CN108344999B - 一种用于水下机器人导航的声呐地图构建与重定位方法 - Google Patents

一种用于水下机器人导航的声呐地图构建与重定位方法 Download PDF

Info

Publication number
CN108344999B
CN108344999B CN201810020491.4A CN201810020491A CN108344999B CN 108344999 B CN108344999 B CN 108344999B CN 201810020491 A CN201810020491 A CN 201810020491A CN 108344999 B CN108344999 B CN 108344999B
Authority
CN
China
Prior art keywords
map
underwater robot
feature
local
time
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.)
Expired - Fee Related
Application number
CN201810020491.4A
Other languages
English (en)
Other versions
CN108344999A (zh
Inventor
杨灿军
林鸣威
李德骏
张涛
林日
王天磊
汪焰韬
周耿力
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810020491.4A priority Critical patent/CN108344999B/zh
Publication of CN108344999A publication Critical patent/CN108344999A/zh
Application granted granted Critical
Publication of CN108344999B publication Critical patent/CN108344999B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
    • G01S15/8977—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using special techniques for image reconstruction, e.g. FFT, geometrical transformations, spatial deconvolution, time deconvolution

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种用于水下机器人导航的声呐地图构建方法，包括以下步骤：(1)水下机器人利用扩展卡尔曼滤波进行导航，同时采集海底形貌的声呐图像，从声呐图像中提取地图特征并标记位置，建立局部地图；当前局部地图中地图特征数量达到预设值后，关闭该幅局部地图，开启新的局部地图；(2)将建立的局部地图按照先后序列进行联结，得到全局地图；(3)将得到的全局地图进行优化。本发明还公开了基于全局地图进行水下机器人重定位的方法。本发明的声呐地图构建方法，将地图的更新分成两部分，全局地图的更新优化放在后台进行，局部地图的更新实时进行，用于及时修正航位，降低了地图更新的复杂度。

Description

一种用于水下机器人导航的声呐地图构建与重定位方法
技术领域
本发明涉及水下导航技术领域，尤其涉及一种用于水下机器人导航的声呐地图构建与重定位方法。
背景技术
随着科技的进步，人们加速了对海洋的探索与开采，水下机器人的使用也因此越来越广泛。然而，由于水下无法获得GPS信号，水下机器人的导航会产生累积误差无法修正，最终使得导航算法发散。
在海洋中，主要是依靠声学定位系统进行导航定位，例如超短基线(USBL)、短基线(SBL)和长基线(LBL)等。
公开号为CN104457754A的中国专利文献公开了一种利用长基线进行潜器定位的导航算法，然而利用长基线进行定位的前提是需要提前在潜器航行的区域进行基线的布放，增加了实现的难度和成本。SBL和USBL的使用相比LBL难度虽然有所降低，但这两种定位系统的成本依旧高昂，难以推广应用。
公开号为CN104075715A的中国专利文献公开了一种结合海底地形和环境特征的同步定位与地图构建的导航方法，利用扩展卡尔曼滤波作为导航的算法，提高了导航的精度。但该方法引入了深度方向的信息，增加了导航系统的计算复杂度。
公开号为CN106123850A的中国专利文献公开了一种声呐地图的修正方法，但该方法采用单幅地图结合水下机器人的定位信息进行地图修正，当特征数量较多时，单幅地图无法实时进行更新。目前，并没有发现关于水下声呐地图序列联结方法的研究，也鲜有发现用于水下机器人在全局地图中快速重定位的方法。
发明内容
本发明提供一种用于水下机器人导航的声呐地图构建方法，将地图的更新分成两部分，全局地图的更新优化放在后台进行，局部地图的更新实时进行，用于及时修正航位，降低了地图更新的复杂度。
本发明提供了如下技术方案：
一种用于水下机器人导航的声呐地图构建方法，包括以下步骤：
(1)水下机器人利用扩展卡尔曼滤波进行导航，同时采集海底形貌的声呐图像，从声呐图像中提取地图特征并标记位置，建立局部地图；当前局部地图中地图特征数量达到预设值后，关闭该幅局部地图，开启新的局部地图；
(2)将建立的局部地图按照先后序列进行联结，得到全局地图；
(3)将得到的全局地图进行优化。
步骤(1)中，在i时刻初始化的局部地图中，以水下机器人i时刻的位置Ri作为参考基准，水下机器人的初始化定位为
Figure BDA0001542964640000021
初始协方差矩阵
Figure BDA0001542964640000022
当j时刻地图特征F1，F2，...，Fn数量达到预设值时，关闭该局部地图。
i时刻至j时刻得到的局部地图表示为：
Figure BDA0001542964640000023
其中，
Figure BDA0001542964640000024
为地图特征状态变量，
Figure BDA0001542964640000025
分别表示j时刻水下机器人的位置Rj、地图特征F1、F2、...、Fn的位置坐标；
Figure BDA0001542964640000026
为对应的协方差矩阵。
局部地图中特征的提取从靠水下机器人的近端开始，从而状态变量中的地图特征按从近到远排列。
为了计算方便，规定j时刻的观测值用以更新第一幅地图，水下机器人从Rj到Rj+1的运动是在第二幅地图中进行的。这意味着Rj为第二幅局部地图的参考基准。由于声呐一次性扫描的特征数无法确定，因此局部地图关闭时不一定正好存储了n个特征，因此假设第二幅局部地图的特征个数为m，对应的特征为G1，G2，...，Gm。
i时刻至j时刻的局部地图关闭后，建立j时刻至k时刻的局部地图，表示为：
Figure BDA0001542964640000031
其中，
Figure BDA0001542964640000032
为地图特征状态变量，
Figure BDA0001542964640000033
分别表示k时刻水下机器人的位置Rk、地图特征G1、G2、...、Gm的位置坐标；
Figure BDA0001542964640000034
为对应的协方差矩阵。
步骤(2)中，将两幅局部地图
Figure BDA0001542964640000035
和
Figure BDA0001542964640000036
进行联结，获得随机地图
Figure BDA0001542964640000037
具体形式为：
Figure BDA0001542964640000038
将所有局部地图联结后得到全局地图。
步骤(3)中，对全局地图进行优化包括：
(3-1)通过独立兼容最近邻的数据关联方法得到两幅局部地图交界处的相互关联特征；
定义两幅局部地图交界处r对相互关联的特征，分别为Ff1，Ff2，...，Ffr和Gg1，Gg2，...，Ggr；
(3-2)利用修正的观测方程来表示相互关联特征的置信水平；将修正后的观测方程线性化，得到的值代入扩展卡尔曼滤波算法中，得到更新后的地图特征状态变量与其协方差矩阵；
修正的观测方程为：
Figure BDA0001542964640000039
其中，
Figure BDA00015429646400000310
表示第r对相互关联特征的置信水平，
Figure BDA00015429646400000311
运算符
Figure BDA00015429646400000312
表示坐标系转换。
坐标系转换方法如下：
在二维平面，参考系B相对于参考系A的定位可以表示为一个三自由度矢量
Figure BDA0001542964640000041
参考系C相对于参考系B的定位也可以表示为一个三自由度矢量
Figure BDA0001542964640000042
分别表示为：
Figure BDA0001542964640000043
则参考系C相对于参考系A的转换关系可以表示为：
Figure BDA0001542964640000044
将修正后的观测方程线性化，得到：
Figure BDA0001542964640000045
其中，
Figure BDA0001542964640000046
Figure BDA0001542964640000047
表示最新观测到的地图特征位置信息。
将修正后
Figure BDA0001542964640000048
的值代入扩展卡尔曼滤波算法中更新，可以得到更新后的地图特征状态变量
Figure BDA0001542964640000049
与其协方差矩阵
Figure BDA00015429646400000410
具体为：
Figure BDA00015429646400000411
Figure BDA00015429646400000412
Figure BDA00015429646400000413
其中，K为卡尔曼增益矩阵，I为单位矩阵。
(3-3)对更新后的地图特征状态变量与其协方差矩阵转换至同一个参考基准；
即将所有局部地图往参考位姿Ri转换，得到优化后的地图特征状态xi，...，k：
Figure BDA0001542964640000051
其对应的协方差矩阵更新为：
Figure BDA0001542964640000052
这里得到的是以水下机器人最初起始位置为基准的全局地图，后续重定位也是以此地图为基准展开搜寻。
当获得全局地图后，可以根据概率网格的匹配方法用于水下机器人的重定位，快速修正导航的累积误差。
根据全局地图对水下机器人进行重定位的方法包括以下步骤：
(I)将全局地图用正方形网格划分，以全局地图中的地图特征点为中心，绘制每个地图特征点的协方差椭圆；
(II)提取水下机器人当前位置利用声呐观测到的特征点，以观测到的特征点为中心绘制其协方差椭圆；
(III)采用概率网格匹配法匹配水下机器人当前位置观测到的特征点与全局地图中的地图特征点；
若匹配成功，则利用匹配信息修正水下机器人的航位；
若匹配不成功，则水下机器人根据自身导航系统推算出的位置进行定位，等到下次获得观测信息后继续进行匹配。
步骤(I)中，正方形网格的尺寸需要根据地图特征点的分布密度来调整。
步骤(I)和步骤(II)中，所述的协方差椭圆满足卡方分布
Figure BDA0001542964640000053
其中，d表示系统阶数，α表示该特征点的置信度水平。
步骤(III)中，根据如下规则匹配水下机器人当前位置观测到的特征点与全局地图中的地图特征点：
(a)若两个协方差椭圆占据共同的网格，则表示两个特征点满足独立兼容条件，两个特征点匹配成功；
(b)若一个协方差椭圆同时与另外两个协方差椭圆占据了共同的网格，则占据网格数量最多的为最可能的关联特征，即视为正确匹配；
(c)若一个协方差椭圆同时与另外两个协方差椭圆占据了共同的网格，且占据的网格数量相同，则两个特征点实际距离短的为最可能关联特征，即视为正确匹配。
具体的，定义点A1、A2和A3表示全局地图中的地图特征点，点B1、B2和B3表示水下机器人当前位置观测到的特征点；
点A1的协方差椭圆仅与点B1的协方差椭圆共同占据网格，则点A1与点B1匹配成功；
点B3的协方差椭圆同时与点A2和A3的协方差椭圆占据共同的网格，点B3与点A2共同占据的网格数量小于点B3与点A3共同占据的网格数量，则点B3与点A3匹配成功；
点A2的协方差椭圆同时与点B2和B3的协方差椭圆占据共同的网格，点A2与点B2共同占据的网格数量等于点A2与点B3共同占据的网格数量，点A2与点B2的距离小于点A2与点B3的距离，则点A2与点B2匹配成功。
步骤(III)中，若匹配成功，则利用匹配信息修正水下机器人的航位，方法为：
定义水下机器人当前位置观测到的特征点在全局地图中的位置为x，根据水下机器人导航信息推算出的该特征的位置为xb，水下机器人位置为xrobot；根据匹配信息对水下机器人的航位进行修正，修正值为xa-xb，即修正后的水下机器人定位位置为xrobot+(xa-xb)。
与现有技术相比，本发明的有益效果为：
(1)本发明的声呐地图构建方法，将地图的更新分成两部分，局部地图的更新实时进行，通过局部地图的更新来修正航位，利用序列地图联结获得全局地图，将全局地图更新优化放在后台计算，提高了系统的实时性；
(2)本发明的重定位方法利用概率网格匹配方法进行水下机器人重定位，方法简单可靠，实效性好，不需要计算逆矩阵等复杂操作，只需要计算特征点的协方差椭圆是否共同占据网格，或者共同占据的网格数量即可判定特征是否匹配。
附图说明
图1为全局地图中三个特征点及其协方差椭圆的示意图；
图2为水下机器人最新观测特征与全局地图中特征的比较示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
水下机器人携带成像声呐利用扩展卡尔曼滤波(EKF)进行同步定位与地图构建导航，并执行观测任务。
随着导航的进行，水下机器人会把声呐图像中提取的特征位置不断记录，建立局部地图。
在局部地图特征数量达到n个(预设值)后，便关闭该幅局部地图，开启新的局部地图。在i时刻初始化的局部地图中，利用水下机器人的当前位置Ri作为参考基准，则水下机器人的初始化定位为
Figure BDA0001542964640000071
初始协方差矩阵
Figure BDA0001542964640000072
当j时刻地图特征F1，F2，...，Fn数量达到设定的上限时，关闭该局部地图。设置地图特征状态变量
Figure BDA0001542964640000073
为：
Figure BDA0001542964640000074
其中，
Figure BDA0001542964640000075
表示该局部地图中，机器人的起始位置为Ri，结束位置为Rj；
Figure BDA0001542964640000076
表示该局部地图中，地图特征Fn的坐标。
Figure BDA0001542964640000077
对应的协方差矩阵为
Figure BDA0001542964640000078
i时刻至j时刻得到的局部地图表示为
Figure BDA0001542964640000079
局部地图中特征的提取从靠水下机器人的近端开始，从而状态变量中的地图特征按从近到远排列。
之后第二幅局部地图
Figure BDA00015429646400000710
以类似的方式开始初始化。为了计算方便，规定j时刻的观测值用以更新第一幅地图，水下机器人从Rj到Rj+1的运动是在第二幅地图中进行的。这意味着Rj为第二幅局部地图的参考基准。
由于声呐一次性扫描的特征数无法确定，因此局部地图关闭时不一定正好存储了n个特征，因此假设第二幅局部地图的特征个数为m，对应的特征为G1，G2，...，Gm。
第二幅局部地图
Figure BDA0001542964640000081
中，
Figure BDA0001542964640000082
将两幅局部地图
Figure BDA0001542964640000083
和
Figure BDA0001542964640000084
进行联结，即获得随机地图
Figure BDA0001542964640000085
具体形式为：
Figure BDA0001542964640000086
将联结后的地图进行更新，更新步骤包括特征状态更新及其协方差矩阵更新。
假设H表示地图mi，...，j和mj，...，k的关联情况，通过独立兼容最近邻的数据关联(特征匹配)方法得到两幅局部地图交界处r对相互关联的特征，分别为Ff1，Ff2，...，Ffr和Gg1，Gg2，...，Ggr。
利用一个修正的观测方程来表示r对观测的置信水平：
Figure BDA0001542964640000087
Figure BDA0001542964640000088
表示第r对相互关联特征的置信水平。
以第r对为例，其置信水平为
Figure BDA0001542964640000089
其中，运算符
Figure BDA00015429646400000810
表示坐标系转换，具体如下：
在二维平面，参考系B相对于参考系A的定位可以表示为一个三自由度矢量
Figure BDA00015429646400000811
参考系C相对于参考系B的定位也可以表示为一个三自由度矢量
Figure BDA00015429646400000812
它们分别表示为：
Figure BDA0001542964640000091
则参考系C相对于参考系A的转换关系可以表示为：
Figure BDA0001542964640000092
将修正后的观测方程线性化，得到：
Figure BDA0001542964640000093
其中，
Figure BDA0001542964640000094
Figure BDA0001542964640000095
表示最新观测到的地图特征位置信息。
将修正后
Figure BDA0001542964640000096
的值代入扩展卡尔曼滤波算法中更新，可以得到更新后的地图特征状态变量
Figure BDA0001542964640000097
与其协方差矩阵
Figure BDA0001542964640000098
具体为：
Figure BDA0001542964640000099
Figure BDA00015429646400000910
Figure BDA00015429646400000911
其中，K为卡尔曼增益矩阵，I为单位矩阵。
由于更新后的地图特征状态变量
Figure BDA00015429646400000912
与其协方差矩阵
Figure BDA00015429646400000913
中的元素并不是以同一个参考基准来表示特征坐标，为了后续重定位使用，需要将其转换至同一个参考基准，即将所有局部地图往参考位姿Ri转换：
Figure BDA00015429646400000914
这里得到的是以水下机器人最初起始位置为基准的全局地图，后续重定位也是以此地图为基准展开搜寻。其对应的协方差矩阵更新为：
Figure BDA0001542964640000101
得到优化的全局地图后，当水下机器人下次经过地图区域时，可利用概率网格地图进行匹配，具体方法如下：
将全局特征地图用正方形网格划分，网格的长度为0.2米。如图1所示，假设A1、A2和A3三个点表示全局地图中存在的特征点，以特征点为中心，绘制每个点的协方差椭圆，其满足卡方分布
Figure BDA0001542964640000102
d表示系统阶数，α表示特征定位的置信度水平。如图2所示，假设B1、B2和B3三个点表示根据水下机器人在当前位置利用声呐观测到的特征位置，同样绘制其协方差椭圆。则A和B之间的特征点是否匹配以及如何匹配按照如下规则：
若两个椭圆共同只占据一个网格，则表示两个特征满足独立兼容条件，两个特征匹配；若一个椭圆同时与其余椭圆占据了同一个网格，则选择占据网格数量最多的为最可能的关联特征；若出现占据一个椭圆与其余椭圆占据网格数量相同的情况，则直接利用两个点的实际距离来判断，距离短的为最可能关联特征，即视为正确匹配。
得到匹配信息后，则可以重定位水下机器人，找到水下机器人在地图中的位置，消除其导航的累积误差，方法为：
匹配成功后，可得到当前观测特征在先前构造的全局地图中的位置xa，根据水下机器人导航信息推算出该特征位置为xb，水下机器人位置为xrobot。根据匹配信息可对水下机器人的航位进行修正，修正值为xa-xb，即修正后的水下机器人定位位置为xrobot+(xa-xb)。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种水下机器人的重定位方法，其特征在于，包括以下步骤：
(Ⅰ)构建全局地图，将构建的全局地图用正方形网格划分，以全局地图中的地图特征点为中心，绘制每个地图特征点的协方差椭圆；
(Ⅱ)提取水下机器人当前位置利用声呐观测到的特征点，以观测到的特征点为中心绘制其协方差椭圆；
(Ⅲ)匹配水下机器人当前位置观测到的特征点与全局地图中的地图特征点；
若匹配成功，则利用匹配信息修正水下机器人的航位；
若匹配不成功，则水下机器人根据自身导航系统推算出的位置进行定位，等到下次获得观测信息后继续进行匹配；
步骤(Ⅰ)中，构建全局地图的方法包括以下步骤：
(1)水下机器人利用扩展卡尔曼滤波进行导航，同时采集海底形貌的声呐图像，从声呐图像中提取地图特征并标记位置，建立局部地图；当前局部地图中地图特征数量达到预设值后，关闭该幅局部地图，开启新的局部地图；
(2)将建立的局部地图按照先后序列进行联结，得到全局地图；
(3)将得到的全局地图进行优化；
步骤(Ⅲ)中，根据如下规则匹配水下机器人当前位置观测到的特征点与全局地图中的地图特征点：
(a)若两个协方差椭圆占据共同的网格，则表示两个特征点满足独立兼容条件，两个特征点匹配成功；
(b)若一个协方差椭圆同时与另外两个协方差椭圆占据了共同的网格，则占据网格数量最多的为最可能的关联特征，即视为正确匹配；
(c)若一个协方差椭圆同时与另外两个协方差椭圆占据了共同的网格，且占据的网格数量相同，则两个特征点实际距离短的为最可能关联特征，即视为正确匹配。
2.根据权利要求1所述的水下机器人的重定位方法，其特征在于，步骤(1)中，在i时刻初始化的局部地图中，以水下机器人i时刻的位置Ri作为参考基准，水下机器人的初始化定位为
Figure FDA0002398494950000021
初始协方差矩阵
Figure FDA0002398494950000022
当j时刻地图特征F1,F2,...,Fn数量达到预设值时，关闭该局部地图；i时刻至j时刻得到的局部地图表示为：
Figure FDA0002398494950000023
其中，
Figure FDA0002398494950000024
为地图特征状态变量，
Figure FDA0002398494950000025
分别表示j时刻水下机器人的位置Rj、地图特征F1、F2、...、Fn的位置坐标；
Figure FDA0002398494950000026
为对应的协方差矩阵。
3.根据权利要求2所述的水下机器人的重定位方法，其特征在于，i时刻至j时刻的局部地图关闭后，建立j时刻至k时刻的局部地图，以水下机器人j时刻的位置Rj作为参考基准，表示为：
Figure FDA0002398494950000027
其中，
Figure FDA0002398494950000028
为地图特征状态变量，
Figure FDA0002398494950000029
分别表示k时刻水下机器人的位置Rk、地图特征G1、G2、...、Gm的位置坐标；
Figure FDA00023984949500000210
为对应的协方差矩阵。
4.根据权利要求3所述的水下机器人的重定位方法，其特征在于，步骤(2)中，将两幅局部地图
Figure FDA00023984949500000211
和
Figure FDA00023984949500000212
进行联结，获得随机地图
Figure FDA00023984949500000213
具体形式为：
Figure FDA00023984949500000214
将所有局部地图联结后得到全局地图。
5.根据权利要求1所述的水下机器人的重定位方法，其特征在于，步骤(3)中，对全局地图进行优化包括：
(3-1)通过独立兼容最近邻的数据关联方法得到两幅局部地图交界处的相互关联特征；
(3-2)利用修正的观测方程来表示相互关联特征的置信水平；将修正后的观测方程线性化，得到的值代入扩展卡尔曼滤波算法中，得到更新后的地图特征状态变量与其协方差矩阵；
(3-3)对更新后的地图特征状态变量与其协方差矩阵转换至同一个参考基准。
6.根据权利要求1所述的水下机器人的重定位方法，其特征在于，步骤(Ⅰ)和步骤(Ⅱ)中，所述的协方差椭圆满足卡方分布
Figure FDA0002398494950000031
其中，d表示系统阶数，α表示该特征点的置信度水平。
7.根据权利要求1所述的水下机器人的重定位方法，其特征在于，步骤(Ⅲ)中，若匹配成功，则利用匹配信息修正水下机器人的航位，方法为：
定义水下机器人当前位置观测到的特征点在全局地图中的位置为xa，根据水下机器人导航信息推算出的该特征的位置为xb，水下机器人位置为xrobot；则修正后的水下机器人定位位置为xrobot+(xa-xb)。
CN201810020491.4A 2018-01-09 2018-01-09 一种用于水下机器人导航的声呐地图构建与重定位方法 Expired - Fee Related CN108344999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810020491.4A CN108344999B (zh) 2018-01-09 2018-01-09 一种用于水下机器人导航的声呐地图构建与重定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810020491.4A CN108344999B (zh) 2018-01-09 2018-01-09 一种用于水下机器人导航的声呐地图构建与重定位方法

Publications (2)

Publication Number Publication Date
CN108344999A CN108344999A (zh) 2018-07-31
CN108344999B true CN108344999B (zh) 2020-08-11

Family

ID=62961273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810020491.4A Expired - Fee Related CN108344999B (zh) 2018-01-09 2018-01-09 一种用于水下机器人导航的声呐地图构建与重定位方法

Country Status (1)

Country Link
CN (1) CN108344999B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245821A (zh) * 2018-09-19 2019-01-18 浙江大学 一种应用于深海的光通信与定位组合的装置
CN110174894B (zh) * 2019-05-27 2022-03-15 小狗电器互联网科技（北京）股份有限公司 机器人及其重定位方法
CN110320520B (zh) * 2019-06-26 2022-08-02 哈尔滨工程大学 一种测深信息同步定位与建图的鲁棒后端图优化方法
CN111060135B (zh) * 2019-12-10 2021-12-17 亿嘉和科技股份有限公司 一种基于局部地图的地图修正方法及系统
CN112802195B (zh) * 2020-12-30 2022-04-29 浙江大学 一种基于声呐的水下机器人连续占据建图方法
CN112665584B (zh) * 2020-12-30 2022-07-15 哈尔滨工程大学 一种基于多传感器融合的水下机器人定位与构图方法
CN113052940B (zh) * 2021-03-14 2024-03-15 西北工业大学 一种基于声呐的时空关联地图实时构建方法
CN113313827B (zh) * 2021-06-18 2022-02-22 浙江大学 一种基于连续置信度分布的机器人建图方法
CN113218386B (zh) * 2021-07-08 2021-10-08 深之蓝海洋科技股份有限公司 机器人在液体下建筑内高精度导航的方法和装置
CN114674307B (zh) * 2022-05-26 2022-09-27 苏州魔视智能科技有限公司 一种重定位方法及电子设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3211447B1 (en) * 2011-05-06 2020-09-30 Hadal, Inc. Systems and methods for synthetic aperture sonar
US8798840B2 (en) * 2011-09-30 2014-08-05 Irobot Corporation Adaptive mapping with spatial summaries of sensor data
CN103258325B (zh) * 2013-04-15 2016-01-20 哈尔滨工业大学 一种基于椭圆显著区域协方差矩阵的图像特征检测方法
CN104075715B (zh) * 2014-07-07 2017-09-01 东南大学 一种结合地形和环境特征的水下导航定位方法
CN104457754B (zh) * 2014-12-19 2017-04-26 东南大学 一种基于sins/lbl紧组合的auv水下导航定位方法
CN106123850B (zh) * 2016-06-28 2018-07-06 哈尔滨工程大学 Auv配载多波束声呐水下地形测绘修正方法
CN106595659A (zh) * 2016-11-03 2017-04-26 南京航空航天大学 城市复杂环境下多无人机视觉slam的地图融合方法
CN106529591A (zh) * 2016-11-07 2017-03-22 湖南源信光电科技有限公司 一种基于改进的mser图像匹配算法
CN107037393B (zh) * 2017-05-19 2019-10-11 西安电子科技大学 基于嵌套阵列的非圆信号波达方向角估计方法
CN107426816A (zh) * 2017-07-24 2017-12-01 南京邮电大学 一种WiFi定位与地图匹配融合的实现方法

Also Published As

Publication number Publication date
CN108344999A (zh) 2018-07-31

Similar Documents

Publication Publication Date Title
CN108344999B (zh) 一种用于水下机器人导航的声呐地图构建与重定位方法
CN108318034B (zh) 一种基于声呐地图的auv回坞导航方法
WO2020224305A1 (zh) 用于设备定位的方法、装置及设备
Negre et al. Cluster-based loop closing detection for underwater slam in feature-poor regions
CN110174894B (zh) 机器人及其重定位方法
KR101781757B1 (ko) 객체 인식을 위한 수중 이미지 처리장치 및 그 방법
US20220172386A1 (en) Method and device for simultaneous localization and mapping (slam)
US11788845B2 (en) Systems and methods for robust self-relocalization in a visual map
CN106780631B (zh) 一种基于深度学习的机器人闭环检测方法
US20100070125A1 (en) Apparatus and method for localizing mobile robot
CN106842209B (zh) 一种多机器人协同水下地形匹配导航系统及方法
CN116255992A (zh) 一种同时定位与建图的方法和装置
CN114565668A (zh) 即时定位与建图方法及装置
Beall et al. Bundle adjustment in large-scale 3d reconstructions based on underwater robotic surveys
CN107808395A (zh) 一种基于slam的室内定位方法
CN114088081A (zh) 一种基于多段联合优化的用于精确定位的地图构建方法
CN101672916B (zh) 机械扫描式成像声呐的运动失真补偿方法
CN115031718A (zh) 一种多传感器融合的无人船同步定位与建图方法(slam)及系统
CN105160665A (zh) 一种双圆子模板水下地形匹配方法
Zacchini et al. Mono visual odometry for Autonomous Underwater Vehicles navigation
CN109993108B (zh) 一种增强现实环境下的手势纠错方法、系统及装置
Zandara et al. Probabilistic surface matching for bathymetry based SLAM
CN108592916B (zh) 悬浮式水下自主航行器的多航次地图定位和导航方法
Praczyk et al. Concept and first results of optical navigational system
CN113532438B (zh) 一种大初始定位误差下的改进iccp地形匹配方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200811

Termination date: 20210109

CF01 Termination of patent right due to non-payment of annual fee