CN108256574A - 机器人定位方法及装置 - Google Patents

Abstract

本发明提供一种机器人定位方法及装置，上述机器人定位方法通过获取当前检索图像，并对当前检索图像与混合视觉激光地图进行相似度度量，对相似度最高的前m帧进行聚类匹配，当检测到新聚类类别时，对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；再将当前扫描数据与混合视觉激光地图的重合度得分进行排序，当检测到得分最高的类别是新聚类类别时，将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿、定位。本发明实施例中的机器人定位方法对环境的识别率高，定位准确度高。

Description

机器人定位方法及装置

技术领域

本发明涉及机器人定位领域，特别是涉及一种机器人定位方法及装置。

背景技术

近年来机器人尤其是自主移动机器人已经成为一个重要研究领域。机器人可以代替人进行复杂作业或高危作业。机器人在作业过程中，多会碰到在未知环境作业的情况，此时机器人的定位与地图构建能力显得尤为重要。

目前，传统技术中多采用以下两种方式实现机器人的定位与地图构建：一种是利用激光传感器得到比较准确的距离信息，主要是利用激光构建栅格地图进行定位，易于做路径规划和导航；然而激光感知环境的信息量较少，只能获取环境的平面信息，对环境的识别度不高，进行机器人初始位置匹配时的误差大。

另一种是利用视觉传感器对场景地点进行识别。基于视觉传感器的方法由于采集环境信息较丰富，有助于对动态场景的信息处理，在回环检测和数据关联方面比激光有较好的效果，但是目前视觉定位技术不是很成熟，存在计算耗时较大，定位精度不如激光等缺点。

针对以上两种机器人定位与地图构建方法的不足，提出了一种融合视觉和激光共同定位的方法：在地图构建准备环节，利用激光构建平面激光地图，同时利用机器人相机建立三维重构地图，并将三维重构地图与平面激光地图进行尺度统一。在机器人进行初始化定位环节，对机器人相机采集环境信息得到的环境图像进行特征点提取，建立二维特征点在三维重构地图的对应关系，求解获取当前图像的机器人在三维重构地图中的位置，通过平面激光地图和三维重构地图的对应关系求解当前机器人在平面激光地图的位置。

但发明人在实施过程中，发现传统技术至少存在以下技术问题：传统技术中只通过对环境图像的特征点提取及激光平面地图、三维重构地图的对应关系，得到机器人的位置，定位精度低。

发明内容

基于此，有必要针对机器人定位精度低问题，提供一种机器人定位方法及装置。

一方面，本发明实施例提供了一种机器人定位方法，包括：

读取机器人相机的当前检索图像，并将当前检索图像与混合视觉激光地图进行相似度度量，查找当前检索图像中相似度最高的前m帧；

对前m帧进行多个类别的聚类，并将各聚类类别与上一次检索图像对应的聚类类别进行匹配，判断是否产生新聚类类别；

若检测到新聚类类别，则对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；

读取机器人的激光传感器的当前扫描数据，获得当前扫描数据与混合视觉激光地图的重合度得分，并对各聚类类别的重合度得分进行排序；

若检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

在其中一个实施例中，在判断是否产生新聚类类别的步骤之后还包括步骤：

若未检测到新聚类类别，则存储当前的扫描数据，并根据机器人里程信息、相邻的两帧扫描数据和定位算法获得机器人下一时刻的位姿，并将下一时刻的位姿更新为机器人的当前位姿。

在其中一个实施例中，在读取机器人相机的当前检索图像之前还包括步骤：

利用激光传感器和机器人相机离线构建混合视觉激光地图；其中，混合视觉激光地图为视觉特征地图的视觉特征与激光平面地图的位姿信息一一对应的地图。

在其中一个实施例中，利用激光传感器和机器人相机离线构建混合视觉激光地图的步骤包括：

获取机器人里程信息；

控制激光传感器对周围环境进行扫描，得到当前扫描数据，同时读取机器人相机的关键帧图像；

初始化机器人的位置并存储当前扫描数据，根据机器人里程信息得到机器人下一时刻的预测位置，对相邻的两帧扫描数据及机器人里程信息采用定位算法得到机器人的位姿信息；

控制机器人重复移动，并根据激光传感器采集的扫描数据构建激光平面地图；

在构建激光平面地图的同时，提取关键帧图像的视觉特征，获得视觉特征地图，并根据视觉特征与位姿信息联合得到视觉特征地图和激光平面地图一一对应的混合视觉激光地图。

在其中一个实施例中，提取关键帧图像的视觉特征的步骤包括：

通过Gist全局描述算子提取并存储关键帧图像的视觉特征。

在其中一个实施例中，根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿的步骤包括步骤：

对匹配内点数超过预设阈值的各聚类类别采用PnP法得到机器人的当前位姿。

在其中一个实施例中，根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿的步骤还包括步骤：

对匹配内点数未超过预设阈值的各聚类类别，将其对应的中心关键帧图像的位姿作为机器人当前位姿。

在其中一个实施例中，对前m帧进行多个类别的聚类的步骤包括：

对前m帧的索引采用k-means聚类方法进行k个类别的聚类，得到k个聚类类别的排序；

将每个聚类类别的中心值替换该类别关键帧索引的中位数，以落在每个聚类类别的范围内的帧数为基数，乘以机器人的最大速度因子作为该类别的新范围；

将配置新范围的k个聚类类别与上一次检索图像对应的k个聚类类别进行匹配。

本发明实施例另一方面还提供一种机器人定位装置，包括：

图像获取及相似度度量模块，用于读取机器人相机的当前检索图像，并将当前检索图像与混合视觉激光地图进行相似度度量，查找当前检索图像中相似度最高的前m帧；

聚类匹配模块，用于对前m帧进行多个类别的聚类，并将各聚类类别与上一次检索图像对应的聚类类别进行匹配，判断是否产生新聚类类别；

局部特征匹配模块，用于若检测到新聚类类别，则对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；

重合度得分模块，用于读取机器人的激光传感器的当前扫描数据，获得当前扫描数据与混合视觉激光地图的重合度得分，并对各聚类类别的重合度得分进行排序；

位姿更新发布模块，用于若检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述机器人定位方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述机器人定位方法的步骤。

上述机器人定位方法及装置，通过机器人相机获取当前检索图像，并将当前检索图像与混合视觉激光地图进行相似度度量，查找当前检索图像中相似度最高的前m帧；并对前m帧进行聚类匹配，判断是否产生新聚类类别；当检测到新聚类类别时，则对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；再通过获取机器人的激光传感器的当前扫描数据，并将当前扫描数据与混合视觉激光地图的重合度得分进行排序，当检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿，从而实现精确定位。本发明实施例中的机器人定位方法及装置结合视觉特征地图和激光平面地图，采用聚类匹配、重合度得分机制，增加对机器人对环境的识别率，从而提高定位准确度。

附图说明

图1为本发明实施例一应用场景说明图；

图2为本发明机器人定位方法实施例的第一流程示意图；

图3为本发明机器人定位方法实施例的第二流程示意图；

图4为本发明机器人定位方法实施例的第三流程示意图；

图5为本发明机器人定位方法中混合视觉激光地图离线构建方法的第一示意流程图；

图6为本发明机器人定位方法中混合视觉激光地图离线构建方法的第二示意流程图；

图7为本发明机器人定位方法实施例的第四流程示意图；

图8为本发明机器人定位方法中对前m帧进行多个类别的聚类的方法流程示意图；

图9为本发明机器人定位装置实施例的第一结构示意图；

图10为本发明机器人定位装置实施例的第二结构示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

为更好的说明本发明实施例的技术方案，对本发明实施例中的技术方案的应用场景作以下说明：

机器人定位是指机器人通过感知获取环境信息，并经过相关的信息处理而确定自身及目标位姿的过程。机器人在未知环境中工作时，需要确定自身位置，以便在实际作业时，能够根据目标位置进行路径规划，因此，机器人定位是极为重要的。例如，如图1所示，机器人在未知环境中，要对目标A进行操作，首先机器人需要确定自身在环境中的位置，然后根据自身位姿和目标A的位姿关系进行路径规划，以移动到目标A的位置并对目标A进行操作，此例子只是机器人定位的一个应用场景的举例，但不限制本发明实施例中提出的机器人定位方法及装置的应用范围。

本发明实施例提供了一种机器人定位方法，如图2所示，上述机器人定位方法包括：

S20：读取机器人相机的当前检索图像，并将当前检索图像与混合视觉激光地图进行相似度度量，查找当前检索图像中相似度最高的前m帧；

S30：对前m帧进行多个类别的聚类，并将各聚类类别与上一次检索图像对应的聚类类别进行匹配，判断是否产生新聚类类别；

S40：若检测到新聚类类别，则对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；

S50：读取机器人的激光传感器的当前扫描数据，获得当前扫描数据与混合视觉激光地图的重合度得分，并对各聚类类别的重合度得分进行排序；

S60：若检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

其中，混合视觉激光地图中是指包括视觉特征地图和激光平面地图及视觉特征地图、激光平面地图对应关系的地图。前m帧中m参数的选取是通过实验获得的，当取前m帧时，机器人定位精度和速度均能达到较优。上一次检索图像对应的聚类类别是指，机器人在移动过程中，上一次定位时所获取的机器人相机的检索图像与混合视觉激光地图进行相似度度量后，对相似度最高的前m帧进行聚类所生成的聚类类别。新聚类类别是指与上一次检索图像对应的聚类类别不同的类别。重合度得分是指扫描数据和混合视觉激光地图中存储的扫描数据的重合程度的得分，重合的数据点越多，则重合度得分越高。混合视觉激光地图是预先建立好的，混合视觉激光地图中的视觉特征地图是指，包括视觉特征的地图，混合视觉激光地图中的激光平面地图是指利用激光传感器构建的、含扫描数据的地图。

具体的，机器人读取机器人相机的当前检索图像，其中，检索图像可以包括关键帧彩色图像和关键帧深度图像；然后，将当前检索图像与混合视觉激光地图进行相似度度量，查找当前检索图像中相似度最高的前m帧，并对前m帧进行聚类，并与上一次检索图像对应的聚类类别进行匹配，当检测到新聚类类别时，对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，得到与类别个数相同的多个机器人的当前位姿，例如，若前面进行聚类时生成了k个聚类类别，则经过局部特征匹配，将得到k种机器人的当前位姿的可能性。可选的，混合视觉激光地图中还包括视觉特征地图中的视觉特征与激光平面地图中的位姿信息的一一对应关系，所以通过对当前检索图像进行局部特征匹配可以迅速得到机器人的当前位姿的可能性。在进行局部特征匹配后，读取机器人的激光传感器的当前扫描数据，获得当前扫描数据与混合视觉激光地图中的扫描数据的重合度得分，并对各聚类类别的重合度得分进行排序，当检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

其中，可选的，进行局部特征匹配时，可以采用基于ORB局部视觉特征提取和匹配方法，还可以是采用SIFT，SURF等局部特征提取和匹配方法。

其中，ORB(ORientedBrief)局部视觉特征提取和匹配方法，主要是通过在视觉特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子，并根据该特征描述子来进行匹配的方法。SIFT(Scale-invariant feature transform)，尺度不变特征转换，是用于图像处理领域的一种描述子，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。SURF(SpeededUp RobustFeatures)，加速稳健特征，是一个稳健的图像识别描述算法，是基于SIFT算法的一种加速算法。

可选的，将当前检索图像与混合视觉激光地图进行相似度度量的过程可以包括：

提取当前检索图像的视觉特征，并将当前检索图像的视觉特征与混合视觉激光地图中的视觉特征进行相似度度量；然后，采用欧氏距离对当前检索图像的视觉特征的视觉特征向量和混合视觉激光地图中的视觉特征的视觉特征向量进行逐一计算，查找相似度最高的前m帧。

可选的，读取机器人相机的当前检索图像，并采用Gist全局描述算子提取当前检索图像的视觉特征。其中，Gist全局描述算子是一种基于空间包络描述图像特征的全局场景描述算子。

可选的，如图2所示，在步骤S60：若检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿之后，跳转到步骤S20进行下一次定位。可选的，机器人采用定时和定距策略进行下一次的定位。

可选的，对前m帧进行聚类，并对生成的聚类类别进行排序；当检测到得分最高的类别是排序最高的新聚类类别时，则将排序最高的新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。聚类类别的排序顺序代表了机器人对各类别与混合视觉激光地图中的视觉特征匹配的信任程度，重合度得分的得分高低，代表了机器人对各类别与混合视觉激光地图中的激光平面地图匹配的信任程度，选择聚类类别排序最高且得分最高的类别的中心关键帧图像对应的位姿信息作为机器人的当前位姿，实现定位，大幅度提高了机器人的定位精度。

本实施例中提供的机器人定位方法，利用聚类匹配判别是否产生新聚类类别，当生成新聚类类别时，对当前检索图像和各聚类类别的中心关键帧图像进行局部特征匹配，根据匹配结果得到机器人当前位姿的多种可能性，并进一步通过对当前扫描数据和激光平面地图的重合度得分，在得分最高的聚类是新聚类时，即对机器人的当前位姿进行更新，以实现机器人定位，这种利用聚类匹配和重合得分机制结合的方法，大大提高了在机器人定位中，机器人对周围环境的识别率，从而实现精准定位。

在其中一个实施例中，如图3所示，在判断是否产生新聚类类别的步骤之后还包括步骤：

S70：若未检测到新聚类类别，则存储当前的扫描数据，并根据机器人里程信息、相邻的两帧扫描数据和定位算法获得机器人下一时刻的位姿，并将下一时刻的位姿更新为机器人的当前位姿。

其中，机器人下一时刻的位姿是指机器人下一个可能在的位置所对应的位姿。相邻的两帧扫描数据是指，机器人当前的扫描数据以及上次定位时所存储的扫描数据。具体的，当机器人未检测到新聚类类别时，机器人根据里程信息预测得到机器人的第一预测位姿，并存储当前的扫描数据，调取上一次定位时所储存的扫描数据，然后根据当前的扫描数据、上一次定位时存储的扫描数据得到第二预测位姿，将第一预测位姿和第二预测位姿通过定位算法，得到机器人下一时刻的位姿，并将计算得到的下一时刻的位姿作为机器人的当前位姿。其中，定位算法可以采用Rao-Blackwellised粒子滤波器算法、扩展卡尔曼滤波器算法等。Rao-Blackwellised粒子滤波器算法是通过引入边缘函数从而提高估计精度的一种算法，扩展卡尔曼滤波器算法(Extended Kalman Filter)是一种高效率的递归滤波器算法。可选的，通过机器人的里程计得到机器人里程信息，还可以通过机器人的轮子里程计得到机器人里程信息。

可选的，在步骤S70：若未检测到新聚类类别，则存储当前的扫描数据，并根据机器人里程信息、相邻的两帧扫描数据和定位算法获得机器人下一时刻的位姿之后跳转至步骤S20进行下一次定位。

在其中一个实施例中，如图4所示，在读取机器人相机的当前检索图像之前还包括步骤：

S10：利用激光传感器和机器人相机离线构建混合视觉激光地图；其中，混合视觉激光地图为视觉特征地图的视觉特征与激光平面地图的位姿信息一一对应的地图。

其中，混合视觉激光地图中包括激光平面地图和视觉特征地图以及激光平面地图中的位姿信息与视觉特征地图中的视觉特征的一一对应关系。具体的，在机器人开始定位前，离线构建激光平面地图、视觉特征地图，并将同一时刻激光平面地图的位姿信息和视觉特征地图的视觉特征进行对应捆绑存储，生成混合视觉激光地图。

在其中一个实施例中，如图5所示，利用激光传感器和机器人相机离线构建混合视觉激光地图的步骤包括：

S11：获取机器人里程信息；

S12：控制激光传感器对周围环境进行扫描，得到当前扫描数据，同时读取机器人相机的关键帧图像；

S13：初始化机器人的位置并存储当前扫描数据，根据机器人里程信息得到机器人下一时刻的预测位置，对相邻的两帧扫描数据及机器人里程信息采用定位算法得到机器人的位姿信息；

S14：控制机器人重复移动，并根据激光传感器采集的扫描数据构建激光平面地图；

S15：提取关键帧图像的视觉特征，获得视觉特征地图，并根据视觉特征与位姿信息联合得到视觉特征地图和激光平面地图一一对应的混合视觉激光地图。

其中，相邻的两帧扫描数据与上述实施例中的解释一样，在此不作赘述。具体的，机器人定位时，读取机器人相机的当前检索图像，并提取当前检索图像的视觉特征，将提取的视觉特征与混合视觉激光地图的视觉特征地图的关键帧视觉特征进行相似度度量，查找当前检索图像中相似度最高的前m帧，并对前m帧进行聚类，并与上一次检索图像对应的聚类类别进行匹配，当检测到新聚类类别时，对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，得到与类别个数相同的多个机器人的当前位姿，进行局部特征匹配后，读取机器人的激光传感器的当前扫描数据，获得当前扫描数据与混合视觉激光地图中的激光平面地图存储的扫描数据的重合度得分，并对各聚类类别的重合度得分进行排序，当检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。可选的，还可以利用基于图优化的定位与地图构建方法获得机器人的激光平面地图。

在其中一个实施例中，如图6所示，提取关键帧图像的视觉特征的步骤包括：

S151：通过Gist全局描述算子提取并存储关键帧图像的视觉特征。

具体的，在离线构建混合视觉激光地图时，采用Gist全局描述算子提取并存储机器人相机采集的关键帧图像的视觉特征，可以减小存储时所占的存储空间，且采用全局描述算子存储关键帧图像的视觉特征，保证了周围环境中的视觉特征的整体性，有助于提高后期匹配计算效率和匹配的稳定性。

在其中一个实施例中，如图7所示，根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿的步骤包括步骤：

S42：对匹配内点数超过预设阈值的各聚类类别采用PnP法得到机器人的当前位姿。

其中，预设阈值是通过实验得到的。PnP算法是指通过多对3D与2D匹配点，在已知或者未知相机内参的情况下，利用最小化重投影误差来求解相机外参的算法。具体的，当检测到当前检索图像的视觉特征和各聚类类别的中心关键帧图像的视觉特征的匹配内点数超过预设阈值时，求解当前检索图像的相机位姿与视觉特征地图相似关键帧图像对应的相机位姿之间的变换，然后得到机器人当前位姿。此时，当前检索图像与混合视觉激光地图中的视觉特征的匹配度较高，利用PnP法计算机器人的当前位姿，即对该聚类类别对应的位姿进行更新，进一步提高定位精度。

在其中一个实施例中，根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿的步骤还包括步骤：

S43：对匹配内点数未超过预设阈值的各聚类类别，将其对应的中心关键帧图像的位姿作为机器人当前位姿。

具体的，当聚类类别匹配内点数没有超过预设阈值时，则对该聚类类别对应的中心关键帧图像的位姿作为机器人当前位姿。此时，当前检索图像与混合视觉激光地图匹配度较低，所以采用该聚类类别对应的中心关键帧图像的位姿作为机器人当前位姿。

在其中一个实施例中，如图8所示，对前m帧进行多个类别的聚类的步骤包括：

S31：对前m帧的索引采用k-means聚类方法进行k个类别的聚类，得到k个聚类类别的排序；

S32：将每个聚类类别的中心值替换该类别关键帧索引的中位数，以落在每个聚类类别的范围内的帧数为基数，乘以机器人的最大速度因子作为该类别的新范围；

S33：将配置新范围的k个聚类类别与上一次检索图像对应的k个聚类类别进行匹配。

其中，k-means聚类方法，是典型的基于原型的目标函数聚类方法的代表，以欧式距离作为相似度度量，是一种基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。上一次检索图像等的定义与上述实施例中的相同，在此不做赘述。参数k是通过实验得出的，是根据应用场景等不同，预先设定的。

本发明实施例另一方面还提供一种机器人定位装置，如图9所示，上述机器人定位装置包括：

图像获取及相似度度量模块20，用于读取机器人相机的当前检索图像，并将当前检索图像与混合视觉激光地图进行相似度度量，查找当前检索图像中相似度最高的前m帧；

聚类匹配模块30，用于对前m帧进行多个类别的聚类，并将各聚类类别与上一次检索图像对应的聚类类别进行匹配，判断是否产生新聚类类别；

局部特征匹配模块40，用于若检测到新聚类类别，则对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；

重合度得分模块50，用于读取机器人的激光传感器的当前扫描数据，获得当前扫描数据与混合视觉激光地图的重合度得分，并对各聚类类别的重合度得分进行排序；

位姿更新发布模块60，用于若检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

其中，混合视觉激光地图、参数m、上一次检索图像对应的聚类类别等解释与上述方法实施例中相同，在此不做赘述。

具体的，图像获取及相似度度量模块20读取机器人相机的当前检索图像，并将当前检索图像与混合视觉激光地图进行相似度度量，查找当前检索图像中相似度最高的前m帧；聚类匹配模块30对前m帧进行多个类别的聚类，并将各聚类类别与上一次检索图像对应的聚类类别进行匹配；局部特征匹配模块40在检测到新聚类类别时，则对当前检索图像和当前检索图像对应的各聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；重合度得分模块50读取机器人的激光传感器的当前扫描数据，获得当前扫描数据与激光平面地图的重合度得分，并对各聚类类别的重合度得分进行排序；然后，位姿更新发布模块60在检测到得分最高的类别是新聚类类别时，将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

在其中一个实施例中，如图10所示，机器人定位装置还包括：

位姿发布模块70，用于在未检测到新聚类类别时，则存储当前的扫描数据，并根据机器人里程信息、相邻的两帧扫描数据和定位算法获得机器人下一时刻的位姿。

在其中一个实施例中，如图10所示，机器人定位装置还包括：

混合视觉激光地图离线构建模块10，用于利用激光传感器和机器人相机离线构建混合视觉激光地图；其中，混合视觉激光地图为视觉特征地图的视觉特征与激光平面地图的位姿信息一一对应的地图。

需要说明的是，本发明机器人定位装置实施例中的各单元模块能够实现上述方法实施例中的方法步骤，在此不做赘述。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述机器人定位方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述机器人定位方法的步骤。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括以上方法所述的步骤，所述的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种机器人定位方法，其特征在于，包括：

读取机器人相机的当前检索图像，并将所述当前检索图像与混合视觉激光地图进行相似度度量，查找所述当前检索图像中相似度最高的前m帧；

对所述前m帧进行多个类别的聚类，并将各聚类类别与上一次检索图像对应的聚类类别进行匹配，判断是否产生新聚类类别；

若检测到新聚类类别，则对所述当前检索图像和所述当前检索图像对应的各所述聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；

读取机器人的激光传感器的当前扫描数据，获得所述当前扫描数据与混合视觉激光地图的重合度得分，并对所述各聚类类别的重合度得分进行排序；

若检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

2.根据权利要求1所述的机器人定位方法，其特征在于，在所述判断是否产生新聚类类别的步骤之后还包括步骤：

若未检测到新聚类类别，则存储当前的扫描数据，并根据机器人里程信息、相邻的两帧扫描数据和定位算法获得机器人下一时刻的位姿，并将所述下一时刻的位姿更新为机器人的当前位姿。

3.根据权利要求1或2所述的机器人定位方法，其特征在于，在所述读取机器人相机的当前检索图像之前还包括步骤：

利用所述激光传感器和机器人相机离线构建混合视觉激光地图；其中，所述混合视觉激光地图为视觉特征地图的视觉特征与激光平面地图的位姿信息一一对应的地图。

4.根据权利要求3所述的机器人定位方法，其特征在于，所述利用激光传感器和机器人相机离线构建混合视觉激光地图的步骤包括：

获取机器人里程信息；

控制所述激光传感器对周围环境进行扫描，得到所述当前扫描数据，同时读取所述机器人相机的关键帧图像；

初始化机器人的位置并存储当前所述扫描数据，根据所述机器人里程信息得到机器人下一时刻的预测位置，对相邻的两帧扫描数据及所述机器人里程信息采用定位算法得到机器人的位姿信息；

控制机器人重复移动，并根据激光传感器采集的扫描数据构建所述激光平面地图；

在构建所述激光平面地图的同时，提取所述关键帧图像的视觉特征，获得所述视觉特征地图，并根据所述视觉特征与所述位姿信息联合得到视觉特征地图和激光平面地图一一对应的混合视觉激光地图。

5.根据权利要求4所述的机器人定位方法，其特征在于，所述提取所述关键帧图像的视觉特征的步骤包括：

通过Gist全局描述算子提取并存储所述关键帧图像的所述视觉特征。

6.根据权利要求1所述的机器人定位方法，其特征在于，所述根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿的步骤包括步骤：

对匹配内点数超过预设阈值的各聚类类别采用PnP法得到机器人的当前位姿。

7.根据权利要求1所述的机器人定位方法，其特征在于，所述根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿的步骤还包括步骤：

对匹配内点数未超过预设阈值的各聚类类别，将其对应的中心关键帧图像的位姿作为机器人当前位姿。

8.根据权利要求1所述的机器人定位方法，其特征在于，所述对所述前m帧进行多个类别的聚类的步骤包括：

对前m帧的索引采用k-means聚类方法进行k个类别的聚类，得到k个聚类类别的排序；

将每个聚类类别的中心值替换该类别关键帧索引的中位数，以落在每个聚类类别的范围内的帧数为基数，乘以机器人的最大速度因子作为该类别的新范围；

将配置新范围的k个聚类类别与上一次检索图像对应的k个聚类类别进行匹配。

9.一种机器人定位装置，其特征在于，包括：

图像获取及相似度度量模块，用于读取机器人相机的当前检索图像，并将所述当前检索图像与混合视觉激光地图进行相似度度量，查找所述当前检索图像中相似度最高的前m帧；

聚类匹配模块，用于对所述前m帧进行多个类别的聚类，并将各聚类类别与上一次检索图像对应的聚类类别进行匹配，判断是否产生新聚类类别；

局部特征匹配模块，用于若检测到新聚类类别，则对所述当前检索图像和所述当前检索图像对应的各所述聚类类别的中心关键帧图像进行局部特征匹配，并根据局部特征匹配结果获得与类别个数相同的多个机器人的当前位姿；

重合度得分模块，用于读取机器人的激光传感器的当前扫描数据，获得所述当前扫描数据与混合视觉激光地图的重合度得分，并对所述各聚类类别的重合度得分进行排序；

位姿更新发布模块，用于若检测到得分最高的类别是新聚类类别时，则将该新聚类类别的中心关键帧图像对应的位姿信息更新为机器人的当前位姿。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8中任意一项所述方法的步骤。