CN108955688A - 双轮差速移动机器人定位方法及系统 - Google Patents
双轮差速移动机器人定位方法及系统 Download PDFInfo
- Publication number
- CN108955688A CN108955688A CN201810763106.5A CN201810763106A CN108955688A CN 108955688 A CN108955688 A CN 108955688A CN 201810763106 A CN201810763106 A CN 201810763106A CN 108955688 A CN108955688 A CN 108955688A
- Authority
- CN
- China
- Prior art keywords
- robot
- pose
- angle
- estimation
- particle collection
- 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.)
- Granted
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种双轮差速移动机器人准确定位方法及系统。为了解决双轮差速移动机器人全局定位问题而设计。本发明双轮差速移动机器人定位方法，采用卡尔曼滤波算法，结合陀螺仪航向角数据获得精度较高的角度数据。提取周围环境特征样本粒子点，根据后验概率算法针对移动机器人位姿估计信息进行一定邻域范围内的离散化处理，确定样本粒子点匹配点正确对应数目最多时的假设位姿，基于最小二乘法计算机器人的假设位姿估计。利用卡尔曼滤波算法以获得更准确的机器人最终位姿估计。本发明针对样本粒子点数量较少时，仍能获得机器人准确的相对位姿，鲁棒性好且实时性较高，能够推广应用于移动机器人在室内外的位姿估计中。
Description
技术领域
本发明属于移动机器人智能控制领域，具体提出一种双轮差速移动机器人定位算法。
背景技术
目前移动机器人已经用于社会发展的各个领域，如工厂、医院、家庭、展览馆等。移动机器人智能化的一个条件就是能够实现自主运动，即具备自主导航的能力，机器人通过车载传感器感知周围环境和自身状态，在具有碍障物的环境中，按照一定的行为约束条件自主规划运动轨迹，实现从起始位置到目标位置的无碰撞自主运动。机器人自身空间位置、方向即定位问题，是移动机器人的自主导航系统要解决的首要问题。移动机器人的全局定位是指确定其在工作场景中的全局坐标(世界坐标系下)的位置和角度，即姿态信息[X,Z,θ]T。
快速、准确地实现全局定位对于提高移动机器人自主性和灵活性有着特别重要的意义。在非结构化工作环境中，移动机器人基于内部传感器(里程计/陀螺仪)，使用视觉、激光等外部传感器获取环境信息，实现对环境特征的提取并构建环境地图信息。利用先验环境地图信息、机器人当前位姿的估计以及传感器的测量值等输入信息，经过一定的处理后估计出更加准确的当前位姿。由于基于内部传感器航位推算法的累积误差会随着时间的推移而变大，而使用外部视觉或激光等传感器考虑了它测量数据的不精确性。
鉴于上述，本设计人积极加以研究创新，以期创设一种双轮差速移动机器人定位方法及系统，使其更具有产业上的利用价值。
发明内容
本发明目的是提供一种能够获得机器人准确的相对位姿，鲁棒性好且实时性较高的双轮差速移动机器人定位方法及系统。
为达到上述发明目的，本发明双轮差速移动机器人定位方法，包括：
S1基于双轮差动移动机器人里程计模型，确定当前时刻里程计数据[xk zk φk]T、内部陀螺仪航向角ηk；
S2基于角度信息ηk和φk，利用卡尔曼滤波算法对机器人当前航向角φk进行精度优化；基于所述的里程计模型，对位置数据xk和zk进行修正；得到优化后的内部里程计位姿估计[pk qk θk]T；
S3获取的环境特征生成粒子集
S4根据后验概率算法对内部里程计位姿估计[pk qk θk]T进行预定邻域范围内的离散化处理，进行外部特征粒子集与当前地图粒子集f<n,m〉的匹配；
S5取S4中匹配数据点个数最多时的粒子集匹配的位姿估计基于最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T；
S6基于上一时刻k-1的机器人最终位姿估计[Xk-1 Zk-1 Θk-1]T，以及当前时刻k的假设位姿估计[uk vk Φk]T，利用卡尔曼滤波算法计算当前时刻k的最终位姿估计[Xk ZkΘk]T。
进一步地，所述S1包括：
预定义机器人的内外参数，建立双轮差动移动机器人里程计模型，其中机器人内外参数包括：车轮半径为r，光电码盘为p线/转，采样时间Δt内电机编码器输出的脉冲数为N；机器人左右驱动轮的半径相等，机器人坐标系原点定义在两轮的中心位置；机器人的运动路径是Δθk＝0的直线轨迹或半径为rk＝ΔDk/Δθk的圆弧轨迹；
车轮移动距离Δd为:
Δd＝2×(N/p)×πr
由相应的电机编码器计算出机器人左右轮的移动距离分别为ΔdL和ΔdR，机器人从位姿Rk＝(pk,qk,θk)T运动到Rk+1＝(pk+1,qk+1,θk+1)T；
机器人运动的距离为ΔDk＝(ΔdL+ΔdR)/2，机器人转过的角度为Δθk＝(ΔdL-ΔdR)/w。
进一步地，所述S2包括：
根据k时刻的状态模型，确定有状态预测方程：
x(k|k-1)＝x(k-1|k-1)+u(k-1)
P(k|k-1)＝P(k-1|k-1)+Q(k-1)
x(k-1|k-1)表示k-1帧时刻卡尔曼滤波最优化估计θk-1；P(k-1|k-1)为对应的协方差矩阵，u(k-1)为机器人角度信息改变量(ηk-φk)，Q(k-1)表示u(k-1)的协方差；获得k帧时刻的最优化估计：
x(k|k)＝x(k|k-1)+Kg(k)[Z(k)-x(k|k-1)]
其中Z(k)为机器人里程计角度估计值φk-1，设其对应的协方差矩阵为R(k)，Kg(k)为卡尔曼增益矩阵，表示为：
Kg(k)＝P(k|k-1)(P(k|k-1)+R(k))w1
同时更新k时刻对应卡尔曼估计的协方差矩阵P(k|k)：
P(k|k)＝P(k|k-1)(I-Kg(k)T)；
基于所述的里程计模型，利用机器人当前k时刻角度的精度优化估计θk，修正位置信息xk和zk，获得精度更高的内部里程计位姿估计[pk qk θk]T；其中，
圆弧模型方程表述为
直线模型方程表述为
进一步地，所述S4包括，
将机器人k时刻内部里程计位姿估计[pk qk θk]T划分为3D霍夫离散空间，在角度pk邻域范围[pk-Δpk pk+Δpk]、角度qk邻域范围[qk-Δqk qk+Δqk]和角度θk邻域范围[θk-Δφk θk+Δφk]，将其分别离散为Np,k、Nq,k、Nθ,k个离散子空间，此时位置和角度分辨率为2Δpk/Np,k、2Δqk/Nq,k、2Δφk/Nθ,k，每个离散子空间对应机器人位姿估计的一个分量，相当于基元参数的累加器数组；
依次选取离散子空间的机器人位姿估计，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配，记每次匹配数据点的个数为Nk,i，i＝1,...NΔ,k；
对当前地图粒子集f<n,m>对应的离散子空间粒子集匹配数目进行统计，统计值越大，所对应的机器人位姿估计概率越大。
进一步地，所述S5包括：
根据离散子空间粒子集匹配数目统计值最大时的粒子集匹配的位姿估计基于最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T，不直接求解机器人的位姿向量，牛顿法主要是计算当前位姿观测值P＝[pk qk θk]T的偏称量X，而得到实际机器人的位姿估计[uk vk φk]T：P′＝P-X
已知粒子集匹配的位姿估计变化值E可能求解X。因此有：
JX＝E
其中J为雅克比矩阵，即如果匹配点的数目较多，则可以通过最小二乘法来计算X，即：
JTJx＝JTe
机器人的位姿为3DOF列向量[x,z,θ]T，表示机器人在全局坐标系下前向、侧向方向上的位移，以及机器人的偏航角(yaw)。
为达到上述发明目的本发明双轮差速移动机器人定位系统，包括：
当前位置确定单元，用于基于双轮差速移动机器人的里程计模型，确定当前时刻内部里程计数据[xk zk φk]T、内部陀螺仪航向角ηk；
里程位姿优化单元，用于基于角度信息值ηk和φk，利用卡尔曼滤波算法对机器人当前航向角进行精度优化，基于所述里程计模型，对位置数据xk和zk进行修正，得到内部里程计位姿估计[pk qk θk]T；
环境特征获取单元，用于获取环境特征生成粒子集
离子集匹配单元，用于根据后验概率算法针对移动机器人位姿估计信息进行预定邻域范围内的离散化处理，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配；
假设位姿估计单元，用于取S4中匹配数据点个数最多时的粒子集匹配的位姿估计利用最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T；
最终位姿估计输出单元，用于基于上一时刻k-1的机器人最优位姿估计[Xk-1 Zk-1Θk-1]T，以及当前时刻k的假设位姿估计[uk vk φk]T，利用卡尔曼滤波算法计算当前时刻k的机器人最优位姿估计[Xk Zk Θk]T。
进一步地，当前位置确定单元包括：
机器人参数输入模块，用于获取用户预定义的机器人内外参数，所述机器人内外参数包括：车轮半径为r，光电码盘为p线/转，采样时间Δt时间内电机编码器输出的脉冲数为N；两轮的间距为w，机器人左右驱动轮的半径相等，机器人坐标系原点定义在两轮的中心位置；机器人的运动路径看作是Δθk＝0的直线轨迹或半径为rk＝ΔDk/Δθk的圆弧轨迹；
双轮差速运动模型建立模块，用于根据所述机器人参数输入模块获取的机器人内外参数建立移动机器人双轮差速运动模型，其中所述的双轮差速运动模型的描述：
该车轮移动距离Δd为:
Δd＝2×(N/p)×πr；
由相应的电机编码器计算出机器人左右轮的移动距离分别为ΔdL和ΔdR，机器人从位姿Rk＝(pk,qk,θkk)T运动到Rk+1＝(pk+1,qk+1,θkk+1)T；
机器人运动的距离为ΔDk＝(ΔdL+ΔdR)/2，机器人转过的角度为Δθk＝(ΔdL-ΔdR)/w。
进一步地，所述里程位姿优化单元包括：
最优角度估计及相应协方差矩阵确定模块，用于根据k时刻的状态模型，确定状态预测方程：
x(k|k-1)＝x(k-1|k-1)+u(k-1)
P(k|k-1)＝P(k-1|k-1)+Q(k-1)
x(k-1|k-1)表示k-1帧时刻卡尔曼滤波最优化估计θkk-1；P(k-1|k-1)为对应的协方差矩阵，u(k-1)为机器人角度信息改变量(ηk-φk)，Q(k-1)表示u(k-1)的协方差；获得k帧时刻的最优化估计：
x(k|k)＝x(k|k-1)+Kg(k)[Z(k)-x(k|k-1)]
其中Z(k)为机器人里程计角度估计值φk-1，其对应的协方差矩阵为R(k)；Kg(k)为卡尔曼增益矩阵，表示为：
Kg(k)＝P(k|k-1)(P(k|k-1)+R(k))-1
更新k时刻对应卡尔曼估计的协方差矩阵P(k|k)：
P(k|k)＝P(k|k-1)(I-Kg(k)T)；
修正位置信息模块，基于所述里程计模型，利用机器人当前k时刻角度的精确估计θkk，修正位置信息xk和zk，获得精度更高的内部里程计位姿估计[pk qk θk]T；其中，
圆弧模型方程可表述为
直线模型方程可表述为
进一步地，所述离子集匹配单元包括：
离散模块，用于将机器人k时刻内部里程计位姿估计[pk qk θk]T划分为3D霍夫离散空间，在角度pk邻域范围[pk-Δpk pk+Δpk]、角度qk邻域范围[qk-Δqk qk+Δqk]和角度θk邻域范围[θk-Δφk θkk+Δφk]，将其分别离散为Np,k、Nq,k、Nθ,k个离散子空间，此时位置和角度分辨率为2Δpk/Np,k、2Δqk/Nq,k、2Δφk/Nθ,k，每个离散子空间对应机器人位姿估计的一个分量，相当于基元参数的累加器数组；
匹配模块，用于依次选取离散子空间的机器人位姿估计，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配，每次匹配数据点的个数为Nk,i，i＝1,...NΔ,k；
统计模块，用于对其对应的离散子空间粒子集匹配数目进行统计，其中统计值越大，所对应的机器人位姿估计概率则越大。
借由上述方案，本发明双轮差速移动机器人定位方法及系统至少具有以下优点：
1、采用卡尔曼滤波算法，结合陀螺仪航向角数据获得精度较高的角度数据，避免了现有技术中移动机器人的双轮运动模块中角度信息对位姿估计影响较大的缺点。
2、根据激光和视觉所提取的周围环境特征样本粒子点，根据后验概率算法针对移动机器人位姿估计信息进行一定邻域范围内的离散化处理，这样可以获得更多的假设位姿，且其准确度更高。
3、确定样本粒子点匹配点正确对应数目最多时的假设位姿，不直接求解机器人的位姿向量，计算当前位姿观测值的偏称量，而得到实际机器人的位姿估计，基于最小二乘法计算机器人的假设位姿估计。
4、利用卡尔曼滤波算法以获得更准确的机器人最终位姿估计。实现了样本粒子点数量较少时，仍能获得机器人准确的相对位姿，鲁棒性好且实时性较高，对环境噪声具有自适应性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明双轮差速移动机器人定位方法及系统的实施例的双轮差速移动机器人里程计模型；
图2所示本发明双轮差速移动机器人定位方法实施例1的流程图。
具体实施方式
本发明提出一种双轮差速移动机器人定位方法及系统。首先针对移动机器人的双轮运动模块中角度信息对位姿估计影响较大的缺点，采用卡尔曼滤波算法，结合陀螺仪航向角数据获得精度较高的角度数据。根据激光和视觉所提取的周围环境特征样本粒子点，根据后验概率算法针对移动机器人位姿估计信息进行一定邻域范围内的离散化处理，这样可以获得更多的假设位姿，且其准确度更高。然后确定样本粒子点匹配点正确对应数目最多时的假设位姿，基于最小二乘法计算机器人的假设位姿估计。最后再利用卡尔曼滤波算法以获得更准确的机器人最终位姿估计。该算法针对样本粒子点数量较少时，仍能获得机器人准确的相对位姿，鲁棒性好且实时性较高，对环境噪声具有自适应性。
实施例1
本实施例双轮差速移动机器人定位方法，包括：
S1基于双轮差速移动机器人的里程计模型，确定当前时刻内部里程计数据[xk zkφk]T、内部陀螺仪航向角ηk；
S2基于角度信息值ηk和φk，利用卡尔曼滤波算法对机器人当前航向角进行精度优化，基于里程计模型，对位置数据xk和zk进行修正，得到内部里程计位姿估计[pk qk θk]T；
S3获取环境特征生成粒子集
S4根据后验概率算法针对移动机器人位姿估计信息进行预定邻域范围内的离散化处理，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配；
S5取S4中匹配数据点个数最多时的粒子集匹配的位姿估计利用最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T；
S6基于上一时刻k-1的机器人最优位姿估计[Xk-1 Zk-1 Θk-1]T，以及当前时刻k的假设位姿估计[uk vk φk]T，利用卡尔曼滤波算法计算当前时刻k的机器人最优位姿估计[XkZk Θk]T。
本实施例中，针对移动机器人的双轮运动模块中角度信息对位姿估计影响较大的缺点，采用卡尔曼滤波算法，结合陀螺仪航向角数据获得精度较高的角度数据。根据后验概率算法针对移动机器人位姿估计信息进行一定邻域范围内的离散化处理，这样可以获得更多的假设位姿，且其准确度更高。
本实施例中，根据离散子空间粒子集匹配数目统计值最大时的粒子集匹配的位姿估计基于最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T，不直接求解机器人的位姿向量，牛顿法主要是计算当前位姿观测值P＝[pk qk θk]T的偏称量X，而得到实际机器人的位姿估计[uk vk φk]T：P′＝P-X；
已知粒子集匹配的位姿估计变化值E可能求解X。因此有：
JX＝E，其中J为雅克比矩阵，即如果匹配点的数目较多，则可以通过最小二乘法来计算X，即：JTJx＝JTe。
机器人的位姿为3DOF列向量[x,z,θ]T，表示机器人在全局坐标系下前向、侧向方向上的位移，以及机器人的偏航角(yaw)。
本实施例，在样本粒子点数量较少时，仍能获得机器人准确的相对位姿，鲁棒性好且实时性较高，对环境噪声具有自适应性。
实施例2
本实施例双轮差速移动机器人定位方法，在实施例1的基础上，预定差速移动机器人的内外参数，建立移动机器人双轮差速运动模型，模型描述：设车轮半径为r，光电码盘为p线/转，Δt时间内电机编码器输出的脉冲数为N，则该车轮移动距离Δd为:Δd＝2×(N/p)×πr。
假设由相应的电机编码器计算出机器人左右轮的移动距离分别为ΔdL和ΔdR，且两轮的间距为w，机器人从位姿Rk＝(pk,qk,θk)T运动到Rk+1＝(pk+1,qk+1,θk+1)T。假设机器人左右驱动轮的半径相等，且机器人坐标系原点定义在两轮的中心位置，则机器人运动的距离为ΔDk＝(ΔdL+ΔdR)/2，机器人转过的角度为Δθk＝(ΔdL-ΔdR)/w。在采样时间Δt很小的情况下，可以把机器人的运动路径看作是Δθk＝0的直线轨迹或半径为rk＝ΔDk/Δθk的圆弧轨迹。
实施例3
本实施例双轮差速移动机器人定位方法，在实施例2的基础上，S2中具体包括：
已知k时刻的状态模型，有状态预测方程：
x(k|k-1)＝x(k-1|k-1)+u(k-1)
P(k|k-1)＝P(k-1|k-1)+Q(k-1)
设x(k-1|k-1)表示k-1帧时刻卡尔曼滤波最优化估计θk-1；设P(k-1|k-1)为对应的协方差矩阵，u(k-1)为机器人角度信息改变量(ηk-φk)，Q(k-1)表示u(k-1)的协方差。获得k帧时刻的最优化估计：
x(k|k)＝x(k|k-1)+Kg(k)[Z(k)-x(k|k-1)]
其中Z(k)为机器人里程计角度估计值φk-1，设其对应的协方差矩阵为R(k)。Kg(k)为卡尔曼增益矩阵，表示为：
Kg(k)＝P(k|k-1)(P(k|k-1)+R(k))-1
同时更新k时刻对应卡尔曼估计的协方差矩阵P(k|k)：
P(k|k)＝P(k|k-1)(I-Kg(k)T)
利用上述机器人当前k时刻角度的精确估计θk，并根据双轮差速移动机器人里程计模型，修正位置信息xk和zk，获得精度更高的内部里程计位姿估计θpk qk θk]T：
圆弧模型方程可表述为
直线模型方程可表述为
本实施例，卡尔曼滤波算法利用里程计角度和陀螺仪航向角作为预测模型，机器人的角度估计作为测量模型来更新机器人的角度及状态协方差矩阵。利用标准卡尔曼滤波的五个状态公式来获得机器人的最优角度估计及相应的协方差矩阵。
S4包括：
将机器人k时刻内部里程计位姿估计[pk qk θk]T划分为3D霍夫离散空间，在角度pk邻域范围[pk-Δpk pk+Δpk]、角度qk邻域范围[qk-Δqk qk+Δqk]和角度θk邻域范围[θk-Δφk θk+Δφk]，将其分别离散为Np,k、Nq,k、Nθ,k个离散子空间，此时位置和角度分辨率为2Δpk/Np,k、2Δqk/Nq,k、2Δφk/Nθ,k，每个离散子空间对应机器人位姿估计的一个分量，相当于基元参数的累加器数组；
依次选取离散子空间的机器人位姿估计，，进行外部特征粒子集与当前地图粒子集f<n,m〉的匹配，记每次匹配数据点的个数为Nk,i，i＝1,...NΔ,k；
对其对应的离散子空间粒子集匹配数目进行统计，统计值越大，所对应的机器人位姿估计概率则越大。
实施例4
本实施例双轮差速移动机器人定位系统，可以用来运行实施例1方法，本实施例系统包括：
当前位置确定单元，用于基于双轮差速移动机器人的里程计模型，确定当前时刻内部里程计数据[xk zk φk]T、内部陀螺仪航向角ηk；
里程位姿优化单元，用于基于角度信息值ηk和φk，利用卡尔曼滤波算法对机器人当前航向角进行精度优化，基于里程计模型，对位置数据xk和zk进行修正，得到内部里程计位姿估计[pk qk θk]T；
环境特征获取单元，用于获取环境特征生成粒子集
离子集匹配单元，用于根据后验概率算法针对移动机器人位姿估计信息进行预定邻域范围内的离散化处理，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配；
假设位姿估计单元，用于取S4中匹配数据点个数最多时的粒子集匹配的位姿估计利用最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T；
最终位姿估计输出单元，用于基于上一时刻k-1的机器人最优位姿估计[Xk-1 Zk-1Θk-1]T，以及当前时刻k的假设位姿估计[uk vk φk]T，利用卡尔曼滤波算法计算当前时刻k的机器人最优位姿估计[Xk Zk Θk]T。
本实施例，在运行过程中的相对于现有技术的优点和上述实施例1中的优点相同，在此不再赘述。
实施例5
本实施例双轮差速移动机器人定位系统，在实施例4的基础上，
当前位置确定单元包括：
机器人参数输入模块，用于获取用户预定义的机器人内外参数，机器人内外参数包括：车轮半径为r，光电码盘为p线/转，采样时间Δt时间内电机编码器输出的脉冲数为N；两轮的间距为w，机器人左右驱动轮的半径相等，机器人坐标系原点定义在两轮的中心位置；机器人的运动路径看作是Δθk＝0的直线轨迹或半径为rk＝ΔDk/Δθk的圆弧轨迹；
双轮差速运动模型建立模块，用于根据机器人参数输入模块获取的机器人内外参数建立移动机器人双轮差速运动模型，其中双轮差速运动模型的描述：
该车轮移动距离Δd为:
Δd＝2×(N/p)×πr；
由相应的电机编码器计算出机器人左右轮的移动距离分别为ΔdL和ΔdR，机器人从位姿Rk＝(pk,qk,θk)T运动到Rk+1＝(pk+1,qk+1,θk+1)T；
机器人运动的距离为ΔDk＝(ΔdL+ΔdR)/2，机器人转过的角度为Δθk＝(ΔdL-ΔdR)/w。
里程位姿优化单元包括：
最优角度估计及相应协方差矩阵确定模块，用于根据k时刻的状态模型，确定状态预测方程：
x(k|k-1)＝x(k-1|k-1)+u(k-1)
P(k|k-1)＝P(k-1|k-1)+Q(k-1)
x(k-1|k-1)表示k-1帧时刻卡尔曼滤波最优化估计θk-1；P(k-1|k-1)为对应的协方差矩阵，u(k-1)为机器人角度信息改变量(ηk-φk)，Q(k-1)表示u(k-1)的协方差；获得k帧时刻的最优化估计：
x(k|k)＝x(k|k-1)+Kg(k)[Z(k)-x(k|k-1)]
其中Z(k)为机器人里程计角度估计值φk-1，其对应的协方差矩阵为R(k)；Kg(k)为卡尔曼增益矩阵，表示为：
Kg(k)＝P(k|k-1)(P(k|k-1)+R(k))-1
更新k时刻对应卡尔曼估计的协方差矩阵P(k|k)：
P(k|k)＝P(k|k-1)(I-Kg(k)T)；
修正位置信息模块，基于里程计模型，利用机器人当前k时刻角度的精确估计θk，修正位置信息xk和zk，获得精度更高的内部里程计位姿估计[pk qk θk]T；其中，
圆弧模型方程可表述为
直线模型方程可表述为
离子集匹配单元包括：
离散模块，用于将机器人k时刻内部里程计位姿估计[pk qk θk]T划分为3D霍夫离散空间，在角度pk邻域范围[pk-Δpk pk+Δpk]、角度qk邻域范围[qk-Δqk qk+Δqk]和角度θk邻域范围[θk-Δφk θk+Δφk]，将其分别离散为Np,k、Nq,k、Nθ,k个离散子空间，此时位置和角度分辨率为2Δpk/Np,k、2Δqk/Nq,k、2Δφk/Nθ,k，每个离散子空间对应机器人位姿估计的一个分量，相当于基元参数的累加器数组；
匹配模块，用于依次选取离散子空间的机器人位姿估计，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配，每次匹配数据点的个数为Nk,i，i＝1,...NΔ,k；
统计模块，用于对其对应的离散子空间粒子集匹配数目进行统计，其中统计值越大，所对应的机器人位姿估计概率则越大。
上述各实施例中，移动机器人能够获得其内部里程计、陀螺仪以及外部传感器激光或视觉特征数据，已知的地图粒子集数据。基于外部传感器激光或视觉所获得的环境特征生成粒子集主要包括激光传感器的角度和距离数据点，或视觉图像特征匹配点所对应的空间3D自然路标点数据点等外部传感器观测数据点集。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种双轮差速移动机器人定位方法，其特征在于，包括：
S1基于双轮差动移动机器人里程计模型，确定当前时刻里程计数据[xk zk φk]T、内部陀螺仪航向角ηk；
S2基于角度信息ηk和φk，利用卡尔曼滤波算法对机器人当前航向角φk进行精度优化；基于所述的里程计模型，对位置数据xk和zk进行修正；得到优化后的内部里程计位姿估计[pk qk θk]T；
S3获取的环境特征生成粒子集
S4根据后验概率算法对内部里程计位姿估计[pk qk θk]T进行预定邻域范围内的离散化处理，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配；
S5取S4中匹配数据点个数最多时的粒子集匹配的位姿估计基于最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T；
S6基于上一时刻k-1的机器人最终位姿估计[Xk-1 Zk-1 Θk-1]T，以及当前时刻k的假设位姿估计[uk vk φk]T，利用卡尔曼滤波算法计算当前时刻k的最终位姿估计[Xk Zk Θk]T。
2.根据权利要求1所述的双轮差速移动机器人定位方法，其特征在于，所述S1包括：
预定义机器人的内外参数，建立双轮差动移动机器人里程计模型，其中机器人内外参数包括：车轮半径为r，光电码盘为p线/转，采样时间Δt内电机编码器输出的脉冲数为N；机器人左右驱动轮的半径相等，机器人坐标系原点定义在两轮的中心位置；机器人的运动路径是Δθk＝0的直线轨迹或半径为rk＝ΔDk/θk的圆弧轨迹；
车轮移动距离Δd为:
Δd＝2×(N/p)×πr
由相应的电机编码器计算出机器人左右轮的移动距离分别为ΔdL和ΔdR，机器人从位姿Rk＝(pk,qk,θk)T运动到Rk+1＝(pk+1,qk+1,θk+1)T；
机器人运动的距离为ΔDk＝(ΔdL+ΔdR)/2，机器人转过的角度为Δθk＝(ΔdL-ΔdR)/w。
3.根据权利要求1所述的双轮差速移动机器人定位方法，其特征在于，所述S2包括：
根据k时刻的状态模型，确定有状态预测方程：
x(k|k-1)＝x(k-1|k-1)+u(k-1)
P(k|k-1)＝P(k-1|k-1)+Q(k-1)
x(k-1|k-1)表示k-1帧时刻卡尔曼滤波最优化估计θk-1；P(k-1|k-1)为对应的协方差矩阵，u(k-1)为机器人角度信息改变量(ηk-φk)，Q(k-1)表示u(k-1)的协方差；获得k帧时刻的最优化估计：
x(k|k)＝x(k|k-1)+Kg(k)[Z(k)-x(k|k-1)]
其中Z(k)为机器人里程计角度估计值φk-1，设其对应的协方差矩阵为R(k)，Kg(k)为卡尔曼增益矩阵，表示为：
Kg(k)＝P(k|k-1)(P(k|k-1)+R(k))-1
同时更新k时刻对应卡尔曼估计的协方差矩阵P(k|k)：
P(k|k)＝P(k|k-1)(I-Kg(k)T)；
基于所述的里程计模型，利用机器人当前k时刻角度的精度优化估计θk，修正位置信息xk和zk，获得精度更高的内部里程计位姿估计[pk qk θk]T；其中，
圆弧模型方程表述为
直线模型方程表述为
4.根据权利要求1所述的双轮差速移动机器人定位方法，其特征在于，所述S4包括，
将机器人k时刻内部里程计位姿估计[pk qk θk]T划分为3D霍夫离散空间，在角度pk邻域范围[pk-Δpk pk+Δpk]、角度qk邻域范围[qk-Δqk qk+Δqk]和角度θk邻域范围[θk-Δφk θk+Δφk]，将其分别离散为Np,k、Nq,k、Nθ,k个离散子空间，此时位置和角度分辨率为2Δpk/Np,k、2Δqk/Nq,k、2Δφk/Nθ,k，每个离散子空间对应机器人位姿估计的一个分量，相当于基元参数的累加器数组；
依次选取离散子空间的机器人位姿估计，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配，记每次匹配数据点的个数为Nk,i，i＝1,...NΔ,k；
对当前地图粒子集f<n,m>对应的离散子空间粒子集匹配数目进行统计，统计值越大，所对应的机器人位姿估计概率越大。
5.根据权利要求1所述的最小二乘法计算当前时刻的假设位姿估计，其特征在于，所述S5包括：
根据离散子空间粒子集匹配数目统计值最大时的粒子集匹配的位姿估计基于最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T，不直接求解机器人的位姿向量，牛顿法主要是计算当前位姿观测值P＝[pk qk θk]T的偏称量X，而得到实际机器人的位姿估计[uk vk φk]T：
P′＝P-X
已知粒子集匹配的位姿估计变化值E可能求解X。因此有：
JX＝E
其中J为雅克比矩阵，即如果匹配点的数目较多，则可以通过最小二乘法来计算X，即：
JTJx＝JTe
机器人的位姿为3DOF列向量[x,z,θ]T，表示机器人在全局坐标系下前向、侧向方向上的位移，以及机器人的偏航角(yaw)。
6.一种双轮差速移动机器人定位系统，其特征在于，包括：
当前位置确定单元，用于基于双轮差速移动机器人的里程计模型，确定当前时刻内部里程计数据[xk zk φk]T、内部陀螺仪航向角ηk；
里程位姿优化单元，用于基于角度信息值ηk和φk，利用卡尔曼滤波算法对机器人当前航向角进行精度优化，基于所述里程计模型，对位置数据xk和zk进行修正，得到内部里程计位姿估计[pk qk θk]T；
环境特征获取单元，用于获取环境特征生成粒子集
离子集匹配单元，用于根据后验概率算法针对移动机器人位姿估计信息进行预定邻域范围内的离散化处理，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配；
假设位姿估计单元，用于取S4中匹配数据点个数最多时的粒子集匹配的位姿估计利用最小二乘法计算当前时刻k的假设位姿估计[uk vk φk]T；
最终位姿估计输出单元，用于基于上一时刻k-1的机器人最优位姿估计[Xk-1 Zk-1Θk-1]T，以及当前时刻k的假设位姿估计[uk vk φk]T，利用卡尔曼滤波算法计算当前时刻k的机器人最优位姿估计[Xk Zk Θk]T。
7.根据权利要求6所述的双轮差速移动机器人定位方法，其特征在于，当前位置确定单元包括：
机器人参数输入模块，用于获取用户预定义的机器人内外参数，所述机器人内外参数包括：车轮半径为r，光电码盘为p线/转，采样时间Δt时间内电机编码器输出的脉冲数为N；两轮的间距为w，机器人左右驱动轮的半径相等，机器人坐标系原点定义在两轮的中心位置；机器人的运动路径是Δθk＝0的直线轨迹或半径为rk＝ΔDk/Δθk的圆弧轨迹；
双轮差速运动模型建立模块，用于根据所述机器人参数输入模块获取的机器人内外参数建立移动机器人双轮差速运动模型，其中所述的双轮差速运动模型的描述：
该车轮移动距离Δd为:
Δd＝2×(N/p)×πr；
由相应的电机编码器计算出机器人左右轮的移动距离分别为ΔdL和ΔdR，机器人从位姿Rk＝(pk,qk,θk)T运动到Rk+1＝(pk+1,qk+1,θk+1)T；
机器人运动的距离为ΔDk＝(ΔdL+ΔdR)/2，机器人转过的角度为Δθk＝(ΔdL-ΔdR)/w。
8.根据权利要求6所述的双轮差速移动机器人定位方法，其特征在于，所述里程位姿优化单元包括：
最优角度估计及相应协方差矩阵确定模块，用于根据k时刻的状态模型，确定状态预测方程：
x(k|k-1)＝x(k-1|k-1)+u(k-1)
P(k|k-1)＝P(k-1|k-1)+Q(k-1)
x(k-1|k-1)表示k-1帧时刻卡尔曼滤波最优化估计θk-1；P(k-1|k-1)为对应的协方差矩阵，u(k-1)为机器人角度信息改变量(ηk-φk)，Q(k-1)表示u(k-1)的协方差；获得k帧时刻的最优化估计：
x(k|k)＝x(k|k-1)+Kg(k)[Z(k)-x(k|k-1)]
其中Z(k)为机器人里程计角度估计值φk-1，其对应的协方差矩阵为R(k)；Kg(k)为卡尔曼增益矩阵，表示为：
Kg(k)＝P(k|k-1)(P(k|k-1)+R(k))-1
更新k时刻对应卡尔曼估计的协方差矩阵P(k|k)：
P(k|k)＝P(k|k-1)(I-Kg(k)T)；
修正位置信息模块，基于所述里程计模型，利用机器人当前k时刻角度的精确估计θk，修正位置信息xk和zk，获得精度更高的内部里程计位姿估计[pk qk θk]T；其中，
圆弧模型方程可表述为
直线模型方程可表述为
9.根据权利要求6所述的双轮差速移动机器人定位方法，其特征在于，所述离子集匹配单元包括：
离散模块，用于将机器人k时刻内部里程计位姿估计[pk qk θk]T划分为3D霍夫离散空间，在角度pk邻域范围[pk-Δpk pk+Δpk]、角度qk邻域范围[qk-Δqk qk+Δqk]和角度θk邻域范围[θk-Δφk θk+Δφk]，将其分别离散为Np,k、Nq,k、Nθ,k个离散子空间，此时位置和角度分辨率为2Δpk/Np,k、2Δqk/Nq,k、2Δφk/Nθ,k，每个离散子空间对应机器人位姿估计的一个分量，相当于基元参数的累加器数组；
匹配模块，用于依次选取离散子空间的机器人位姿估计，进行外部特征粒子集与当前地图粒子集f<n,m>的匹配，每次匹配数据点的个数为Nk,i，i＝1,...NΔ,k；
统计模块，用于对其对应的离散子空间粒子集匹配数目进行统计，其中统计值越大，所对应的机器人位姿估计概率则越大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810763106.5A CN108955688B (zh) | 2018-07-12 | 2018-07-12 | 双轮差速移动机器人定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810763106.5A CN108955688B (zh) | 2018-07-12 | 2018-07-12 | 双轮差速移动机器人定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108955688A true CN108955688A (zh) | 2018-12-07 |
| CN108955688B CN108955688B (zh) | 2021-12-28 |
Family
ID=64482836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810763106.5A Active CN108955688B (zh) | 2018-07-12 | 2018-07-12 | 双轮差速移动机器人定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108955688B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110285803A (zh) * | 2019-06-26 | 2019-09-27 | 北京海益同展信息科技有限公司 | 底盘定位方法、装置、设备及计算机可读存储介质 |
| CN110293563A (zh) * | 2019-06-28 | 2019-10-01 | 炬星科技（深圳）有限公司 | 估计机器人位姿的方法、设备及存储介质 |
| CN110440806A (zh) * | 2019-08-12 | 2019-11-12 | 苏州寻迹智行机器人技术有限公司 | 一种激光与二维码融合的agv精确定位方法 |
| CN110514220A (zh) * | 2019-09-22 | 2019-11-29 | 武汉中海庭数据技术有限公司 | 一种车辆里程校准方法、装置及存储介质 |
| CN110530399A (zh) * | 2019-09-06 | 2019-12-03 | 苏州寻迹智行机器人技术有限公司 | 双轮差速移动机器人里程计标定的轮间距修正方法 |
| CN110645976A (zh) * | 2019-10-16 | 2020-01-03 | 浙江大华技术股份有限公司 | 一种移动机器人的姿态估计方法及终端设备 |
| CN111098335A (zh) * | 2019-12-26 | 2020-05-05 | 浙江欣奕华智能科技有限公司 | 一种双轮差速驱动机器人里程计标定方法及装置 |
| CN111256727A (zh) * | 2020-02-19 | 2020-06-09 | 广州蓝胖子机器人有限公司 | 一种基于Augmented EKF的提高里程计精度的方法 |
| CN111351497A (zh) * | 2018-12-20 | 2020-06-30 | 北京初速度科技有限公司 | 一种车辆的定位方法、装置、地图的构建方法和装置 |
| CN111624990A (zh) * | 2019-02-28 | 2020-09-04 | 富华科精密工业（深圳）有限公司 | 自动导航方法、服务器及存储介质 |
| CN112729349A (zh) * | 2021-03-29 | 2021-04-30 | 浙江欣奕华智能科技有限公司 | 里程计在线标定的方法、装置、电子设备及存储介质 |
| CN112947481A (zh) * | 2021-03-24 | 2021-06-11 | 南京理工大学泰州科技学院 | 一种家庭服务机器人自主定位控制方法 |
| CN113048978A (zh) * | 2021-02-01 | 2021-06-29 | 苏州澜途科技有限公司 | 移动机器人重定位方法及移动机器人 |
| CN113189613A (zh) * | 2021-01-25 | 2021-07-30 | 广东工业大学 | 一种基于粒子滤波的机器人定位方法 |
| CN113375658A (zh) * | 2021-06-15 | 2021-09-10 | 电子科技大学中山学院 | 移动机器人故障下同时fdd和slam的方法及系统 |
| CN113989371A (zh) * | 2021-10-28 | 2022-01-28 | 山东大学 | 一种基于视觉的模块化平台相对位姿估计系统 |
| CN117722997A (zh) * | 2024-02-07 | 2024-03-19 | 哈尔滨工业大学 | 一种结构厚度连续手动超声成像测量方法及扫查装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852615A (zh) * | 2010-05-18 | 2010-10-06 | 南京航空航天大学 | 一种用于惯性组合导航系统中的改进混合高斯粒子滤波方法 |
| US20140005933A1 (en) * | 2011-09-30 | 2014-01-02 | Evolution Robotics, Inc. | Adaptive Mapping with Spatial Summaries of Sensor Data |
| CN105411490A (zh) * | 2015-10-26 | 2016-03-23 | 曾彦平 | 移动机器人的实时定位方法及移动机器人 |
| CN106599368A (zh) * | 2016-11-14 | 2017-04-26 | 浙江大学 | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 |
| CN107741745A (zh) * | 2017-09-19 | 2018-02-27 | 浙江大学 | 一种实现移动机器人自主定位与地图构建的方法 |
-
2018
- 2018-07-12 CN CN201810763106.5A patent/CN108955688B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852615A (zh) * | 2010-05-18 | 2010-10-06 | 南京航空航天大学 | 一种用于惯性组合导航系统中的改进混合高斯粒子滤波方法 |
| US20140005933A1 (en) * | 2011-09-30 | 2014-01-02 | Evolution Robotics, Inc. | Adaptive Mapping with Spatial Summaries of Sensor Data |
| CN105411490A (zh) * | 2015-10-26 | 2016-03-23 | 曾彦平 | 移动机器人的实时定位方法及移动机器人 |
| CN106599368A (zh) * | 2016-11-14 | 2017-04-26 | 浙江大学 | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 |
| CN107741745A (zh) * | 2017-09-19 | 2018-02-27 | 浙江大学 | 一种实现移动机器人自主定位与地图构建的方法 |
Non-Patent Citations (2)
| Title |
|---|
| ARANEDA, A等: "Statistical inference in mapping and localization for mobile robots", 《ADVANCES IN ARTIFICIAL INTELLIGENCE - IBERAMIA 2004》 * |
| 林睿: "基于图像特征点的移动机器人立体视觉SLAM研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111351497A (zh) * | 2018-12-20 | 2020-06-30 | 北京初速度科技有限公司 | 一种车辆的定位方法、装置、地图的构建方法和装置 |
| CN111351497B (zh) * | 2018-12-20 | 2022-06-03 | 北京魔门塔科技有限公司 | 一种车辆的定位方法、装置、地图的构建方法和装置 |
| CN111624990A (zh) * | 2019-02-28 | 2020-09-04 | 富华科精密工业（深圳）有限公司 | 自动导航方法、服务器及存储介质 |
| CN110285803A (zh) * | 2019-06-26 | 2019-09-27 | 北京海益同展信息科技有限公司 | 底盘定位方法、装置、设备及计算机可读存储介质 |
| CN110293563A (zh) * | 2019-06-28 | 2019-10-01 | 炬星科技（深圳）有限公司 | 估计机器人位姿的方法、设备及存储介质 |
| CN110293563B (zh) * | 2019-06-28 | 2022-07-26 | 炬星科技（深圳）有限公司 | 估计机器人位姿的方法、设备及存储介质 |
| CN110440806A (zh) * | 2019-08-12 | 2019-11-12 | 苏州寻迹智行机器人技术有限公司 | 一种激光与二维码融合的agv精确定位方法 |
| CN110530399A (zh) * | 2019-09-06 | 2019-12-03 | 苏州寻迹智行机器人技术有限公司 | 双轮差速移动机器人里程计标定的轮间距修正方法 |
| CN110514220A (zh) * | 2019-09-22 | 2019-11-29 | 武汉中海庭数据技术有限公司 | 一种车辆里程校准方法、装置及存储介质 |
| CN110645976B (zh) * | 2019-10-16 | 2021-09-14 | 浙江华睿科技股份有限公司 | 一种移动机器人的姿态估计方法及终端设备 |
| CN110645976A (zh) * | 2019-10-16 | 2020-01-03 | 浙江大华技术股份有限公司 | 一种移动机器人的姿态估计方法及终端设备 |
| CN111098335A (zh) * | 2019-12-26 | 2020-05-05 | 浙江欣奕华智能科技有限公司 | 一种双轮差速驱动机器人里程计标定方法及装置 |
| CN111256727A (zh) * | 2020-02-19 | 2020-06-09 | 广州蓝胖子机器人有限公司 | 一种基于Augmented EKF的提高里程计精度的方法 |
| CN113189613A (zh) * | 2021-01-25 | 2021-07-30 | 广东工业大学 | 一种基于粒子滤波的机器人定位方法 |
| CN113048978B (zh) * | 2021-02-01 | 2023-10-20 | 苏州澜途科技有限公司 | 移动机器人重定位方法及移动机器人 |
| CN113048978A (zh) * | 2021-02-01 | 2021-06-29 | 苏州澜途科技有限公司 | 移动机器人重定位方法及移动机器人 |
| CN112947481A (zh) * | 2021-03-24 | 2021-06-11 | 南京理工大学泰州科技学院 | 一种家庭服务机器人自主定位控制方法 |
| CN112947481B (zh) * | 2021-03-24 | 2022-11-15 | 南京理工大学泰州科技学院 | 一种家庭服务机器人自主定位控制方法 |
| CN112729349A (zh) * | 2021-03-29 | 2021-04-30 | 浙江欣奕华智能科技有限公司 | 里程计在线标定的方法、装置、电子设备及存储介质 |
| CN113375658A (zh) * | 2021-06-15 | 2021-09-10 | 电子科技大学中山学院 | 移动机器人故障下同时fdd和slam的方法及系统 |
| CN113375658B (zh) * | 2021-06-15 | 2023-05-09 | 电子科技大学中山学院 | 移动机器人故障下同时fdd和slam的方法及系统 |
| CN113989371A (zh) * | 2021-10-28 | 2022-01-28 | 山东大学 | 一种基于视觉的模块化平台相对位姿估计系统 |
| CN113989371B (zh) * | 2021-10-28 | 2024-05-03 | 山东大学 | 一种基于视觉的模块化平台相对位姿估计系统 |
| CN117722997A (zh) * | 2024-02-07 | 2024-03-19 | 哈尔滨工业大学 | 一种结构厚度连续手动超声成像测量方法及扫查装置 |
| CN117722997B (zh) * | 2024-02-07 | 2024-04-23 | 哈尔滨工业大学 | 一种结构厚度连续手动超声成像测量方法及扫查装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108955688B (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108955688A (zh) | 双轮差速移动机器人定位方法及系统 | |
| US10489650B2 (en) | Systems and methods for providing vehicle cognition | |
| CN107246868B (zh) | 一种协同导航定位系统及导航定位方法 | |
| CN102538781B (zh) | 基于机器视觉和惯导融合的移动机器人运动姿态估计方法 | |
| KR101769284B1 (ko) | 연계된 형태 쌍들을 사용하는 미확인 차량 회수 | |
| CN102460074B (zh) | 用于组合三维位置和二维强度地图绘制进行定位的方法和装置 | |
| CN112197770B (zh) | 一种机器人的定位方法及其定位装置 | |
| CA3029940C (en) | System and method for localizing a trackee at a location and mapping the location using transitions | |
| CN108961811B (zh) | 停车场车辆定位方法、系统、移动终端及存储介质 | |
| CN103175524B (zh) | 一种无标识环境下基于视觉的飞行器位置与姿态确定方法 | |
| CN107229063A (zh) | 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法 | |
| CN107478214A (zh) | 一种基于多传感器融合的室内定位方法及系统 | |
| CN109282808B (zh) | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 | |
| WO2017008454A1 (zh) | 一种机器人的定位方法 | |
| CN111263960B (zh) | 用于更新高清晰度地图的设备和方法 | |
| CA3086261A1 (en) | Vehicle tracking | |
| Wang et al. | Vehicle localization at an intersection using a traffic light map | |
| CN111006655A (zh) | 机场巡检机器人多场景自主导航定位方法 | |
| Mueller et al. | GIS-based topological robot localization through LIDAR crossroad detection | |
| Li et al. | Hierarchical neighborhood based precise localization for intelligent vehicles in urban environments | |
| Hoang et al. | A simplified solution to motion estimation using an omnidirectional camera and a 2-D LRF sensor | |
| Krejsa et al. | Fusion of local and global sensory information in mobile robot outdoor localization task | |
| Chen et al. | A single frame depth visual gyroscope and its integration for robot navigation and mapping in structured indoor environments | |
| CN106325269B (zh) | 基于里程计和磁传感器的两轮平衡车路径校正装置及方法 | |
| US20230280178A1 (en) | Method, apparatus, and computer program product for differential variable count entity output head for map generation |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220629 Address after: Room D310, South third floor, huanxiuhu building, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province (cluster registration) Patentee after: Suzhou lantu Technology Co.,Ltd. Address before: 215000 8 Ji Xue Road, Xiangcheng District, Suzhou, Jiangsu. Patentee before: SOOCHOW University |