发明实施例二中分类划分策略的操作示意图，由于2w可知，本实施例基于设定的滑动窗口23将n帧历史雷达数据分别划分到多个分类标签中。

进一步地，图2x为本发明实施例二中进行标准分类标签确定的具体操作流程图，本步骤中所述标准分类标签的确定操作可通过图2x所示的操作步骤实现。如图2x所示，进行标准分类标签确定的具体操作步骤包括：

S2301、以时间顺序排列所述各历史雷达数据。

本步骤首先根据相邻时刻历史雷达数据的数据特点，以时间顺序排列各历史雷达数据，以便用于后续基于滑动窗口划分确定标准分类标签。之后可基于S2302至S2310的步骤循环确定历史雷达数据的标准分类标签。

S2302、确定当前的待分类历史雷达数据及所形成当前分类标签中的首个历史雷达数据。

示例性地，本步骤可相当于标准分类标签操作的一个初始化操作，具体可在循环进行标签分类前，初始化一个第一分类标签作为当前分类标签，同时将排序后的第一个历史雷达数据作为当前分类标签中的首个历史雷达数据，此外，从排序后的第二个历史雷达数据开始，依次作为待分类历史雷达数据。

S2303、确定待分类历史雷达数据在全局地图中的位置与上述首个历史雷达数据在全局地图中的位置是否相同，若是，则执行S2304；若否，则执行S2305。

本实施例中，待分类历史雷达数据在所述全局地图中的位置相当于待分类历史雷达数据在全局地图中对应的定位结果，同理，首个历史雷达数据在全局地图中的位置相当于首个历史雷达数据在全局地图中对应的定位结果。可以理解的是，上述各历史雷达数据的定位结果已经在正常的地图构建过程中获得。本步骤可通过欧氏距离计算确定两个定位结果是否为同一定位位置，其中，当计算的欧氏距离值为0时，表明二者为同一定位位置。

S2304、将待分类历史雷达数据相对于该当前分类标签的相似性分数确定为特定相似值，后续执行S2306。

本步骤相当于S2303中两个位置相同时要进行的操作，其中，本实施例优选所述特定相似值为1，即，可认为待分类历史雷达数据相对于所述当前分类标签的相似性分数为1。

S2305、根据待分类历史雷达数据的数据特征向量以及该当前分类标签中所有历史雷达数据的数据特征向量，确定待分类历史雷达数据相对于该当前分类标签的相似性分数，后续执行S2306。

本步骤相当于S2303中两个位置不相同时要进行的操作。本步骤的具体实现过程如下：1)获取待分类历史雷达数据的数据特征向量，同时，确定属于当前分类标签的所有历史雷达数据的数据特征向量；2)基于下述相似值公式分别计算待分类历史雷达数据与当前分类标签的各历史雷达数据的相似值，并确定相似值之和，其中，相似值公式表示如下：s＝w₁s₁+w₂s₂-w₃s₃，其中，s表示相似值，w₁,w₂和w₃分别为经验权值，此外，s1，s2以及s3的公式分别表示为：

其中，f3_i表示待分类历史雷达数据的数据特征向量；f3_j表示当前分类标签中任一历史雷达数据的数据特征向量；f3_ik以及f3_jk均表示相应数据特征向量中的第k个分量，t表示数据特征向量中分量个数。可以理解的是，相似值之和sums相当于当前分类标签中各历史雷达数据与待分类历史雷达数据的相似值s的和；3)将相似值之和的平均值确定为待分类历史雷达数据相对于当前分类标签的相似性分数。

S2306、判定相似性分数是否大于设定相似阈值，若是，则执行S2307；若否，则执行S2308。

本步骤中设定相似阈值可看作一个经验值，当基于S2305确定的相似性分数大于或等于设定相似阈值时，可执行S2307；否则，可执行S2308。

S2307、将所述当前分类标签确定为所述待分类历史雷达数据的标准分类标签，后续执行S2310。

示例性地，当相似性分数大于或等于设定相似阈值时，可基于本步骤将当前分类标签确定为待分类历史雷达数据的标准分类标签，由此实现了对当前的待分类历史雷达数据的标准分类标签的确定，后续可通过S2310确定是否继续循环执行上述操作。

S2308、添加形成新的当前分类标签，将所述新的当前分类标签确定为所述待分类历史雷达数据的标准分类标签。

示例性地，当相似性分数小于设定相似阈值时，可执行本步骤的操作。具体地，可在当前分类标签所对应编号的基础上加1，形成新的标签编号，且新的标签编号对应了新的当前分类标签，之后，可将新的当前分类标签确定为所述待分类历史雷达数据的标准分类标签，由此也实现了对当前的待分类历史雷达数据的标准分类标签的确定。

S2309、确定上述待分类历史雷达数据为上述新的当前分类标签中的首个历史雷达数据，后续执行S2310。

示例性地，本步骤相当于S2308的后续操作，在将待分类历史雷达数据确定到新的当前分类标签后，可以该待分类历史雷达数据看作新的当前分类标签中的首个历史雷达数据，后续也可通过S2310确定是否继续循环执行上述操作。

S2310、如果该待分类历史雷达数据为最后一个历史雷达数据，则结束操作；否则，将下一历史雷达数据确定为新的待分类历史雷达数据，并返回执行S2303。

示例性地，本步骤通过判定当前的待分类历史雷达数据是否为排序后的最后一个历史雷达数据，若是，则相当于完成了所有历史雷达数据的分类，可结束标准分类标签的确定，若否，则需要进一步对未分类的历史雷达数据进行分类，具体地，可将下一个历史雷达数据确定为新的待分类历史雷达数据，然后返回S2303重新执行。

基于上述S2301至S2310的操作，最终可获得多个标准分类标签，且可认为每个标准分类标签中包含了多个历史雷达数据，本实施例可以进一步简化所获得的标准分类标签，具体地，本实施例可以分别计算各标准分类标签中所包含历史雷达数据的平均数据特征向量，之后可以确定平均数据特征向量高于设定阈值的标准分类标签，并将这几个标准分类标签合并成一个新的标准分类标签，即，相当于将这几个标准分类标签中的历史雷达数据汇聚到一个新的标准分类标签中。

S204、根据至少一帧历史雷达数据的数据特征向量及对应的标准分类标签训练校正分类网络模型，获得训练后的激光雷达分类器。

在本实施例中，基于S203可以为所有的历史雷达数据确定出相应的标准分类标签，本步骤可以将至少一帧历史雷达数据的数据特征向量以及相应的标准分类标签一同看作训练分类网络模型所需的训练样本集，由此基于所确定的训练样本集实现分类网络模型中网络参数的校正，最终获得可正常使用的激光雷达分类器。

可以知道的是，利用本实施例训练好的激光雷达分类器，可以实现历史雷达数据的多种分类，示例性地，如可以将终端在同一位置不同角度获得的激光雷达数据(历史雷达数据)分为一类；也可以将终端在向前移动过程中获得的激光雷达数据(历史雷达数据)分为一类；还可以可将较复杂环境中的相似的激光雷达数据(历史雷达数据)分为一类。

S205、获取终端中激光雷达当前捕获的激光雷达数据。

上述S201至S204相当于本实施例对终端位置进行重定位前的准备操作，具体实现获得了重定位所需的激光雷达分类器。本步骤可在终端初始化或定位失败时，获取激光雷达当前捕获的激光雷达数据，以用于后续终端位置的重定位。

S206、根据上述激光雷达数据及预设的激光雷达分类器，获得该激光雷达数据对应的目标分类标签。

示例性地，本步骤中的激光雷达分类器可基于上述S201至S204训练获得，由此将激光雷达数据作为输入值输入训练好的激光雷达分类器中，可得到相应的目标分类标签。

S207、根据上述目标分类标签，确定终端在全局地图中的初始候选位置集。

示例性地，根据本实施例S202中的描述，可以确定当前已存在构建好的全局地图中坐标位置与分类标签的关系映射集合S＝{(X_i`,c_k)|i＝1,2,3,...h，k＝1,2,3...n}，因此，本步骤可以基于关系映射集合S确定与目标分类标签存在对应关系的坐标位置，并将所确定的多个坐标位置看作初始候选位置集。

S208、基于上述初始候选位置集以及设定的重定位策略，确定终端当前时刻在所述全局地图中重定位的目标位置。

示例性地，可采用粒子滤波的思想确定初始候选位置集中各候选位置的概率分布，由此选定概率值最高的候选位置作为终端当前时刻在所述全局地图中重定位的目标位置。

本发明实施例二提供的一种终端位置的重定位方法，增加了激光雷达分类器的构建及训练学习操作，并具体描述了构建及训练学习过程，本实施例基于激光雷达数据自身具有的特性实现了激光雷达数据的标签分类，为激光雷达分类器的训练提供了准确的训练样本，保证了激光雷达分类器训练学习的准确性，训练后的激光雷达分类器为后续终端对目标位置重定位所需重定位候选区域的有效选择提供了重要支持，同时避免了人工确定特征点带来的限制，扩大了位置重定位的适用范围。

实施例三

图3为本发明实施例三提供的一种终端位置的重定位方法的流程示意图。本发明实施例以上述实施例为基础进行优化，在本实施例中，进一步将基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置，具体化为：利用多元高斯分布采样确定所述终端当前时刻处于所述初始候选位置集中各候选位置的先验概率分布；在根据所述先验概率分布确定的后验概率分布中，确定最大后验概率值对应的候选位置为所述终端当前时刻在所述全局地图中重定位的目标位置。

同时，本实施例进一步将根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集，具体化为：在预设的分类标签位置库中查找所述目标分类标签，确定所述目标分类标签对应的坐标位置集合；将所述坐标位置集合确定为所述终端在全局地图中的初始候选位置集。

如图3所示，本发明实施例三提供的一种终端位置的重定位方法，具体包括如下操作：

S301、构建及训练学习激光雷达分类器。

本步骤根据本实施例二中提供的具体步骤实现激光雷达分类器的构建及训练学习。

S302、获取终端中激光雷达当前捕获的激光雷达数据。

本实施例可以在终端初始化或定位失败时，触发进行重定位的操作，首先基于本步骤获取终端当前对应的激光雷达数据。

需要说明的是，在实际应用中，可以将如下几种情况视为重点丢失定位，并需要重定位，但并不限于下述几种情况：1)当终端在已知全局地图的环境下，第一次进行定位(相当于初始化)，此时终端不知道自身在全局地图的坐标位置，需要重定位；2)当终端对当前坐标位置计算得到的观察似然率都很底的情况下，需要重定位；3)当终端定位时定位结果在一段时间内都不收敛的情况下，需要重定位。

S303、根据上述激光雷达数据及预设的激光雷达分类器，获得该激光雷达数据对应的目标分类标签。

S304、在预设的分类标签位置库中查找上述目标分类标签，确定该目标分类标签对应的坐标位置集合。

在本实施例中，S304和S305具体描述了初始候选位置集的确定过程，本步骤中，所述分类标签位置库具体可看作本发明实施例二中描述的全局地图中坐标位置与所设定分类标签的关系映射集合S＝{(X_i`,c_k)|i＝1,2,3,...h，k＝1,2,3...n}。本实施例可在分类标签位置库中查找匹配目标分类标签，由此目标分类标签对应的坐标位置，形成坐标位置集合。

S305、将上述坐标位置集合确定为终端在全局地图中的初始候选位置集。

本步骤将S304中形成的坐标位置集合确定为初始候选位置集，其初始候候选位置集可表示为：Xh＝{X_a`,X<sub>b</sub>`,X_c`,....X<sub>v</sub>`}，需要说明的是，该集合中的下角标并不是字母的顺序排列，集合中的每个元素是表示一个独立的候选位置，其集合中的候选位置数量仅根据匹配结果确定。

S306、利用多元高斯分布采样确定终端当前时刻处于上述初始候选位置集中各候选位置的先验概率分布。

本实施例中的S306和S307描述了终端位置重定位的具体操作，本步骤基于粒子滤波的思想进行位置定位时，仅将确定的初始候选位置集看作高斯分布采样的重定位区域，由此大大节省了基于粒子滤波定位时先验概率分布的计算时间。

具体地，所述利用多元高斯分布采样确定所述终端当前时刻处于所述初始候选位置集中各候选位置的先验概率分布，包括：确定所述初始候选位置集中各候选位置对应的候选数据特征向量；确定所述激光雷达数据的数据特征向量与各候选数据特征向量的归一化相似值；基于各归一化相似值确定各候选位置对应的粒子集合；根据各候选位置所对应粒子集合中的粒子分布，确定各候选位置的先验概率分布。

在本实施例中，所述归一化相似值的计算过程可概括为：基于本发明实施例二中提供的相似值计算公式s＝w₁s₁+w₂s₂-w₃s₃(具体参考实施例二对公式中各参数的解释)确定激光雷达数据的数据特征向量与各候选位置对应的数据特征向量的相似值，然后在对计算出的相似值进行归一化处理，最终获得所需的归一化相似值。

此外，确定基于各归一化相似值确定各候选位置对应的粒子集合，为每个候选位置确定粒子集合的过程可具体表述为：通过随机生成函数基于确定的候选位置的归一化相似值在满足粒子生成条件时不断的生成粒子(其中一个粒子相当于终端的一种定位姿态，同样表示为((x,y),φ)的形式)，由此可以获得各候选位置对应的粒子集合。

S307、在根据上述先验概率分布确定的后验概率分布中，确定最大后验概率值对应的候选位置为所述终端当前时刻在所述全局地图中重定位的目标位置。

在本实施例中，根据S306确定的先验概率分布，以及给定的后验概率分布计算模型，确定终端当前时刻处于各候选位置的后验概率分布，可以理解的是，其后验概率分布相当于由各候选位置及其对应的后验概率值组成，本实施例可以比对各后验概率值，由此确定最大后验概率值，进而可以将最大后验概率值对应的候选位置看作终端当前时刻在全局地图中重定位的目标位置。

具体地，所述在根据上述先验概率分布确定的后验概率分布中，确定最大后验概率值对应的候选位置为所述终端当前时刻在所述全局地图中重定位的目标位置，包括：根据预先构建的观测模型确定所述终端当前时刻处于各候选位置的观测似然率；基于设定的归一化因子、所述观测似然率及所述先验概率分布，确定所述终端当前时刻处于各候选位置的后验概率分布；将所述后验概率中最大后验概率值对应的候选位置确定为所述终端当前时刻在所述全局地图中重定位的目标位置。

其中，本实施例首先可以采用常规的观测似然率方式进行释然率的计算；本实施例给出的后验概率分布的计算公式可表示为：

bel(X_d)＝ηp(Z_d|X_d,n)p(X_d|Z_d,S,X_d-1)(1)，其中，X_d相当于终端在当前d时刻对应的定位结果，可看作初始候选集Xh的另一种表示，η为归一化因子，p(Z_d|X_d,n)为一个观测模型，具体用于计算当前d时刻处于X_d的观测似然率，Z_d表示终端在当前d时刻的激光雷达数据，n表示全局地图中具有分类标签数据量；p(X_d|Z_d,S,X_d-1)为一个运动模型，相当于本实施例的S306，具体用于计算当前d时刻处于X_d的先验概率分布，其中，S相当于预先确定的分类标签位置库，X_d-1表示d-1时刻的定位结果。

需要说明的是，本步骤中的归一化因子可根据历史经验值适应性调整。且执行一次上述后验概率分布的确定操作，就相当于执行粒子滤波算法的一次迭代，此时仅获得一次迭代后的后验概率分布结果，为了保证后验概率分布结果的准确性，本实施例需要重复迭代计算各候选位置的后验概率分布。

需要注意的是，基于上述公式(1)进行后验概率分布计算时，容易出现迭代无法收敛的情况，为保证后验概率分布计算的正常收敛，本实施例执行一次或多次(不多与设定经验值)后验概率分布的确定操作后，将采用下述概率分布公式继续确定当前d时刻所对应定位结果的后验概率分布。

具体地，后续采用的概率分布公式表述如下：

bel(X_d)＝ηp(Z_d|X_d,n)p(X_d|X_d-1,u_d)bel(X_d-1)(2)，可以发现，该概率分布公式(2)与上述的后验概率分布公式(1)相比，主要基于上次迭代结果计算本次的后验概率分布，同时可以发现，其观测模型没有发生改变，但用于计算先验概率分布的运动模型发生了改变，其中，u_d表示终端在d时刻的控制输入参数，可根据实际应用中的具体场景进行具体设置。

此外，可以理解的是，本实施例基于该概率分布公式迭代进行后验概率分布计算后，在算法收敛后将获得一个最终的后验概率分布结果。本实施例可根据最终输出的后验概率分布结果，确定后验概率分布中的最大后验概率值，并将最大后验概率值对应的候选位置确定为终端当前时刻在所述全局地图中重定位的目标位置。

在本实施例中，首先通过激光雷达分类器找到重定位候选区(初始候选位置集)，然后在确定的重定位候选区进行多元高斯采样产生重定位先验概率分布，之后通过公式(1)进行一次或设定次的后验概率分布计算，然后又利用本实施例提供的公式(2)进行后验概率分布的迭代计算，最终收敛确定准确的后验概率分布结果，实现了终端位置的重定位。通过多次实验发现，本发明实施例提供的终端位置的重定位方法，比现有方法的重定位成功率提高约20％，收敛到正确位置的速度比原来提高了约1倍。

本发明实施例三提供的一种终端位置的重定位方法，具体描述了初始候选位置集的确定过程，同时具体描述了基于确定的初始候选位置集重定位终端位置进行目标位置确定的过程。利用该方法，能够通过构建好的激光雷达分类器简单有效的终端确定重定位所需的初始候选位置集，实现了重定位候选区域的有效选择，从而在保证了终端重定位结果的准确性的前提下，大大节省了通过高斯分布采样进行粒子滤波定位所需先验概率分布的计算时间，同时也降低了计算资源的过渡消耗，也避免了人工确定特征点带来的限制，进而保证该方法能够适用到更复杂的外界环境中。

实施例四

图4为本发明实施例四提供的一种终端位置的重定位装置的结构框图。该装置适用于终端位置的初始化或定位失败时对其位置进行重定位的情况，该装置可由软件和/或硬件实现，并一般集成在终端的控制器件中。如图4所示，该装置包括：数据信息获取模块41、数据标签确定模块42、候选位置确定模块43以及目标位置确定模块44。

其中，数据信息获取模块41，用于获取终端中激光雷达当前捕获的激光雷达数据；

数据标签确定模块42，用于根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；

候选位置确定模块43，用于根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；

目标位置确定模块44，用于基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

在本实施例中，该装置首先通过数据信息获取模块41获取终端中激光雷达当前捕获的激光雷达数据；然后通过数据标签确定模块42根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；之后通过候选位置确定模块43根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；最终通过目标位置确定模块44基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

本发明实施例四提供的一种终端位置的重定位装置，能够通过构建的神经网络模型简单有效的确定重定位所需的重定位候选区域，与现有重定位装置相比，能够通过预先构建的激光雷达分类器简单有效的确定终端重定位所需的初始候选位置集，实现了重定位候选区域的有效选择，由此保证了在重定位候选区域中进行终端重定位时重定位结果的准确性，同时还减少了计算资源和时间的过度耗费，也避免了人工确定特征点带来的限制，能够适用到更复杂的外界环境中。

进一步地，该装置还包括：

网络模型构建模块45，用于构建及训练学习所述激光雷达分类器。

在上述优化的基础上，网络模型构建模块45，包括：

初始模型构建单元，在训练好的数据特征网络模型后增加待训练的分类网络模型，形成待训练的激光雷达分类器；

特征向量确定单元，用于将获取的至少一帧历史雷达数据输入所述数据特征网络模型，获得所述至少一帧历史雷达数据的数据特征向量；

分类标签确定单元，用于根据各历史雷达数据的数据特征向量及设定的分类划分策略，确定各历史雷达数据的标准分类标签；

标准模型训练单元，用于根据至少一帧历史雷达数据的数据特征向量及对应的标准分类标签训练校正所述分类网络模型，获得训练后的激光雷达分类器。

进一步地，所述分类标签确定单元，具体用于：

以时间顺序排列所述各历史雷达数据；确定当前的待分类历史雷达数据及所形成当前分类标签中的首个历史雷达数据；如果所述待分类历史雷达数据在所述全局地图中的位置与所述首个历史雷达数据在所述全局地图中的位置相同，则将所述待分类历史雷达数据相对于所述当前分类标签的相似性分数确定为特定相似值；否则，根据所述待分类历史雷达数据的数据特征向量以及归属所述当前分类标签的所有历史雷达数据的数据特征向量，确定所述待分类历史雷达数据相对于所述当前分类标签的相似性分数；如果所述相似性分数大于设定相似阈值，则将所述当前分类标签确定为所述待分类历史雷达数据的标准分类标签，并在满足循环条件时，将下一历史雷达数据确定为新的待分类历史雷达数据，返回执行相似性分数的确定操作；否则，添加形成新的当前分类标签，将所述新的当前分类标签确定为所述待分类历史雷达数据的标准分类标签；确定所述待分类历史雷达数据为所述新的当前分类标签中的首个历史雷达数据，并在满足循环条件时，将下一历史雷达数据确定为新的待分类历史雷达数据，返回执行相似性分数的确定操作。

进一步地，目标位置确定模块44，包括：

先验概率确定单元，用于利用多元高斯分布采样确定所述终端当前时刻处于所述初始候选位置集中各候选位置的先验概率分布；

目标信息确定单元，用于在根据所述先验概率分布确定的后验概率分布中，确定最大后验概率值对应的候选位置为所述终端当前时刻在所述全局地图中重定位的目标位置。

基于上述优化，所述先验概率确定单元，具体用于：确定所述初始候选位置集中各候选位置对应的候选数据特征向量；确定所述激光雷达数据的数据特征向量与各候选数据特征向量的归一化相似值；基于各归一化相似值确定各候选位置对应的粒子集合；根据各候选位置所对应粒子集合中的粒子分布，确定各候选位置的先验概率分布。

此外，所述目标信息确定单元，具体用于：

根据预先构建的观测模型确定所述终端当前时刻处于各候选位置的观测似然率；

基于设定的归一化因子、所述观测似然率及所述先验概率分布，确定所述终端当前时刻处于各候选位置的后验概率分布；

将所述后验概率中最大后验概率值对应的候选位置确定为所述终端当前时刻在所述全局地图中重定位的目标位置。

进一步地，候选位置确定模块43，具体用于：

在预设的分类标签位置库中查找所述目标分类标签，确定所述目标分类标签对应的坐标位置集合；将所述坐标位置集合确定为所述终端在全局地图中的初始候选位置集。

实施例五

图5为本发明实施例五提供的一种终端的硬件结构示意图，如图5所示，本发明实施例五提供的终端，包括：激光雷达50，此外，还包括：

控制器51和存储装置52。该终端中的控制器可以是一个或多个，图5中以一个控制器51为例，所述终端中的控制器51和存储装置52也通过总线或其他方式连接，同时，所述激光雷达50与控制器51及存储装置52也通过总线或其他方式连接，图5中以通过总线连接为例。

可以理解的是，本实施例的终端可以是机器人、智能交互服务设备以及智能家居设备等智能电子设备，且本实施例的终端可以集成位置的重定位功能，以基于重定位功能对终端当前的位置进行重定位。

该终端中的存储装置52作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中终端位置的重定位方法对应的程序指令/模块(例如，附图4所示的终端位置的重定位装置中的模块，包括：数据信息获取模块41、数据标签确定模块42、候选位置确定模块43以及目标位置确定模块44)。控制器51通过运行存储在存储装置52中的软件程序、指令以及模块，从而执行终端的各种功能应用以及数据处理，即实现上述方法实施例中终端位置的重定位方法。

存储装置52可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等(如上述实施例预设的标准参考信息)。此外，存储装置52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置52可进一步包括相对于控制器51远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

并且，当上述终端所包括一个或者多个程序被所述一个或者多个控制器51执行时，程序进行如下操作：

获取终端中激光雷达当前捕获的激光雷达数据；根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

此外，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被控制装置执行时实现本发明实施例一至实施例三提供的终端位置的重定位方法，该方法包括：获取终端中激光雷达当前捕获的激光雷达数据；根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种终端位置的重定位方法，其特征在于，包括：

获取终端中激光雷达当前捕获的激光雷达数据；

根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；其中，所述激光雷达分类器为预先训练好的神经网络模型，具体用于确定所述激光雷达数据对应的目标分类标签；

根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；

基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

2.根据权利要求1所述终端位置的重定位方法，其特征在于，还包括：

构建及训练学习所述激光雷达分类器。

3.根据权利要求2所述终端位置的重定位方法，其特征在于，所述构建及训练学习所述激光雷达分类器，包括：

在训练好的数据特征网络模型后增加待训练的分类网络模型，形成待训练的激光雷达分类器；

将获取的至少一帧历史雷达数据输入所述数据特征网络模型，获得所述至少一帧历史雷达数据的数据特征向量；

根据各历史雷达数据的数据特征向量及设定的分类划分策略，确定各历史雷达数据的标准分类标签；

根据至少一帧历史雷达数据的数据特征向量及对应的标准分类标签训练校正所述分类网络模型，获得训练后的激光雷达分类器。

4.根据权利要求3所述终端位置的重定位方法，其特征在于，所述根据各历史雷达数据的数据特征向量及设定的分类划分策略，确定各历史雷达数据的标准分类标签，包括：

以时间顺序排列所述各历史雷达数据；

确定当前的待分类历史雷达数据及所形成当前分类标签中的首个历史雷达数据；

如果所述待分类历史雷达数据在所述全局地图中的位置与所述首个历史雷达数据在所述全局地图中的位置相同，则将所述待分类历史雷达数据相对于所述当前分类标签的相似性分数确定为特定相似值；否则，

根据所述待分类历史雷达数据的数据特征向量以及归属所述当前分类标签的所有历史雷达数据的数据特征向量，确定所述待分类历史雷达数据相对于所述当前分类标签的相似性分数；

如果所述相似性分数大于设定相似阈值，则将所述当前分类标签确定为所述待分类历史雷达数据的标准分类标签，并在满足循环条件时，将下一历史雷达数据确定为新的待分类历史雷达数据，返回执行相似性分数的确定操作；否则，

添加形成新的当前分类标签，将所述新的当前分类标签确定为所述待分类历史雷达数据的标准分类标签；

确定所述待分类历史雷达数据为所述新的当前分类标签中的首个历史雷达数据，并在满足循环条件时，将下一历史雷达数据确定为新的待分类历史雷达数据，返回执行相似性分数的确定操作。

5.根据权利要求1所述终端位置的重定位方法，其特征在于，所述基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置，包括：

利用多元高斯分布采样确定所述终端当前时刻处于所述初始候选位置集中各候选位置的先验概率分布；

在根据所述先验概率分布确定的后验概率分布中，确定最大后验概率值对应的候选位置为所述终端当前时刻在所述全局地图中重定位的目标位置。

6.根据权利要求5所述终端位置的重定位方法，其特征在于，所述利用多元高斯分布采样确定所述终端当前时刻处于所述初始候选位置集中各候选位置的先验概率分布，包括：

确定所述初始候选位置集中各候选位置对应的候选数据特征向量；

确定所述激光雷达数据的数据特征向量与各候选数据特征向量的归一化相似值；

基于各归一化相似值确定各候选位置对应的粒子集合；

根据各候选位置所对应粒子集合中的粒子分布，确定各候选位置的先验概率分布。

7.根据权利要求5所述终端位置的重定位方法，其特征在于，所述在根据所述先验概率分布确定的后验概率分布中，确定最大后验概率值对应的候选位置为所述终端当前时刻在所述全局地图中重定位的目标位置，包括：

根据预先构建的观测模型确定所述终端当前时刻处于各候选位置的观测似然率；

基于设定的归一化因子、所述观测似然率及所述先验概率分布，确定所述终端当前时刻处于各候选位置的后验概率分布；

将所述后验概率中最大后验概率值对应的候选位置确定为所述终端当前时刻在所述全局地图中重定位的目标位置。

8.根据权利要求1所述终端位置的重定位方法，其特征在于，所述根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集，包括：

在预设的分类标签位置库中查找所述目标分类标签，确定所述目标分类标签对应的坐标位置集合；

将所述坐标位置集合确定为所述终端在全局地图中的初始候选位置集。

9.根据权利要求1至8任一所述终端位置的重定位方法，其特征在于，所述激光雷达数据为所述激光雷达通过发射激光束探测障碍物到终端的距离信息形成的。

10.根据权利要求9所述终端位置的重定位方法，其特征在于，所述激光雷达以帧为单位捕获激光雷达数据，一帧激光雷达数据包含多份距离信息值。

11.一种终端位置的重定位装置，其特征在于，包括：

数据信息获取模块，用于获取终端中激光雷达当前捕获的激光雷达数据；

数据标签确定模块，用于根据所述激光雷达数据及预设的激光雷达分类器，获得所述激光雷达数据对应的目标分类标签；其中，所述激光雷达分类器为预先训练好的神经网络模型，具体用于确定所述激光雷达数据对应的目标分类标签；

候选位置确定模块，用于根据所述目标分类标签，确定所述终端在全局地图中的初始候选位置集；

目标位置确定模块，用于基于所述初始候选位置集以及设定的重定位策略，确定所述终端当前时刻在所述全局地图中重定位的目标位置。

12.一种终端，包括：激光雷达，其特征在于，还包括：

一个或多个控制器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个控制器执行，使得所述一个或多个控制器实现如权利要求1-10中任一项所述的终端位置的重定位方法。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被控制器执行时实现如权利要求1-10中任一项所述的终端位置的重定位方法。

Images