CN107831765B - 定位方法、装置、设备及存储介质 - Google Patents

定位方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN107831765B
CN107831765B CN201710995359.0A CN201710995359A CN107831765B CN 107831765 B CN107831765 B CN 107831765B CN 201710995359 A CN201710995359 A CN 201710995359A CN 107831765 B CN107831765 B CN 107831765B
Authority
CN
China
Prior art keywords
area
map
processed
candidate
target object
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
Application number
CN201710995359.0A
Other languages
English (en)
Other versions
CN107831765A (zh
Inventor
谢琨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201710995359.0A priority Critical patent/CN107831765B/zh
Publication of CN107831765A publication Critical patent/CN107831765A/zh
Application granted granted Critical
Publication of CN107831765B publication Critical patent/CN107831765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种定位方法、装置、设备及存储介质。该定位方法包括：对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图；将分辨率最小的降采样地图的全部区域作为待处理区域；预处理待处理区域，以确定目标对象所在的备选位置区域；在比备选位置区域高一级分辨率的降采样地图中选定与备选位置区域对应的区域作为待处理区域；返回执行预处理待处理区域，以确定目标对象所在的备选位置区域的操作，直到在区域地图中选定与备选位置区域对应的区域作为区域地图的待处理区域为止；在区域地图的待处理区域中确定目标对象的位置。采用上述方法可以实现智能且高效的使移动机器人对自身进行定位。

Description

定位方法、装置、设备及存储介质
技术领域
本发明涉及移动机器人技术领域，尤其涉及一种定位方法、装置、设备及存储介质。
背景技术
机器人是指可以自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。移动机器人是指通过定位技术，在不需要全球定位系统(Global Positioning System，GPS)的情况下能够自主导航定位并移动的机器人。其中，移动机器人按照结构划分时，可以包括：轮式机器人、多足机器人以及室内或者特征场地运行的自动驾驶汽车等。移动机器人按照用途划分时，可以包括扫地机器人、迎宾机器人、送餐机器人、自动导引运输车(Automated Guided Vehicle，AGV)以及具备自主导航功能的教育机器人等。
一般而言，移动机器人自行定位时，通常采用下述方法：方法一、将移动机器人放置到特定的位置和姿态，以使移动机器人根据特定的位置和姿态确定当前的位置信息，该方法使移动机器人无法在任意位置启动工作，给移动机器人使用者带来了麻烦；方法二、在移动机器人当前所在区域的地图上分布大量的粒子滤波中的粒子，根据传感器测量得到的每个粒子的数据，确定机器人的正确位置，该方法需要大量的计算量，使得定位效率很低。综上，现有技术方法均不能智能且高效的使移动机器人对自身进行定位。
发明内容
有鉴于此，本发明实施例提供一种定位方法、装置、设备及存储介质，以优化现有定位方法，实现智能且高效的使移动机器人对自身进行定位。
第一方面，本发明实施例提供了一种定位方法，包括：
对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图，所述区域地图的分辨率最大；
将分辨率最小的降采样地图的全部区域作为待处理区域；
预处理所述待处理区域，以确定所述目标对象所在的备选位置区域；
在比所述备选位置区域高一级分辨率的降采样地图中选定与所述备选位置区域对应的区域作为待处理区域；
返回执行预处理所述待处理区域，以确定所述目标对象所在的备选位置区域的操作，直到在所述区域地图中选定与所述备选位置区域对应的区域作为所述区域地图的待处理区域为止；
在所述区域地图的待处理区域中确定所述目标对象的位置。
第二方面，本发明实施例还提供了一种定位装置，包括：
降采样模块，用于对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图，所述区域地图的分辨率最大；
第一区域确定模块，用于将分辨率最小的降采样地图的全部区域作为待处理区域；
预处理模块，用于预处理所述待处理区域，以确定所述目标对象所在的备选位置区域；
第二区域确定模块，用于在比所述备选位置区域高一级分辨率的降采样地图中选定与所述备选位置区域对应的区域作为待处理区域；
第三区域确定模块，用于返回执行预处理所述待处理区域，以确定所述目标对象所在的备选位置区域的操作，直到在所述区域地图中选定与所述备选位置区域对应的区域作为所述区域地图的待处理区域为止；
位置确定模块，用于在所述区域地图的待处理区域中确定所述目标对象的位置。
第三方面，本发明实施例还提供了一种设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例所述的定位方法。
第四方面，本发明实施例还提供了一种存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例所述的定位方法。
上述提供的定位方法、装置、设备及存储介质，通过对目标对象所在的区域地图进行降采样处理后得到不同分辨率的多个降采样地图，将分辨率最小的降采样地图的全部区域作为待处理区域，并对待处理区域进行预处理以确定备选位置区域，根据备选位置区域在高一级分辨率的降采样地图中确定待处理区域，并继续对待处理区域进行预处理，依次类推，直到在区域地图中确定出待处理区域为止，并在区域地图的待处理区域中确定目标对象位置的技术方案，实现了快速、准确的确定目标对象的位置，且定位过程无需大量的运算量，降低了系统负荷，实现了高效定位。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例一提供的一种定位方法的流程图；
图2a为本发明实施例二提供的一种定位方法的流程图；
图2b为目标对象所在区域的栅格地图示意图；
图2c为第一原始栅格地图示意图；
图2d为深度值为1的第一降采样栅格地图示意图；
图2e为深度值为2的第一降采样栅格地图示意图；
图2f为深度值为H的降采样栅格地图示意图；
图2g为分辨率最小的降采样栅格地图的示意图；
图2h为深度值为2的第二降采样栅格地图示意图；
图2i为深度值为1的第二降采样栅格地图示意图
图2j为第二原始栅格地图的示意图；
图3为本发明实施例三提供的一种定位装置的结构示意图；
图4为本发明实施例四提供的一种设备的结构示意图。
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内容。
现有技术中，通过在移动机器人所在区域的地图上分布大量粒子滤波中的粒子的方式进行移动机器人定位时，一般的楼宇内环境中，每平方米需要500个粒子才能保证机器人正确的判断出自己的位置。假设，移动机器人在一个40平方米的区域中，那么对应的地图中需要20000个粒子，此时，移动机器人需要将20000个粒子的数据与移动机器人传感器获取的数据进行比对，并淘汰掉和传感器获取数据相差较大的粒子，提取和传感器获取数据相差较小的粒子，并提高提取的粒子的权重，如此反复迭代，以获取机器人的正确位置。一般而言，当移动机器人所在的空间区域变大时，需要的粒子数便会大大增加，而对于一般的i5架构2.97Hz的四核中央处理器(Central Processing Unit，CPU)最多可以加入20000个粒子，如果加入更多的粒子，会导致操作系统资源紧张，使得程序崩溃。因此，当移动机器人所在的空间区域变大时，上述方法的可行性将越来越小。
在实现移动机器人自主定位的前提下，本发明实施例提供了一种定位方法，该定位方法无需对空间中分布的大量粒子进行计算。其具体如下：
实施例一
图1为本发明实施例一提供的一种定位方法的流程图。本实施例提供的定位方法适用于目标对象自主定位的情况。其中，目标对象包括但不限定于移动机器人，其他可实现本实施例提供的定位方法的设备均属于目标对象。本实施例提供的定位方法可以由定位装置执行，该定位装置通过软件和/或硬件的方式实现，并集成在可实现本实施例提供的定位方法的设备中。
参考图1，本实施例提供的定位方法具体包括：
S110、对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图。
可选的，目标对象所在的区域为室内区域。根据区域地图可以确定室内区域的布局结构以及障碍物分布的情况。例如，根据区域地图可以确定当前室内区域共有几个房间、每个房间的分布位置及大小以及障碍物的大小和障碍物所在的位置。进一步的，预先确定目标对象的区域地图，并将该区域地图输入至目标对象中。一般而言，区域地图是分辨率最大的地图，后续处理生成地图的分辨率均低于区域地图的分辨率。
具体的，区域地图中每个像素点均显示一个颜色深度，颜色深度表示该像素点存在障碍物的概率值，该概率值可以记为概率地图。某个像素点的颜色越深，对应为障碍物的概率值越大。
进一步的，预先在区域地图中布满粒子，每个粒子代表一个候选点。可选的，每个候选点的坐标信息中均包括二维平面坐标信息以及平面角度信息，其中，预先设定0°方向，候选点的方向与0°方向的夹角为平面角度信息。根据候选点可以确定区域地图中目标对象的位置数据以及障碍物的位置数据。
一般而言，区域地图分辨率越大，显示的信息越多，为了保证获取信息的完整性，需要布置大量的候选点，进而导致在后续计算时运算量增大。为了减小数据计算量，本实施例中对区域地图进行降采样的方式。其中，降采样后得到的地图记为降采样地图。降采样地图的分辨率低于区域地图的分辨率，深度值大于区域地图的深度值。其中，区域地图的深度值以及降采样地图的深度值并非指地图中显示颜色的具体深度，而是一个相对的量。一般而言，分辨率越高，深度值越低。举例而言，区域地图的分辨率最大，对应的深度值最小，一般设定为0，而分辨率最小的降采样地图对应的深度值越大，假设共有9个降采样地图，那么分辨率最小的降采样地图对应的深度值为9。
具体的，降采样地图中一个像素点的位置区域对应区域地图中多个像素点的位置区域。降采样后得到的地图中像素点的数量变小，显示的信息变少，此时，需要的候选点的数量也同步变少，那么后续对降采样地图处理时，计算量会大大的减小。其中，降采样地图的分辨率越低，像素点的数量越小，需要候选点的数量也越小。需要说明的是，即使降采样地图的候选点数量变小，各候选点仍能清楚地表明降采样地图的障碍物信息。
可选的，降采格地图中一个像素点的概率值可以选择为区域地图中对应的多个像素点的概率值中的最大概率值。举例而言，区域地图中一个像素点对应0.05见方的区域。在降采样后，降采样地图一个像素点对应0.2见方的区域。此时，降采样地图中一个像素点就包含了区域地图中对应的四个像素点。相应的，降采样地图中一个像素点的概率值可以选择为区域地图中对应的四个像素点中最大的概率值。
具体的，对区域地图进行降采样处理时，可以是预先确定每次降采样处理后得到的降采样地图的分辨率，该根据分辨率对区域地图进行降采样处理，以得到多个降采样地图。一般而言，可以先对区域地图进行降采样处理，以得到分辨率最高的降采样地图，再对分辨率最高的降采样地图进行降采样处理，以得到分辨率第二高的降采样地图，依次类推，直到得到最低分辨率的降采样地图；还可以直接对区域地图进行多次降采样处理，以得到不同分辨率的多个降采样地图。其中，降采样地图的分辨率可以根据实际情况进行设定。
在本实施例中，多个降采样地图和区域地图可以根据分辨率的大小进行分级。其中，最低级为分辨率最小的降采样地图，其高一级为分辨率第二小的降采样地图，依次类推，最高级为区域地图。
S120、将分辨率最小的降采样地图的全部区域作为待处理区域。
降采样地图的分辨率越小，像素点的数量越小，对应的候选点的数量越小，后续处理时的计算量越小。据此，从分辨率最小的降采样地图开始处理。进一步的，由于此时还不能在分辨率最小的降采样地图中确定目标对象可能的位置区域，因此，需要将全部区域作为待处理区域，以确定目标对象可能的位置区域。
S130、预处理待处理区域，以确定目标对象所在的备选位置区域。
具体的，预处理待处理区域时，可以是将待处理区域等分为N个子待处理区域，其中，N为大于1的正整数。进一步的，对N个子待处理区域进行处理，以确认N个子待处理区域中包含目标对象的可能性，并选择可能性最大的子待处理区域作为目标对象所在的备选位置区域。一般而言，备选位置区域小于待处理区域。
其中，对子待处理区域进行处理时，可以是确定子待处理区域中各候选点的位姿得分，其中，位姿表示为各候选点的位置和姿态。位姿得分具体的确定方式为：由目标对象的传感器对周围的环境数据进行采集，当确定以目标对象为视角的某个相对位置处存在障碍物，且在子待处理区域中以某一候选点为视角的该相对位置处同样存在障碍物，那么该候选点就可能是目标对象所在的位置，此时，该候选点的位姿得分就会变大，其具体的分值变大规则可以根据实际情况进行设定。如果以另一候选点为视角的该相对位置处不存在障碍物，那么该候选点的得分将保持不变。由于目标对象为视角时具有一定的角度信息，而候选点同样包含平面角度信息，因此，可以保证确定相对位置时的准确性。
上述过程中，通过子待处理区域中各像素点显示的颜色深度确定各候选点的相对位置处是否存在障碍物，例如，某个候选点的相对位置处像素点的颜色深度越深，那么该候选点的得分增加幅度越大。采样上述方法，可以使得与目标对象传感器采集的环境数据重合率高的候选点的位姿得分高，而重合率低的候选点的位姿得分低。当降采样栅格地图的分辨率较小时，每个像素点的区域相对较大，候选点数量相对较少，此时，众多候选点的得分可能是完全一致的，因此，大大降低了数据计算量。
进一步的，根据每个子待处理区域中各候选点的得分在各子待处理区域中选择目标对象可能存在的子待处理区域作为备选位置区域。其具体可以是将每个子待处理区域中各候选点的最高位姿得分作为对应子待处理区域的得分，并将得分最高的子待处理区域确定为备选位置区域；还可以是将每个子待处理区域中各候选点的平均得分作为对应子待处理区域的得分，并将得分最高的子待处理区域确定为备选位置区域。
具体的，预处理待处理区域时，还可以是间接遍历待处理区域的全部候选点，确定各候选点的位姿得分，选择最高位姿得分的候选点，并以该候选点为中心的一定区域作为备选位置区域。其中，备选位置区域小于待处理区域。
S140、确定比备选位置区域高一级分辨率的地图是否为区域地图。若是，执行S160，否则，执行S150。
具体的，高一级分辨率是指比当前分辨率大一级的分辨率。当比备选位置区域对应的降采样地图高一级分辨率的地图为区域地图时，说明当前已经对全部降采样地图进行了处理，此时，执行S160。当高一级分辨率的地图不是区域地图时，说明当前仍存在未处理的降采样地图，此时，执行S150。
S150、在比备选位置区域高一级分辨率的降采样地图中选定与备选位置区域对应的区域作为待处理区域。返回执行S130。
可选的，确定备选位置区域的区域位置，并在高一级分辨率对应的降采样地图中找到该区域位置对应的区域，将该区域作为当前的待处理区域，并继续对待处理区域进行预处理操作。虽然高一级分辨率的降采样地图的分辨率变高，对应的候选点的数量变多，但是待处理区域相对变小，此时，仅需对待处理区域进行处理，也不会有大量的候选点，也可以减小计算量，保证了运算速度。
S160、在区域地图中选定与备选位置区域对应的区域作为区域地图的待处理区域。
其中，在区域地图中选定待处理区域与在高一级分辨率的降采样地图中选定待处理区域的方式相同，在此不作赘述。
S170、在区域地图的待处理区域中确定目标对象的位置。
具体的，确定目标对象所在的位置时，可以是确定区域地图的待处理区域中各候选点的位姿得分，并选择位姿得分最高的候选点记为目标候选点，并将目标候选点的位置作为目标对象所在位置。由于区域地图的待处理区域已经是很小的区域了，因此，对该区域的候选点的得分进行计算时，只需计算少量的候选点。
考虑到分辨率变大后，地图中显示的信息更加详细，因此在确定候选点的位姿得分时，位姿得分更准确，这样会导致目标候选点的位姿得分可能会低于某个较低分辨率的子待处理区域的得分，因此，为了进一步保证定位结果的准确性，在确定目标对象的位置后，进行回溯处理，即回溯到比区域地图低一级分辨率的降采样地图中，并确认降采样地图中其他非备选位置区域的子待处理区域的得分。如果非备选位置区域的子待处理区域的得分均低于目标候选点的得分，则对非备选位置区域的子待处理区域进行剪枝处理，并继续回溯到低一级分辨率的降采样地图，执行同样的操作，直到执行到分辨率最小的降采样地图，如果该降采样地图中其他非备选位置区域的子待处理区域的得分均低于目标候选点的得分，那么将目标候选点的位置确定为目标对象的最终位置。如果上述回溯过程中，任一级分辨率对应的降采样地图中某一非备选位置区域的子待处理区域的得分高于目标候选点的得分，则将该非备选位置区域的子待处理区域作为待处理区域，并继续对该待处理区域进行预处理，直到确定新的目标候选点，并对新的目标候选点继续进行回溯处理，直到回溯到分辨率最小的降采样地图中其他非备选位置区域的子待处理区域的得分均低于当前目标候选点的得分为止，将当前目标候选点的位置确定为目标对象的最终位置。
可选的，区域地图可以是栅格地图，对应的，降采样地图也是栅格地图。
本实施例提供的技术方案，通过对目标对象所在的区域地图进行降采样处理后得到不同分辨率的多个降采样地图，将分辨率最小的降采样地图的全部区域作为待处理区域，并对待处理区域进行预处理以确定备选位置区域，根据备选位置区域在高一级分辨率的降采样地图中确定待处理区域，并继续对待处理区域进行预处理，依次类推，直到在区域地图中确定出待处理区域为止，在区域地图的待处理区域中确定目标对象的位置的技术方案，实现了快速、准确的确定目标对象的位置，且定位过程无需大量的运算量，降低了系统负荷，实现了高效定位。
实施例二
图2a为本发明实施例二提供的一种定位方法的流程图。本实施例提供的定位方法是在上述实施例的基础上进行具体化。具体的，参考图2a，本实施例提供的定位方法具体包括：
S201、确定待生成的多个降采样地图的深度值。
在本实施例中，区域地图和降采样地图均为栅格地图的形式。栅格地图是指在空间和亮度上都已经离散化了的图像，在机器人学中，栅格地图是把环境划分成一系列栅格，其中每一栅格给定一个可能值，表示该栅格被占据的概率。在栅格地图中，通过颜色深度表明对应的可能值，栅格的可能值越大对应的颜色深度越大。一般而言，栅格地图中，每个像素代表一个栅格，像素点的颜色越深，表明对应的栅格可能值越大，该栅格被占据的概率越大。在本实施例中，栅格被占据的含义为该栅格对应的实际空间中存在障碍物。如家具、墙体等障碍物。例如，图2b为目标对象所在区域的栅格地图示意图，其中，该栅格地图的一个像素点101为0.05栅格/米，其代表每个栅格映射到物理上0.05见方的一个区域。具体的，在本实施例中，将区域地图称为原始栅格地图，将降采样地图称为降采样栅格地图。
进一步的，原始栅格地图的深度值最低，一般设为0。根据原始栅格地图确定需要降采样的次数，并根据该次数确定各降采样栅格地图的深度值。假设当前降采样次数为7，那么分辨率最大的降采样地图的深度值为1，分辨率第二大的降采样地图的深度值为2，依次类推，分辨率最小的降采样地图的深度值为7。其中，降采样的次数可以根据原始栅格地图的实际情况进行设定。
S202、获取目标对象所在的区域地图的分辨率。
具体的，在目标对象中输入原始栅格地图后，同步输入原始栅格地图的分辨率。进一步的，根据原始栅格地图的分辨率可以确定每个像素点的映射区域。
S203、根据深度值和区域地图的分辨率确定多个降采样地图的分辨率。
具体的，深度值越大，对应的分辨率越低。
可选的，该步骤具体包括：根据区域地图的分辨率确定区域地图中每个像素点的映射区域边长；利用公式R＝2h·Rmax确定降采样地图中每个像素点的映射区域边长；根据降采样地图中每个像素点的映射区域边长确定降采样地图的分辨率。
其中，R表示降采样地图中每个像素点的映射区域边长，Rmax为区域地图中每个像素点的映射区域边长，h为降采样地图的深度值。一般而言，根据栅格地图的分辨率可以确定每个像素点的映射区域，进而得到每个像素点映射区域边长。同样，根据每个区域像素点映射区域边长可以确定栅格地图的分辨率。其中，Rmax为区域地图中每个像素点的映射区域边长是指区域地图中每个像素点映射一个Rmax×Rmax的方格，Rmax的单位为米。以h＝1为例，此时，降采样地图中每个像素点映射的区域边长是区域地图中每个像素点映射区域边长的2倍，即降采样地图中一个像素点的映射区域对应区域地图中四个像素点的映射区域，此时，如果区域地图的分辨率为1024*1024，那么降采样地图分辨率的分辨率为512*512。
S204、根据多个降采样地图的分辨率对区域地图进行多次降采样处理，以生成不同分辨率的多个降采样地图。
具体的，对原始栅格地图进行降采样处理，以得到对应分辨率的降采样栅格地图。
对原始栅格地图进行降采样时，分辨率变低，对应的栅格数量变小，每个栅格对应的区域变大，显示的信息会相对的变少。此时，降采样地图中坐标(x，y)为障碍物的概率值为max Mnearest(x',y')，其中，x'∈(x,x+R(2h-1))，y'∈(y,y+R(2h-1))，R为当前降采样地图中每个像素点映射的区域边长，h为当前降采样地图的深度值，Mnearest(x',y')为所述区域地图的坐标(x',y')为障碍物的概率值。具体的，(x，y)为一个像素点，即一个栅格。降采样栅格地图中一个坐标(x，y)可以对应原始栅格地图中[(x,x+R(2h-1)),(y,y+R(2h-1))]区域内的坐标。其中，[(x,x+R(2h-1)),(y,y+R(2h-1))]区域的各坐标可以用(x',y')表示。进一步的，当降采样栅格地图的深度值为h时，在原始栅格地图的[(x,x+R(2h-1)),(y,y+R(2h-1))]区域内选择各坐标中最大的障碍物的概率值作为降采样栅格地图中坐标(x，y)为障碍物的概率值。
例如，图2c为第一原始栅格地图示意图，其中，颜色越深表明对应的区域有障碍物的可能性越大。设定，栅格地图的深度值h＝0，每个栅格映射为Rmax见方的区域。进一步的，利用R＝2h·Rmax确定h＝1时的降采样栅格地图中每个栅格映射为R1＝2Rmax见方的区域，此时，对应的降采样栅格地图为图2d。相比于图2c，图2d的颜色明显加深且深色范围加大，尤其是图2c中的黑色区域在图2d中更加明显。进一步的，利用R＝2h·Rmax确定h＝2时的降采样栅格地图中每个栅格映射为R2＝4Rmax见方的区域，此时，对应的降采样栅格地图为图2e。相比于图2c和图2d，图2e的颜色明显加深且深色范围加大。进一步的，设定最大深度值为H，那么对应的降采样栅格地图中每个栅格映射为2H·Rmax见方的区域，此时，降采样栅格地图为图2f。由图2f可知，每个栅格的区域已经足够的大，且可能存在障碍物的黑色区域已经足够明显。
S205、将分辨率最小的降采样地图的全部区域作为待处理区域。
S206、将待处理区域等分为N个子待处理区域。
其中，N为大于1的正整数，且具体数值可以根据实际情况进行设定。
S207、分别计算出N个子待处理区域的候选区域得分。
具体的，候选区域得分越大，表明对应的子待处理区域中存在目标对象的可能性越高。进一步的，根据子待处理区域的各候选点确定出对应的候选区域得分。
可选的，该步骤具体包括：
S2071、分别计算出N个子待处理区域中全部候选点的位姿得分。
示例性的，子待处理区域中包括至少一个候选点。候选点的位姿得分越大，表示该候选点为目标对象所在位置的可能性越高。其中，目标对象上安装至少一个传感器，该传感器可以用于对周围的环境数据进行采集，以确定出障碍物相对于目标对象的相对位置和相对角度，进而确定障碍物相对于目标对象的距离。可选的，传感器可以包括：激光传感器、超声传感器、单目视觉相机、双目视觉相机中的至少一种。确定目标对象的相对坐标后，遍历各子待处理区域的候选点，以确定该候选点的与该距离对应的位置处是否存在障碍物，如果存在障碍物，则说明该候选点可能为目标对象的位置，此时，该候选点的位姿得分增加。每个候选点都可以根据距离确定一个位置，并可以根据候选点在降采样栅格地图上的坐标确定该位置在降采样栅格地图上的绝对坐标，进而根据绝对坐标的概率值确定该位置处是否有障碍物，可选的，概率值可以为1或0，1表示该位置处存在障碍物，此时，位姿得分相应的加1，0表示该位置处不存在障碍物，此时，位姿得分不变。其中，绝对坐标为降采样栅格地图的坐标。
具体的，利用公式
Figure BDA0001442407720000101
计算候选点的位姿得分，其中，score(c)表示候选点c的位姿得分，K表示目标对象中传感器采集信息的个数，hk表示目标对象根据第k个采集信息确定的障碍物相对于所述目标对象参考点的距离，1≤k≤K，ch为当前地图的分辨率，
Figure BDA0001442407720000111
表示与目标对象参考点的距离为hk的障碍物在分辨率为ch的地图坐标系中的绝对坐标，
Figure BDA0001442407720000112
表示hk与分辨率为ch的地图坐标系间的转换关系，ξc表示障碍物到传感器的距离与障碍物到目标对象参考点的距离的转换关系，
Figure BDA0001442407720000113
表示绝对坐标
Figure BDA0001442407720000114
为障碍物的概率值，其可以是具体的概率值，也可以仅用0和1表示
Figure BDA0001442407720000115
是否为障碍物的得分，其中，1表示为障碍物时的得分。precomp表示地图标记。其中，目标对象可以设置至少一个传感器，每个传感器可以采集多个信息，此时，K表示全部传感器采集信息的总个数。其中，hk中隐含了角度信息。以激光传感器为例，激光传感器在发射激光时，设定了发射角度，此时，接收角度也相对确定，即明确了hk对应的角度信息。进一步的，由于目标对象是一个占据一定空间的物体，为了便于计算，本实施例中，仅用一个参考点(一个坐标数据)表示目标对象占据的空间。此时，目标对象中安装的传感器与参考点间仍有一定的距离，因此，根据传感器采集信息确定某个坐标相对于参考点而言为障碍物的概率值时，需要设定障碍物到传感器的距离与障碍物到目标对象参考点的距离的转换关系，即ξc。进一步的，由于当前的地图可能是原始的区域地图，也可以是经过处理的降采样地图，因此，可以通过precomp确定当前地图为区域地图还是降采样地图，如当precomp存在时，确定为降采样地图，当precomp不存在时，确定为区域地图。
S2072、在子待处理区域对应的位姿得分中选择最高位姿得分作为子待处理区域的候选区域得分。
由于候选点的位姿得分越大，该候选点为目标对象所在位置的可能性越高，进而表明该候选点所在的子待处理区域中有目标对象的可能性越高。因此，在每个子待处理区域中，选择各候选点中的最高位姿得分作为该子待处理区域的候选区域得分，以通过候选区域得分表明该子待处理区域中有目标对象的可能。
S208、选择候选区域得分最大的子待处理区域作为备选位置区域。
进一步的，确定各子待处理区域的候选区域得分后，选择候选区域得分最大的子待处理区域作为备选位置区域。此时，备选位置区域的区域大小明显小于待处理区域的区域大小。
一般而言，各子待处理区域的候选区域得分并不相同。即使存在最大候选区域得分相同的子待处理区域，那么也可以将最大候选区域得分相同的子待处理区域均作为备选位置区域，即存在多个备选位置区域。进而在高一级分辨率的降采样栅格地图中确定多个待处理区域，并对多个待处理区域进行预处理，在全部子待处理区域中选择候选区域得分最高的子待处理区域作为当前的备选位置区域。
S209、确定比备选位置区域高一级分辨率的地图是否为区域地图。若是，则执行S211，否则，执行S210。
S210、在比备选位置区域高一级分辨率的降采样地图中选定与备选位置区域对应的区域作为待处理区域。返回执行S206。
S211、在区域地图中选定与备选位置区域对应的区域作为区域地图的待处理区域。
S212、计算区域地图的待处理区域中全部候选点的位姿得分。
其中，区域地图的待处理区域中包括至少一个候选点。
进一步的，区域地图的待处理区域中各候选点的位姿得分的计算方式与降采样地图中子待处理区域中各候选点的位姿得分的计算方式相同，在此不做赘述。
S213、选择最高位姿得分对应的候选点作为目标对象所在位置。
具体的，区域地图的待处理区域为目前为止确定的最有可能存在目标对性的区域，那么该区域中位姿得分最高的候选点便可以确定为目标对象的所在位置。
下面对S205-S213的具体过程进行示例描述：
具体的，图2g为分辨率最小的降采样栅格地图的示意图。其中，该降采样栅格地图的深度值为3。将该降采样栅格地图的全部区域均为待处理区域，且该降采样栅格地图中布满候选点。参考图2g，将待处理区域均分为4个子待处理区域，分别记为子待处理区域1、子待处理区域2、子待处理区域3以及子待处理区域4。进一步的，确定上述四个子待处理区域中各候选点的位姿得分，并将各子待处理区域中最高位姿得分作为该子待处理区域的候选区域得分。确定子待处理区域3的候选区域得分最高。将子待处理区域3作为备选位置区域a。
图2h为比图2g高一级分辨率的降采样栅格地图，其深度值为2。具体的，降采样栅格地图中布满候选点，且该候选点的数量多于深度值为3的降采样栅格地图的候选点数量。进一步的，在该降采样栅格地图中选定与备选位置区域a相同的位置区域作为待处理区域，并将该待处理区域分为四个子待处理区域，分别记为子待处理区域31、子待处理区域32、子待处理区域33以及子待处理区域34。进一步的，经过计算后确定子待处理区域34为备选位置区域b。
图2i为比图2h高一级分辨率的降采样栅格地图，其深度值为1。具体的，降采样栅格地图中布满候选点，且该候选点的数量多于深度值为2的降采样栅格地图的候选点数量。进一步的，在降采样栅格地图中选定与备选位置区域b相同的位置区域作为待处理区域，并将该待处理区域分为四个子待处理区域，分别记为子待处理区域341、子待处理区域342、子待处理区域343以及子待处理区域344。进一步的，经过计算后确定子待处理区域342为备选位置区域c。
原始栅格地图参考图2j。具体的，原始栅格地图中布满候选点，且该候选点的数量多于深度值为1的降采样栅格地图的候选点数量。进一步的，在原始栅格地图中选定与备选位置区域c相同的位置区域作为待处理区域，并将该待处理区域分为四个子待处理区域，分别记为子待处理区域3421、子待处理区域3422、子待处理区域3423以及子待处理区域3424。进一步的，经过计算后确定子待处理区域3421中的候选点d的位姿得分最高，此时，将候选点d确定为目标对象的位置。
需要说明的是上述图2g-图2j仅示例性的表明了对待处理区域进行分区以及设置候选点的情况，而并未表明对应栅格地图的具体显示内容及栅格颜色深度。
典型的，由于逐级处理待处理区域时，对应的分辨率越来越高，相应的待处理区域显示的信息越来越多，那么级数越高时，栅格中显示的颜色深度越来越准确，相应的，计算得到的位姿得分越准确，而最高位姿得分会随着级数的增高而相应的降低。此时会出现在栅格地图中确定的最高位姿得分可能会低于其他降采样栅格地图中子待处理区域的候选区域得分，因此，为了保证最终定位结果的准确性，本实施例中采用了回溯及剪枝操作，具体如下：
S214、获取比区域地图低一级分辨率的降采样地图作为当前处理地图。
此时，将分辨率最高的降采样栅格地图作为当前处理地图。
S215、确认当前处理地图中非备选位置区域的子待处理区域的候选区域得分。
由于每个当前处理地图中均存在对应的待处理区域，且预处理待处理区域时，将该待处理区域等分为N个子待处理区域，并从N个子待处理区域中确定备选位置区域。此时，该待处理区域中还存在N-1个非备选位置区域的子待处理区域。进一步的，确定该N-1个非备选位置区域的子待处理区域的候选区域得分。由于在上述过程已经计算了上述区域的候选区域得分，此时，可以直接获取对应的候选区域得分。也可以重新计算各子待处理区域的候选区域得分，且计算方式不变，在此不作赘述。
S216、判断非备选位置区域的子待处理区域的候选区域得分是否高于目标对象所在位置的位姿得分。如果是，执行S220，如果否，执行S217。
具体的，判断N-1个非备选位置区域的子待处理区域的候选区域得分是否高于目标对象所在位置的位姿得分。一般而言，如果是，则说明存在某个子待处理区域中可能存在目标对象，且该子待处理区域中存在目标对象的可能性大于当前确定的目标对象所在位置。此时，执行S220。如果否，则说明当前确定的目标对象所在位置是目标对象的实际位置的可能性最大，那么将不在对N-1个非备选位置区域的子待处理区域进行处理，此时，剪掉该N-1个非备选位置区域的子待处理区域，即进行剪枝处理，并执行S217。
一般而言，如果存在比目标对象所在位置的位姿得分高的子待处理区域，那么子待处理区域的数量一般为1。
S217、确认当前处理地图是否为分辨率最小的降采样地图。若是，执行S219，否则，执行S218。
如果当前处理地图是分辨率最小的降采样栅格地图，则说明已经回溯完成，即完成对全部降采样栅格地图的回溯处理。此时，执行S219。否则，说明还存在未处理的降采样栅格地图，此时，执行S218。
S218、将比当前处理地图低一级分辨率的降采样地图更新为当前处理地图。返回执行S215。
选择比当前处理地图低一级分辨率的降采样栅格地图，也可以理解为选择当前处理地图的上一深度值的降采样栅格地图，并将被选择的降采样栅格地图更新为当前处理地图，并继续确定该当前处理地图中的N-1个非备选位置区域的子待处理区域的候选区域得分是否高于目标对象所在位置的位姿得分。
S219、将目标对象所在位置作为最终位置。
最终位置为本方法确定的目标对象所在的位置。
S220、将高于目标对象所在位置的位姿得分的子待处理区域作为待处理区域。返回执行S206。
具体的，当前情况下，待处理区域中存在目标对象的可能性高于目标对象所在位置存在目标对象的可能性。此时，继续对待处理区域执行预处理操作，进而确定寻找新的目标对象所在位置，并对新的目标对象所在位置进行回溯操作，直到确认分辨率最小的降采样栅格地图中非备选位置区域的子待处理区域的候选区域得分均低于新的目标对象所在位置的位姿得分为止，将新的目标对象所在位置作为最终位置。一般而言，实际应用中，经历一次完整的回溯便可以确定出目标对象所在的位置。
下面对回溯及剪枝处理进行示例说明：
参考图2j，其中候选点d为目标对象所在位置。进一步的，选择深度值为1的降采样栅格地图作为当前处理地图。深度值为1的降采样栅格地图参考图2i，其中，子待处理区域342为备选位置区域，那么获取子待处理区域341、子待处理区域343以及子待处理区域344的区域位姿得分。确认子待处理区域341、子待处理区域343以及子待处理区域344的候选区域得分均小于候选点d的位姿得分，那么对子待处理区域341、子待处理区域343以及子待处理区域344进行剪枝处理。
进一步的，选择深度值为2的降采样栅格地图作为当前处理地图。深度值为2的降采样栅格地图参考图2h，其中，子待处理区域34为备选位置区域，那么获取子待处理区域31、子待处理区域32以及子待处理区域33的区域位姿得分。确认子待处理区域31、子待处理区域32以及子待处理区域33的候选区域得分均小于候选点d的位姿得分，那么对子待处理区域31、子待处理区域32以及子待处理区域33进行剪枝处理。
进一步的，选择深度值为3的降采样栅格地图作为当前处理地图。深度值为3的降采样栅格地图参考图2g，其中，子待处理区域为备选位置区域，那么获取子待处理区域1、子待处理区域2以及子待处理区域4的区域位姿得分。确认子待处理区域1、子待处理区域2以及子待处理区域4的候选区域得分均小于候选点d的位姿得分，那么对子待处理区域1、子待处理区域2以及子待处理区域4进行剪枝处理。此时，遍历了全部的降采样栅格地图，并将候选点d确定为目标对象的最终位置。
需要说明的是，如果上述过程中，任意非备选位置区域的子待处理区域的区域位姿得分高于候选点d的位姿得分，那么将该子待处理区域作为新的待处理区域，并继续寻找新的候选点。每次选择新的候选后，都需要进行回溯剪枝处理，以保证候选点的准确性。
本实施例提供的技术方案，通过预先确定待生成的多个降采样栅格地图的深度值以及原始栅格区域的分辨率确定多个降采样栅格地图的分辨率，并对原始栅格地图进行降采样处理以得到多个降采样栅格地图，将分辨率最小的降采样栅格地图的全部区域作为待处理区域，并将待处理区域分成N个子待处理区域，在N个子待处理区域中选择候选区域得分最大的子待处理区域作为备选位置区域，并在高一级分辨率对应的降采样栅格地图中确定与备选位置区域对应的待处理区域以继续预处理，直到确定原始栅格地图的待处理区域，在原始栅格地图的待处理区域中选择位姿得分最大的候选点作为目标对象所在位置，选择比原始栅格地图低一级分辨率的降采样地图作为当前处理地图，并确认当前处理地图中非备选位置区域的子待处理区域的候选区域得分是否高于目标对象所在位置的位姿得分，如果低于，则再选择低一级分辨率的降采样地图作为当前处理图以继续处理直到对分辨率最小的降采样地图进行处理后，确定目标对象所在位置为最终位置，如果高于，则将高于位姿得分的子待处理区域作为待处理区域，并对待处理区域进行预处理，直到确定最终位置为止的技术方案，实现了快速、准确的确定目标对象的位置，且定位过程无需大量的运算量，降低了系统负荷，实现了高效定位。
实施例三
图3为本发明实施例三提供的一种定位装置的结构示意图。本实施例提供的定位装置包括：降采样模块301、第一区域确定模块302、预处理模块303、第二区域确定模块304、第三区域确定模块305以及位置确定模块306。
其中，降采样模块301，用于对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图，区域地图的分辨率最大；第一区域确定模块302，用于将分辨率最小的降采样地图的全部区域作为待处理区域；预处理模块303，用于预处理待处理区域，以确定目标对象所在的备选位置区域；第二区域确定模块304，用于在比备选位置区域高一级分辨率的降采样地图中选定与备选位置区域对应的区域作为待处理区域；第三区域确定模块305，用于返回执行预处理待处理区域，以确定目标对象所在的备选位置区域的操作，直到在区域地图中选定与备选位置区域对应的区域作为区域地图的待处理区域为止；位置确定模块306，用于在区域地图的待处理区域中确定目标对象的位置。
本实施例提供的技术方案，通过对目标对象所在的区域地图进行降采样处理后得到不同分辨率的多个降采样地图，将分辨率最小的降采样地图的全部区域作为待处理区域，并对待处理区域进行预处理以确定备选位置区域，根据备选位置区域在高一级分辨率的降采样地图中确定待处理区域，并继续对待处理区域进行预处理，依次类推，直到在区域地图中确定出待处理区域为止，在区域地图的待处理区域中确定目标对象的位置的技术方案，实现了快速、准确的确定目标对象的位置，且定位过程无需大量的运算量，降低了系统负荷，实现了高效定位。
在上述实施例的基础上，预处理模块303具体包括：分区单元，用于将待处理区域等分为N个子待处理区域，N为大于1的正整数；得分计算单元，用于分别计算出N个子待处理区域的候选区域得分；区域选择单元，用于选择候选区域得分最大的子待处理区域作为备选位置区域。
在上述实施例的基础上，得分计算单元具体包括：位姿得分计算子单元，用于分别计算出N个子待处理区域中全部候选点的位姿得分，子待处理区域中包括至少一个所述候选点；得分确定子单元，用于在子待处理区域对应的位姿得分中选择最高位姿得分作为子待处理区域的候选区域得分。
在上述实施例的基础上，位置确定模块306具体包括：候选点计算单元，用于计算区域地图的待处理区域中全部候选点的位姿得分，区域地图的待处理区域中包括至少一个候选点；定位单元，用于选择最高位姿得分对应的候选点作为目标对象所在位置。
在上述实施例的基础上，候选点的位姿得分的计算方式为：利用公式
Figure BDA0001442407720000171
计算候选点的位姿得分，其中，score(c)表示候选点c的位姿得分，K表示目标对象设置中传感器采集信息的个数，hk表示目标对象根据第k个采集信息确定的障碍物相对于目标对象参考点的距离，1≤k≤K，ch为当前地图的分辨率，
Figure BDA0001442407720000172
表示与目标对象参考点的距离为hk的障碍物在分辨率为ch的地图坐标系中的绝对坐标，
Figure BDA0001442407720000173
表示hk与分辨率为ch的地图坐标系间的转换关系，ξc表示障碍物到传感器的距离与障碍物到目标对象参考点的距离的转换关系，
Figure BDA0001442407720000174
表示绝对坐标
Figure BDA0001442407720000175
为障碍物的概率值，precomp表示地图标记。
在上述实施例的基础上，还包括：当前地图确定模块，用于选择最高位姿得分对应的候选点作为目标对象所在位置之后，获取比区域地图低一级分辨率的降采样地图作为当前处理地图；得分确认模块，用于确认当前处理地图中非备选位置区域的子待处理区域的候选区域得分；得分判断模块，用于判断非备选位置区域的子待处理区域的候选区域得分是否高于目标对象所在位置的位姿得分；操作返回模块，用于如果是，将高于目标对象所在位置的位姿得分的子待处理区域作为待处理区域，并返回执行预处理所述待处理区域，以确定目标对象所在的备选位置区域的操作；最终位置确定模块，用于如果否，将比当前处理地图低一级分辨率的降采样地图更新为当前处理地图，并返回执行确认当前处理地图中非所述备选位置区域的子待处理区域的候选区域得分的操作，直到确认分辨率最小的降采样地图中非备选位置区域的子待处理区域的候选区域得分小于目标对象所在位置的位姿得分为止，并将目标对象所在位置作为最终位置。
在上述实施例的基础上，降采样模块301具体包括：深度值确定单元，用于确定待生成的多个降采样地图的深度值；分辨率获取单元，用于获取目标对象所在的区域地图的分辨率；分辨率确定单元，用于根据深度值和区域地图的分辨率确定多个降采样地图的分辨率；降采样执行单元，用于根据多个降采样地图的分辨率对区域地图进行多次降采样处理，以生成不同分辨率的多个降采样地图。
在上述实施例的基础上，分辨率确定单元具体包括：第一边长确定子单元，用于根据区域地图的分辨率确定区域地图中每个像素点的映射区域边长；第二边长确定子单元，用于利用公式R＝2h·Rmax确定降采样地图中每个像素点的映射区域边长，其中，Rmax为区域地图中每个像素点的映射区域边长，h为降采样地图的深度值；分辨率计算子单元，用于根据降采样地图中每个像素点的映射区域边长确定降采样地图的分辨率。
在上述实施例的基础上，降采样地图中坐标(x，y)为障碍物的概率值为maxMnearest(x',y')，其中，x'∈(x,x+R(2h-1))，y'∈(y,y+R(2h-1))，R为当前降采样地图中每个像素点的映射区域边长，h为当前降采样地图的深度值，Mnearest(x',y')为所述区域地图中坐标(x',y')为障碍物的概率值。
在上述实施例的基础上，区域地图为栅格地图。
本实施例提供的定位装置适用于上述任意实施例提供的定位方法，具备相应的功能和有益效果。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图，如图4所示，该设备包括处理器40、存储器41、输入装置42、输出装置43以及传感器44；设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；传感器44的数量可以是一个或多个，图4中以一个传感器44为例；设备中的处理器40、存储器41、输入装置42、输出装置43以及传感器44可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的定位方法对应的程序指令/模块(例如，定位装置中的降采样模块301、第一区域确定模块302、预处理模块303、第二区域确定模块304、第三区域确定模块305以及位置确定模块306)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行机器人的各种功能应用以及数据处理，即实现上述的定位方法。
存储器41可主要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机器人的使用所创建的数据等。此外，存储器41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，存储器41可进一步包括相对于处理器40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。
传感器44用于采集环境数据，以确定障碍物相对于目标对象的相对坐标。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
本实施例提供的设备可以用于执行上述任意实施例提供的定位方法，具备相应的功能和有益效果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种定位方法，该定位方法包括：
对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图，区域地图的分辨率最大；
将分辨率最小的降采样地图的全部区域作为待处理区域；
预处理待处理区域，以确定目标对象所在的备选位置区域；
在比备选位置区域高一级分辨率的降采样地图中选定与备选位置区域对应的区域作为待处理区域；
返回执行预处理待处理区域，以确定目标对象所在的备选位置区域的操作，直到在区域地图中选定与备选位置区域对应的区域作为区域地图的待处理区域为止；
在区域地图的待处理区域中确定目标对象的位置。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的定位方法操作,还可以执行本发明任意实施例所提供的定位方法中的相关操作，且具备相应的功能和有益效果。
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(可以是机器人，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定位方法。
值得注意的是，上述定位装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
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)

1.一种定位方法，其特征在于，包括：
对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图，所述区域地图的分辨率最大；
将分辨率最小的降采样地图的全部区域作为待处理区域；
预处理所述待处理区域，以确定所述目标对象所在的备选位置区域；
在比所述备选位置区域高一级分辨率的降采样地图中选定与所述备选位置区域对应的区域作为待处理区域；
返回执行预处理所述待处理区域，以确定所述目标对象所在的备选位置区域的操作，直到在所述区域地图中选定与所述备选位置区域对应的区域作为所述区域地图的待处理区域为止；
在所述区域地图的待处理区域中确定所述目标对象的位置。
2.根据权利要求1所述的定位方法，其特征在于，所述预处理所述待处理区域，以确定所述目标对象所在的备选位置区域包括：
将所述待处理区域等分为N个子待处理区域，N为大于1的正整数；
分别计算出所述N个子待处理区域的候选区域得分；
选择候选区域得分最大的子待处理区域作为备选位置区域。
3.根据权利要求2所述的定位方法，其特征在于，所述分别计算出所述N个子待处理区域的候选区域得分包括：
分别计算出所述N个子待处理区域中全部候选点的位姿得分，所述子待处理区域中包括至少一个所述候选点；
在所述子待处理区域对应的位姿得分中选择最高位姿得分作为所述子待处理区域的候选区域得分。
4.根据权利要求2所述的定位方法，其特征在于，所述在所述区域地图的待处理区域中确定所述目标对象的位置包括：
计算所述区域地图的待处理区域中全部候选点的位姿得分，所述区域地图的待处理区域中包括至少一个所述候选点；
选择最高位姿得分对应的候选点作为目标对象所在位置。
5.根据权利要求3或4所述的定位方法，其特征在于，所述候选点的位姿得分的计算方式为：
利用公式
Figure FDA0002986539960000021
计算候选点的位姿得分，其中，score(c)表示候选点c的位姿得分，K表示目标对象中传感器采集信息的个数，hk表示所述目标对象根据第k个采集信息确定的障碍物相对于所述目标对象参考点的距离，1≤k≤K，ch为当前地图的分辨率，
Figure FDA0002986539960000022
表示与所述目标对象参考点的距离为hk的障碍物在分辨率为ch的地图坐标系中的绝对坐标，
Figure FDA0002986539960000023
表示hk与分辨率为ch的地图坐标系间的转换关系，ξc表示所述障碍物到传感器的距离与所述障碍物到所述目标对象参考点的距离的转换关系，
Figure FDA0002986539960000024
表示所述绝对坐标
Figure FDA0002986539960000025
为障碍物的概率值，precomp表示地图标记。
6.根据权利要求4所述的定位方法，其特征在于，所述选择最高位姿得分对应的候选点作为目标对象所在位置之后，还包括：
获取比所述区域地图低一级分辨率的降采样地图作为当前处理地图；
确认所述当前处理地图中非所述备选位置区域的子待处理区域的候选区域得分；
判断非所述备选位置区域的子待处理区域的候选区域得分是否高于所述目标对象所在位置的位姿得分；
如果是，将高于所述目标对象所在位置的位姿得分的子待处理区域作为待处理区域，并返回执行预处理所述待处理区域，以确定所述目标对象所在的备选位置区域的操作；
如果否，将比所述当前处理地图低一级分辨率的降采样地图更新为当前处理地图，并返回执行确认所述当前处理地图中非所述备选位置区域的子待处理区域的候选区域得分的操作，直到确认分辨率最小的降采样地图中非所述备选位置区域的子待处理区域的候选区域得分小于所述目标对象所在位置的位姿得分为止，并将所述目标对象所在位置作为最终位置。
7.根据权利要求1所述的定位方法，其特征在于，所述对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图包括：
确定待生成的多个降采样地图的深度值；
获取目标对象所在的区域地图的分辨率；
根据所述深度值和所述区域地图的分辨率确定多个所述降采样地图的分辨率；
根据多个所述降采样地图的分辨率对所述区域地图进行多次降采样处理，以生成不同分辨率的多个降采样地图。
8.根据权利要求7所述的定位方法，其特征在于，所述根据所述深度值和所述区域地图的分辨率确定多个所述降采样地图的分辨率包括：
根据所述区域地图的分辨率确定所述区域地图中每个像素点的映射区域边长；
利用公式R＝2h·Rmax确定降采样地图中每个像素点的映射区域边长，其中，Rmax为区域地图中每个像素点的映射区域边长，h为降采样地图的深度值；
根据所述降采样地图中每个像素点的映射区域边长确定所述降采样地图的分辨率。
9.根据权利要求1所述的定位方法，其特征在于，所述降采样地图中坐标(x，y)为障碍物的概率值为maxMnearest(x',y')，其中，x'∈(x,x+R(2h-1))，y'∈(y,y+R(2h-1))，R为当前降采样地图中每个像素点的映射区域边长，h为当前降采样地图的深度值，Mnearest(x',y')为所述区域地图中坐标(x',y')为障碍物的概率值。
10.根据权利要求1所述的定位方法，其特征在于，所述区域地图为栅格地图。
11.一种定位装置，其特征在于，包括：
降采样模块，用于对目标对象所在的区域地图进行降采样处理，以生成不同分辨率的多个降采样地图，所述区域地图的分辨率最大；
第一区域确定模块，用于将分辨率最小的降采样地图的全部区域作为待处理区域；
预处理模块，用于预处理所述待处理区域，以确定所述目标对象所在的备选位置区域；
第二区域确定模块，用于在比所述备选位置区域高一级分辨率的降采样地图中选定与所述备选位置区域对应的区域作为待处理区域；
第三区域确定模块，用于返回执行预处理所述待处理区域，以确定所述目标对象所在的备选位置区域的操作，直到在所述区域地图中选定与所述备选位置区域对应的区域作为所述区域地图的待处理区域为止；
位置确定模块，用于在所述区域地图的待处理区域中确定所述目标对象的位置。
12.一种定位设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10任一所述的定位方法。
13.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的定位方法。
CN201710995359.0A 2017-10-23 2017-10-23 定位方法、装置、设备及存储介质 Active CN107831765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710995359.0A CN107831765B (zh) 2017-10-23 2017-10-23 定位方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710995359.0A CN107831765B (zh) 2017-10-23 2017-10-23 定位方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN107831765A CN107831765A (zh) 2018-03-23
CN107831765B true CN107831765B (zh) 2021-07-13

Family

ID=61648893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710995359.0A Active CN107831765B (zh) 2017-10-23 2017-10-23 定位方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN107831765B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520536B (zh) * 2018-03-27 2022-01-11 海信集团有限公司 一种视差图的生成方法、装置及终端
CN110850856B (zh) * 2018-07-25 2022-11-25 北京欣奕华科技有限公司 一种数据处理方法、装置及机器人
CN111323029B (zh) * 2018-12-16 2022-05-27 北京魔门塔科技有限公司 导航方法及车载终端
CN111323004B (zh) * 2018-12-16 2022-05-13 北京魔门塔科技有限公司 初始位置的确定方法及车载终端
CN111376249B (zh) * 2018-12-28 2024-04-09 浙江菜鸟供应链管理有限公司 移动设备定位系统、方法、装置及移动设备
CN109708644B (zh) * 2019-01-21 2020-11-27 北京旷视机器人技术有限公司 移动机器人导航方法、装置和移动机器人
CN110319832B (zh) * 2019-07-05 2024-05-17 京东科技信息技术有限公司 机器人定位方法、装置、电子设备及介质
CN110398964B (zh) * 2019-07-16 2022-02-01 浙江大学 一种低能量损耗机器人全覆盖路径规划方法及系统
CN110909105B (zh) * 2019-11-25 2022-08-19 上海有个机器人有限公司 机器人地图的构建方法及系统
CN111464938B (zh) * 2020-03-30 2021-04-23 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质
CN111474927B (zh) * 2020-04-01 2023-04-18 北京智行者科技股份有限公司 距离变换的预处理方法及装置
CN111813101B (zh) * 2020-06-04 2024-04-02 深圳优地科技有限公司 机器人路径规划方法、装置、终端设备及存储介质
CN111765884B (zh) * 2020-06-18 2023-06-23 京东科技信息技术有限公司 机器人重定位方法、装置、电子设备及存储介质
CN112179330B (zh) * 2020-09-14 2022-12-06 浙江华睿科技股份有限公司 移动设备的位姿确定方法及装置
CN113324537A (zh) * 2021-04-27 2021-08-31 的卢技术有限公司 车辆位姿获取方法、车辆定位方法和装置、设备和介质
CN113129379A (zh) * 2021-06-17 2021-07-16 同方威视技术股份有限公司 自动移动设备的全局重定位方法以及装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8340415B2 (en) * 2010-04-05 2012-12-25 Microsoft Corporation Generation of multi-resolution image pyramids
CN202075626U (zh) * 2011-04-14 2011-12-14 山东大学 智能空间与护士机器人多传感器系统
CA3161006A1 (en) * 2011-05-06 2012-11-15 Hadal, Inc. Systems and methods for synthetic aperture sonar
US20140274149A1 (en) * 2013-03-13 2014-09-18 Futurewei Technologies, Inc. System and Method for Localizing Wireless Devices
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
US9125019B1 (en) * 2014-05-01 2015-09-01 Glopos Fzc Positioning arrangement, method, mobile device and computer program
CN104462526B (zh) * 2014-12-19 2018-04-06 华南师范大学 面向高分辨率遥感影像的多人在线协同快速矢量化方法
CN104732482B (zh) * 2015-03-30 2018-06-12 中国人民解放军63655部队 一种基于控制点的多分辨率图像拼接方法
CN104914865B (zh) * 2015-05-29 2017-10-24 国网山东省电力公司电力科学研究院 变电站巡检机器人定位导航系统及方法
JP6559535B2 (ja) * 2015-10-22 2019-08-14 株式会社東芝 障害物マップ生成装置、その方法、及び、そのプログラム
US10572777B2 (en) * 2016-03-11 2020-02-25 Nec Corporation Deep deformation network for object landmark localization
CN106097431A (zh) * 2016-05-09 2016-11-09 王红军 一种基于三维栅格地图的物体整体识别方法
CN107092264A (zh) * 2017-06-21 2017-08-25 北京理工大学 面向银行厅堂环境的服务机器人自主导航与自动充电方法

Also Published As

Publication number Publication date
CN107831765A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107831765B (zh) 定位方法、装置、设备及存储介质
US20220028163A1 (en) Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images
CN109682381B (zh) 基于全向视觉的大视场场景感知方法、系统、介质及设备
CN112000754B (zh) 地图构建方法、装置、存储介质及计算机设备
CN104536445B (zh) 移动导航方法和系统
EP3672762B1 (en) Self-propelled robot path planning method, self-propelled robot and storage medium
Baltzakis et al. Fusion of laser and visual data for robot motion planning and collision avoidance
Tsai et al. Real-time indoor scene understanding using bayesian filtering with motion cues
Bogdan Rusu et al. Leaving Flatland: Efficient real‐time three‐dimensional perception and motion planning
CN111429574A (zh) 基于三维点云和视觉融合的移动机器人定位方法和系统
CN113112491B (zh) 一种悬崖检测方法、装置、机器人及存储介质
Kim et al. UAV-UGV cooperative 3D environmental mapping
CN112750161B (zh) 用于移动机器人的地图更新方法
CN111679664A (zh) 基于深度相机的三维地图构建方法及扫地机器人
Chen et al. Design and Implementation of AMR Robot Based on RGBD, VSLAM and SLAM
CN111609854A (zh) 基于多个深度相机的三维地图构建方法及扫地机器人
CN113282088A (zh) 工程车的无人驾驶方法、装置、设备、存储介质及工程车
CN112182122A (zh) 一种移动机器人工作环境导航地图的获取方法及装置
Smirnova et al. A technique of natural visual landmarks detection and description for mobile robot cognitive navigation
CN114777759A (zh) 机器人地图中障碍物的标记方法及装置
Seo et al. Building lane-graphs for autonomous parking
CN115248032B (zh) 一种三维激光点云房屋信息自动化提取方法
CN117830991B (zh) 一种基于多模融合的四足机器人复杂场景感知方法及系统
Holmquist SLAMIt A Sub-Map Based SLAM System: On-line creation of multi-leveled map
Deretey Visual Localization in Underground Mines and Indoor Environments Using PnP.

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