CN108036792A - 一种用于移动机器人的里程计与测量位姿的数据融合方法 - Google Patents
一种用于移动机器人的里程计与测量位姿的数据融合方法 Download PDFInfo
- Publication number
- CN108036792A CN108036792A CN201711306996.9A CN201711306996A CN108036792A CN 108036792 A CN108036792 A CN 108036792A CN 201711306996 A CN201711306996 A CN 201711306996A CN 108036792 A CN108036792 A CN 108036792A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- odometer
- pose
- data fusion
- external information
- 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.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 21
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims description 20
- 238000009966 trimming Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 7
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 201000009482 yaws Diseases 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- XMBWDFGMSWQBCA-UHFFFAOYSA-N hydrogen iodide Chemical group I XMBWDFGMSWQBCA-UHFFFAOYSA-N 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009897 systematic effect 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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于移动机器人的里程计与测量位姿的数据融合方法,移动机器人的控制单元在没有关于移动机器人位姿的测量值的外部信息输入时,根据移动机器人的初始位姿、里程计的读数以及当前每个主动轮上里程计的标度因数持续计算预测移动机器人位姿,并在有外部信息输入时,对移动机器人的位姿以及所有标度因数进行校正。本发明的用于移动机器人的里程计与测量位姿的数据融合方法利用最优估计的方法,在模型中建立了主动轮的标度因数误差,通过对标度因数误差的实时估计与补偿,可以提高其对温度、载荷等影响因素变化的鲁棒性,进而提高导航系统的精度,从根本上解决移动机器人偏航的问题。
Description
技术领域
本发明涉及地面移动机器人导航定位领域,尤其涉及一种里程计与外部位置及朝向的数据融合方法。
背景技术
随着信息技术、电子技术的发展,地面移动机器人作为人工智能的一个分支,已经开始获得广泛的应用。但由于温度、载荷等的变化,机器人平台车轮的半径是变化的,以一个标称的车轮半径来计算平台实际行驶的距离,进而计算其当前的位置及朝向,会带来越来越大的误差,从而使机器人偏离预定的路线。
随着激光雷达、机器人视觉以及视觉标签等技术的发展,多传感器融合技术已经成为地面移动机器人导航与定位的发展趋势。利用这些传感器提供的信息,与里程计融合,可以提高系统导航的精度。
在公开号为CN106525053A的专利中描述了一种基于多传感器融合的移动机器人室内定位方法,使用基于航迹推算的里程计位置数据补偿激光匹配定位中无法识别相似环境的情况。将惯性单元和里程计的传感器定位数据进行融合,并把激光雷达匹配定位作为参考指标,在一定程度上减小了里程计的累积误差,但是没有考虑里程计的标度因数变化,不能从根本上解决移动机器人的偏航问题。
目前的方法,大多数均采用各种数据融合、优化或者滤波的方法,这些方法采用的模型,均没有考虑里程计的标度因数的变化,而仅仅估计了平台的位置误差,从而不能得到最优的结果。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种借助于测量位姿对里程计的测量误差进行估计与补偿、解决移动机器人偏航问题的用于移动机器人的里程计与测量位姿的数据融合方法。
技术方案:为实现上述目的,本发明的用于移动机器人的里程计与测量位姿的数据融合方法如下:移动机器人具有多个主动轮,每个主动轮上均设有里程计,其特征在于:移动机器人的控制单元在没有关于移动机器人位姿的测量值的外部信息输入时,根据移动机器人的初始位姿、里程计的读数以及当前每个主动轮上里程计的标度因数持续计算预测移动机器人位姿,并在有外部信息输入时,对移动机器人的位姿以及所有标度因数进行校正。
进一步地,控制单元基于里程计DR计算模型预测移动机器人的位姿,并基于卡尔曼滤波器对外部信息以及收到外部信息时控制单元预测的位姿进行数据融合得到最优估计状态,再基于最优估计状态对移动机器人的位姿以及所有标度因数进行校正,卡尔曼滤波器的系统状态包含每个里程计的标度因数误差。
进一步地,里程计DR计算模型的参数包含移动机器人主动轮里程计的脉冲数与里程计的标度因数;控制系统根据移动机器人的初始位姿、里程计的读数、主动轮的半径以及当前里程计的标度因数,计算预测当前移动机器人的位姿。
进一步地,卡尔曼滤波器的系统状态包含移动机器人的位置误差、朝向误差以及每个里程计的标度因数误差,在没有外部信息输入时,卡尔曼滤波器进行时间更新,计算一步预测的预测状态以及预测协方差;当有外部信息输入时,卡尔曼滤波器进行测量更新,根据所述外部信息,计算得到最优估计状态,并对所述预测协方差进行更新。
进一步地,所述控制单元将最优估计状态中对应的每个标度因数误差对应累加到各里程计当前的标度因数上。
进一步地,控制系统对移动机器人的位姿与标度因数的校正过程循环进行,控制单元在完成一次校正过程后,以该次校正过程得到系统状态的的最优估计状态为基础进行下一次校正过程,下一次校正过程的初始位姿由该次校正过程的最优估计状态直接或间接得出。
进一步地,所述外部信息由安装在所述移动机器人上的测量单元获得。
进一步地,所述测量单元为激光雷达或超声波传感器。
进一步地,所述测量单元为视觉元件,在移动机器人的移动区域内固定设置有所述视觉元件可读取的视觉标签。
有益效果:本发明的用于移动机器人的里程计与测量位姿的数据融合方法利用最优估计的方法,在模型中建立了主动轮的标度因数误差,通过对标度因数误差的实时估计与补偿,可以提高其对温度、载荷等影响因素变化的鲁棒性,进而提高导航系统的精度,从根本上解决移动机器人偏航的问题。
附图说明
附图1为移动机器人的模型;
附图2为移动机器人的标度因数修正流程图;
附图中各标号意义如下:
里程计坐标系(车体坐标系)-OoXoYo;
外部位置方位坐标系-OcXcYc;
导航坐标系(世界坐标系)-OwXwYw;
以里程计坐标系为参考,测量单元的相对位置的偏差为(Lx,Ly,θ),主动轮(装有里程计的主动轮)半径为R,主动轮间距离为Tr。
具体实施方式
下面结合附图对本发明作更进一步的说明。
移动机器人一般具有两个个主动轮,每个主动轮上均设有里程计,通过控制两个主动轮的转速,可以实现移动机器人的前进、后退、原地旋转等动作,结合里程计实时读取每个主动轮的转动角度情况,可以实现移动机器人较为精确的控制,使移动机器人具有较高的行走精度,移动机器人的模型如附图1所示。
在轮式移动机器人的导航计算中,现有技术都是以在理想状况下主动轮的标称半径结合主动轮的里程计读数计算移动机器人的行走里程,在实际使用过程中,其主动轮转动一圈实际走过的距离具有误差,该误差的影响因素较多,首先温度可以使轮径变化,而且在使用过程中,随着轮子使用时间的延长,其会产生磨损,此外,移动机器人负载与否、负载轻重也对主动轮行走一圈实际走过的距离也有较大影响,因此在实际使用中,各种各样的因素在影响移动机器人的行走精度,且这些因素本身的产生具有随机性,各种因素混合产生使得仅依靠里程计无法对机器人进行精准控制,在移动机器人行走时间较长的状况下,会产生较大的累积误差。
基于上述问题,本发明提出了一种用于移动机器人的里程计与测量位姿的数据融合方法,具体如下:
移动机器人的每个主动轮上的里程计的输出为一段时间内的脉冲数,一个脉冲代表一定的距离,将其定义为里程计标度因数,轮子每旋转一周,会有固定个脉冲输出,据此可以大概计算一个里程计标度因数。
在上文中提及了仅依靠里程计产生的数据无法完成对移动机器人的精确控制,因此需要在移动机器人上设置测量单元,测量单元可以测量移动机器人较为精确的位姿数据,形成测量值并作为外部信息输入移动机器人的控制系统,移动机器人的控制系统依据测量单元产生的外部信息对移动机器人的位姿进行校正,并对里程计的标度因数进行校正。
测量单元的形式可以是传感器或视觉元件等可以确定移动机器人的比较精确位置的元件,在第一种实施例中,所述测量单元为激光雷达,激光雷达可以根据扫描的周边环境的轮廓判断移动机器人在地图中的较为精确的位置产生关于测量位姿的外部信息输入控制系统,测量单元也可以是围绕移动机器人设置的多个超声波传感器,多个超声波传感器对周围环境的探测原理类似于激光雷达,其精度较激光雷达低。在另一种实施例中,所述测量单元为视觉元件,如相机、扫码器等,在移动机器人的移动区域内固定设置有所述视觉元件可读取的视觉标签,如二维码标签等,移动机器人走到一定位置,视觉元件可读取视觉标签上的信息,从而可以获知移动机器人的较为精确的位置,形成外部信息输入控制系统。
基于上述硬件基础,用于移动机器人的里程计与测量位姿的数据融合方法如下:移动机器人的控制单元在没有关于移动机器人位姿的测量值的外部信息输入时,根据移动机器人的初始位姿、里程计的读数以及当前每个主动轮上里程计的标度因数持续计算预测移动机器人位姿(位置坐标与朝向),并在有外部信息输入时,对移动机器人的位姿以及所有标度因数进行校正。移动机器人启动时其初始位姿由测量单元测得。
理论上,测量单元所测得的关于移动机器人的位置、姿态的测量值比根据里程计读数计算得到的预测的位姿精度高,因此可以直接以测量单元的测量值为参照对移动机器人的位姿以及所有标度因数进行校正;但由于安装误差,测量单元的坐标系与里程计的坐标系之间(如附图1的OoXoYo坐标系与OcXcYc坐标系)具有偏差,且由于测量单元本身的工作原理限制,也会产生误差,而且测量单元可能产生的误差会远大于预测的位姿的误差,以激光雷达为例,当激光雷达扫描的环境轮廓数据与地图中偏离机器人所在位置很远的另一位置的轮廓信息匹配度较高时,会认为机器人在别处,产生机器人在地图上瞬移几米的现象,而里程计由于其原理限制其位置误差会在比较小的范围内浮动,因此,在大部分情况下,要以测量单元的测量值为主导校正机器人的位姿,而在有些情况下(测量单元测量出错),需要以预测位姿为主导来校正机器人的位姿。
基于上述论述,控制单元基于里程计DR计算模型预测移动机器人的位姿,并基于卡尔曼滤波器对外部信息以及收到外部信息时控制单元预测的位姿进行数据融合得到该时刻的最优估计状态,再基于最优估计状态对移动机器人的位姿以及所有标度因数进行校正,如附图2所示,卡尔曼滤波器的系统状态包含每个里程计的标度因数误差。具体实施如下:
里程计DR计算模型的参数包括移动机器人的位置与朝向(x、y、θ)以及左右里程计的标度因数sL与sR,x与y为移动机器人的位置坐标值,θ为移动机器人的朝向角度值,sL、sR分别为左、右两个主动轮上里程计的标度因数,δsL,δsR为左、右里程计的标度因数误差。DR计算模型会根据校正后的里程计标度因数、前一时刻移动机器人的位姿信息更新当前机器人的位姿信息。
设在k到k+1时刻,左右轮输出的里程计脉冲数为NL(k+1),NR(k+1),左右轮的标称标度因数为sL,sR,δsL(k+1),δsR(k+1)为K+1时刻左右里程计误差。则k+1时刻的车辆位置和朝向(x(k+1),y(k+1),θ(k+1))可以通过下式计算:
x(k+1)=x(k)+D(k+1)cos(θ(k+1))
y(k+1)=y(k)+D(k+1)sin(θ(k+1))
θ(k+1)=θ(k)+Δθ(k+1)
sL(k+1)=sL+δsL(k+1)
sR(k+1)=sR+δsR(k+1)
卡尔曼滤波器的思想在于:根据k时刻的系统状态以及k+1时刻的外部信息估计k+1时刻的系统状态。
卡尔曼滤波器的系统状态包含移动机器人的位置误差、朝向误差以及每个里程计的标度因数误差,即x=[δx δy δθ δsL δsR]T。δx,δy,δθ为移动机器人的位置和朝向误差。
卡尔曼滤波器模型的系统方程为:
x(k+1)=Φk+1,kx(k)+G(k)ω(k)
ω为左、右里程计的测量噪声矩阵,
ωL与ωR分别为左、右里程计的测量噪声;
Φk+1,k为状态转移矩阵,
G为噪声输入矩阵,
卡尔曼滤波器模型的观测模型为:
z(k)=H(k)x(k)+υ(k)
其中,
其中,为测量单元的测量噪声;
xcam,N,ycam,E,θcam,nb为测量单元测量出的位置和朝向;
xodo,N,yodo,E,θodo,nb为每次测量单元输出测量值同一个时间的根据里程计计算出来的位姿。
在没有外部信息输入时,卡尔曼滤波器进行时间更新,计算一步预测的预测状态以及预测协方差;时间更新的过程如下:
其中:A即为系统方程中的Φk+1,k;B为系统方程中的G;u为系统方程中的ω为对应的协方差,Pk为对应的协方差,Q是系统过程的协方差。
P0=cov(x(0))=diag(var(δx) var(δy) var(δθ) var(δsL) var(δsR))
当有外部信息输入时,卡尔曼滤波器进行测量更新,根据所述外部信息,计算得到最优估计状态,并对所述预测协方差进行更新;测量更新的过程如下:
其中Kk+1为卡尔曼增益,Pk+1为k+1状态下的协方差;
最后,所述控制单元将最优估计状态中对应的每个标度因数误差对应累加到各主动轮的当前标度因数上。
为了能持续保持移动机器人的行走精度,控制系统对移动机器人位姿与标度因数的校正过程往复进行,控制单元在完成一次校正过程后,以该次校正过程得到的最优估计状态与标度因数为基础进行下一次校正过程,下一次校正过程的初始位姿由该次校正过程的最优估计状态间接得出。控制系统将位置误差与朝向误差对应加到移动机器人的预测的位姿数据上就可得到下一阶段的初始位姿。这样就可以不断地实时对里程计的标度因数进行修正,也就是说跑的越远,越准确。
本发明的用于移动机器人的里程计与测量位姿的数据融合方法利用最优估计的方法,在模型中建立了主动轮的标度因数误差,通过对标度因数误差的实时估计与补偿,可以提高其对温度、载荷等影响因素变化的鲁棒性,进而提高导航系统的精度,从根本上解决移动机器人偏航的问题。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种用于移动机器人的里程计与测量位姿的数据融合方法,移动机器人具有多个主动轮,每个主动轮上均设有里程计,其特征在于:移动机器人的控制单元在没有关于移动机器人位姿的测量值的外部信息输入时,根据移动机器人的初始位姿、里程计的读数以及当前每个主动轮上里程计的标度因数持续计算预测移动机器人的位姿,并在有外部信息输入时,对移动机器人的位姿以及所有标度因数进行校正。
2.根据权利要求1所述的一种用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:控制单元基于里程计DR计算模型预测移动机器人的位姿,并基于卡尔曼滤波器对外部信息以及收到外部信息时控制单元预测的位姿进行数据融合得到最优估计状态,再基于最优估计状态对移动机器人的位姿以及所有标度因数进行校正,卡尔曼滤波器的系统状态包含每个里程计的标度因数误差。
3.根据权利要求2所述的一种用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:里程计DR计算模型的参数包含移动机器人主动轮里程计的脉冲数与里程计的标度因数;控制系统根据移动机器人的初始位姿、里程计的读数、主动轮的半径以及当前里程计的标度因数,计算预测当前移动机器人的位姿。
4.根据权利要求2所述的一种用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:卡尔曼滤波器的系统状态包含移动机器人的位置误差、朝向误差以及每个里程计的标度因数误差,在没有外部信息输入时,卡尔曼滤波器进行时间更新,计算一步预测的预测状态以及预测协方差;当有外部信息输入时,卡尔曼滤波器进行测量更新,根据所述外部信息,计算得到最优估计状态,并对所述预测协方差进行更新。
5.根据权利要求3或4所述的一种用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:所述控制单元将最优估计状态中对应的每个标度因数误差对应累加到各里程计当前的标度因数上。
6.根据权利要求2-5任一项所述的一种用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:控制系统对移动机器人的位姿与标度因数的校正过程循环进行,控制单元在完成一次校正过程后,以该次校正过程得到系统状态的的最优估计状态为基础进行下一次校正过程,下一次校正过程的初始位姿由该次校正过程的最优估计状态间接得出。
7.根据权利要求1所述的用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:所述外部信息由安装在所述移动机器人上的测量单元获得。
8.根据权利要求7所述的用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:所述测量单元为激光雷达或超声波传感器。
9.根据权利要求7所述的用于移动机器人的里程计与测量位姿的数据融合方法,其特征在于:所述测量单元为视觉元件,在移动机器人的移动区域内固定设置有所述视觉元件可读取的视觉标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306996.9A CN108036792A (zh) | 2017-12-11 | 2017-12-11 | 一种用于移动机器人的里程计与测量位姿的数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306996.9A CN108036792A (zh) | 2017-12-11 | 2017-12-11 | 一种用于移动机器人的里程计与测量位姿的数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108036792A true CN108036792A (zh) | 2018-05-15 |
Family
ID=62101622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711306996.9A Pending CN108036792A (zh) | 2017-12-11 | 2017-12-11 | 一种用于移动机器人的里程计与测量位姿的数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108036792A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109000649A (zh) * | 2018-05-29 | 2018-12-14 | 重庆大学 | 一种基于直角弯道特征的全方位移动机器人位姿校准方法 |
CN109341705A (zh) * | 2018-10-16 | 2019-02-15 | 北京工业大学 | 智能探测机器人同时定位与地图构建系统 |
CN110849392A (zh) * | 2019-11-15 | 2020-02-28 | 上海有个机器人有限公司 | 一种机器人的里程计数据校正方法及机器人 |
CN110856935A (zh) * | 2018-08-23 | 2020-03-03 | 上海智远弘业机器人有限公司 | 一种金库巡检移动终端 |
CN112119326A (zh) * | 2019-07-31 | 2020-12-22 | 深圳市大疆创新科技有限公司 | 数据校正方法、移动平台及非易失性计算机可读存储介质 |
CN112558617A (zh) * | 2021-02-19 | 2021-03-26 | 深圳佑驾创新科技有限公司 | 泊车控制方法、装置、计算机设备和存储介质 |
CN113203419A (zh) * | 2021-04-25 | 2021-08-03 | 重庆大学 | 基于神经网络的室内巡检机器人校正定位方法 |
CN113483762A (zh) * | 2021-07-05 | 2021-10-08 | 河南理工大学 | 一种位姿优化方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636165A (zh) * | 2012-04-27 | 2012-08-15 | 航天科工惯性技术有限公司 | 一种用于油气管道轨迹测绘的后处理组合导航方法 |
CN103389087A (zh) * | 2013-08-07 | 2013-11-13 | 上海海事大学 | 一种轮式机器人位姿解算方法 |
CN104165641A (zh) * | 2014-08-27 | 2014-11-26 | 北京航空航天大学 | 一种基于捷联惯导/激光测速仪组合导航系统的里程计标定方法 |
CN104977002A (zh) * | 2015-06-12 | 2015-10-14 | 同济大学 | 基于sins/双od的惯性组合导航系统及其导航方法 |
CN107219542A (zh) * | 2017-04-14 | 2017-09-29 | 北京克路德人工智能科技有限公司 | 基于gnss/odo的机器人双轮差速定位方法 |
-
2017
- 2017-12-11 CN CN201711306996.9A patent/CN108036792A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636165A (zh) * | 2012-04-27 | 2012-08-15 | 航天科工惯性技术有限公司 | 一种用于油气管道轨迹测绘的后处理组合导航方法 |
CN103389087A (zh) * | 2013-08-07 | 2013-11-13 | 上海海事大学 | 一种轮式机器人位姿解算方法 |
CN104165641A (zh) * | 2014-08-27 | 2014-11-26 | 北京航空航天大学 | 一种基于捷联惯导/激光测速仪组合导航系统的里程计标定方法 |
CN104977002A (zh) * | 2015-06-12 | 2015-10-14 | 同济大学 | 基于sins/双od的惯性组合导航系统及其导航方法 |
CN107219542A (zh) * | 2017-04-14 | 2017-09-29 | 北京克路德人工智能科技有限公司 | 基于gnss/odo的机器人双轮差速定位方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109000649A (zh) * | 2018-05-29 | 2018-12-14 | 重庆大学 | 一种基于直角弯道特征的全方位移动机器人位姿校准方法 |
CN110856935A (zh) * | 2018-08-23 | 2020-03-03 | 上海智远弘业机器人有限公司 | 一种金库巡检移动终端 |
CN109341705A (zh) * | 2018-10-16 | 2019-02-15 | 北京工业大学 | 智能探测机器人同时定位与地图构建系统 |
CN112119326A (zh) * | 2019-07-31 | 2020-12-22 | 深圳市大疆创新科技有限公司 | 数据校正方法、移动平台及非易失性计算机可读存储介质 |
WO2021016936A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳市大疆创新科技有限公司 | 数据校正方法、移动平台及非易失性计算机可读存储介质 |
CN110849392A (zh) * | 2019-11-15 | 2020-02-28 | 上海有个机器人有限公司 | 一种机器人的里程计数据校正方法及机器人 |
CN112558617A (zh) * | 2021-02-19 | 2021-03-26 | 深圳佑驾创新科技有限公司 | 泊车控制方法、装置、计算机设备和存储介质 |
CN112558617B (zh) * | 2021-02-19 | 2022-01-18 | 深圳佑驾创新科技有限公司 | 泊车控制方法、装置、计算机设备和存储介质 |
CN113203419A (zh) * | 2021-04-25 | 2021-08-03 | 重庆大学 | 基于神经网络的室内巡检机器人校正定位方法 |
CN113203419B (zh) * | 2021-04-25 | 2023-11-10 | 重庆大学 | 基于神经网络的室内巡检机器人校正定位方法 |
CN113483762A (zh) * | 2021-07-05 | 2021-10-08 | 河南理工大学 | 一种位姿优化方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108036792A (zh) | 一种用于移动机器人的里程计与测量位姿的数据融合方法 | |
CN103777220B (zh) | 基于光纤陀螺、速度传感器和gps的实时精确位姿估计方法 | |
Milanés et al. | Autonomous vehicle based in cooperative GPS and inertial systems | |
CN108731670A (zh) | 基于量测模型优化的惯性/视觉里程计组合导航定位方法 | |
Lee et al. | Robust mobile robot localization using optical flow sensors and encoders | |
WO2018181974A1 (ja) | 判定装置、判定方法、及び、プログラム | |
CN112129297B (zh) | 一种多传感器信息融合的自适应校正室内定位方法 | |
CN110702091B (zh) | 一种沿地铁轨道移动机器人的高精度定位方法 | |
CN101201255A (zh) | 基于智能导航算法的车辆组合导航系统 | |
CN110307836B (zh) | 一种用于无人清扫车辆贴边清扫的精确定位方法 | |
CN107272008A (zh) | 一种带惯性补偿的agv激光导航系统 | |
Von Der Hardt et al. | The dead reckoning localization system of the wheeled mobile robot ROMANE | |
EP3936822B1 (en) | Vehicle positioning method and apparatus, and vehicle, and storage medium | |
Pfaff et al. | Towards mapping of cities | |
CN105987696A (zh) | 一种低成本车辆自动驾驶设计实现方法 | |
CN107924194A (zh) | 用于自动化车辆的gps数据校正 | |
CN110515381B (zh) | 用于定位机器人的多传感器融合算法 | |
CN110763224A (zh) | 一种自动导引运输车导航方法及导航系统 | |
CN108107883A (zh) | 一种基于磁带导引agv的多传感器信息融合定位方法 | |
CN109656240A (zh) | 一种车辆路径跟踪控制装置、方法和车辆 | |
CN108387236A (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
CN109612462A (zh) | 多传感器数据融合定位方法及其安防机器人 | |
Niu et al. | Camera-based lane-aided multi-information integration for land vehicle navigation | |
JP7203805B2 (ja) | 移動体の定位誤差の分析 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180515 |