CN109141393B - 重定位方法、设备及存储介质 - Google Patents
重定位方法、设备及存储介质 Download PDFInfo
- Publication number
- CN109141393B CN109141393B CN201810709562.1A CN201810709562A CN109141393B CN 109141393 B CN109141393 B CN 109141393B CN 201810709562 A CN201810709562 A CN 201810709562A CN 109141393 B CN109141393 B CN 109141393B
- Authority
- CN
- China
- Prior art keywords
- robot
- key frames
- frame
- current
- current position
- 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
Links
Images
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种重定位方法、设备及存储介质。该方法包括：在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧；若所有关键帧中包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则根据部分关键帧，完成重定位。本发明减少了重定位的计算量以及耗时。
Description
技术领域
本发明涉及定位技术领域，尤其涉及一种重定位方法、设备及存储介质。
背景技术
近年来，重定位问题已成为移动机器人领域备受关注的热点问题。
现有技术中，基于视觉传感器进行室内定位的机器人，在机器人重定位时，需要将当前图像帧的图像特征点，分别与地图数据所有关键帧各关键帧的图像特征点进行匹配，确定出匹配度大于一定阈值的目标关键帧，并根据确定出的目标关键帧，实现机器人的重定位。
然而，由于建图得到的关键帧的总数较大，因此存在重定位过程中计算量较大以及重定位耗时较长的问题。
发明内容
本发明实施例提供一种重定位方法、设备及存储介质，用以解决现有技术中重定位过程中计算量较大以及重定位耗时较长的问题。
第一方面，本发明实施例提供一种重定位方法，包括：
在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧；
若所有关键帧中包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则根据部分关键帧，完成重定位。
在一种可能实现的设计中，当部分关键帧的个数为一个时，根据部分关键帧，完成重定位，包括：
将一个部分关键帧作为目标关键帧，并根据目标关键帧以及机器人当前位置采集到的当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
在一种可能实现的设计中，当部分关键帧的个数为多个时，根据部分关键帧，完成重定位，包括：
将机器人当前位置采集到的当前图像帧与多个部分关键帧中的各关键帧进行特征匹配，确定出多个部分关键帧中与当前图像的特征匹配度满足预设条件的目标关键帧；
根据目标关键帧以及当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
在一种可能实现的设计中，该方法还包括：
若所有关键帧中不包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则将所有关键帧中与机器人当前位置的距离最小的关键帧作为目标关键帧；
根据目标关键帧以及机器人当前位置采集到的当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
在一种可能实现的设计中，在创建地图数据的过程中，记录采集到的图像帧与图像帧对应的标签位置信息的对应关系。
在一种可能实现的设计中，标签位置信息为超宽带UWB标签位置信息。
在一种可能实现的设计中，该方法还包括：在机器人运动的过程中，根据机器人当前位置的标签位置信息、机器人当前位置采集到的当前图像帧的图像特征点，当前图像帧的前一个关键帧的图像特征点以及前一个关键帧对应的标签位置信息，对机器人的当前运动状态进行运动估计。
第二方面，本发明实施例提供一种机器人，包括：
判断模块，用于在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧；
第一重定位模块，用于若所有关键帧中包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则根据部分关键帧，完成重定位。
在一种可能实现的设计中，当部分关键帧的个数为一个时，第一重定位模块用于根据部分关键帧，完成重定位，具体包括：
将一个部分关键帧作为目标关键帧，并根据目标关键帧以及机器人当前位置采集到的当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
在一种可能实现的设计中，当部分关键帧的个数为多个时，第一重定位模块用于根据部分关键帧，完成重定位，具体包括：
将机器人当前位置采集到的当前图像帧与多个部分关键帧中的各关键帧进行特征匹配，确定出多个部分关键帧中与当前图像的特征匹配度满足预设条件的目标关键帧；
根据目标关键帧以及当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
在一种可能实现的设计中，该机器人还包括：第二重定位模块用于：
若所有关键帧中不包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则将所有关键帧中与机器人当前位置的距离最小的关键帧作为目标关键帧；
根据目标关键帧以及机器人当前位置采集到的当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
在一种可能实现的设计中，该机器人还包括：记录模块，用于在创建地图数据的过程中，记录采集到的图像帧与图像帧对应的标签位置信息的对应关系。
在一种可能实现的设计中，标签位置信息为超宽带UWB标签位置信息。
在一种可能实现的设计中，该机器人还包括：运动估计模块用于：
在机器人运动的过程中，根据机器人当前位置的标签位置信息、机器人当前位置采集到的当前图像帧的图像特征点，当前图像帧的前一个关键帧的图像特征点以及前一个关键帧对应的标签位置信息，对机器人的当前运动状态进行运动估计。
第三方面，本发明实施例提供一种机器人，包括：至少一个处理器和存储器；
存储器存储计算机执行指令；
至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上述第一方面任一项的重定位方法。
第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上述第一方面任一项的重定位方法。
本申请实施例提供的重定位方法、设备及存储介质，通过在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，若是，根据部分关键帧，完成重定位，实现了将所有关键帧中的部分关键帧与当前图像帧进行特征点匹配，与现有技术中将所有关键帧与当前图像帧进行特征点匹配相比，减小了与当前图像帧进行特征点匹配的关键帧的数目，从而减少了重定位的计算量以及定位耗时。
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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的重定位方法的流程图；
图2为本发明一实施例提供的重定位方法的示意图。
图3为本发明另一实施例提供的重定位方法的流程图；
图4为本发明一实施例提供的机器人的结构示意图；
图5为本发明另一实施例提供的机器人的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，基于视觉传感器进行室内定位的机器人，在重定位时，需要将当前位置采集到的图像帧，与地图数据中的所有关键帧分别进行特征点匹配，才能完成重定位。
但是，地图数据中关键帧的数据较多，且对图像帧进行特征点匹配需要消耗一定的时间以及资源，因此存在重定位过程中计算量较大以及重定位耗时较长的问题。
基于上述问题，本发明实施例提供一种重定位方法、设备及存储介质，在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自的标签位置信息，确定出所有关键帧中与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，并根据部分关键帧完成重定位，完成重定位，减小了与当前图像帧进行特征点匹配的关键帧的数目，从而减少了计算量以及定位耗时。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明一实施例提供的重定位方法的流程图。本实施例的方法的执行主体可以为可以机器人，例如可以为扫地机器人等。如图1所示，本实施例的方法可以包括：
步骤101，在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧。
本步骤中，标签位置信息具体可以为能够通过标签获得的位置信息，例如超宽带(Ultra Wideband，UWB)标签位置信息。可选的，机器人上可以设置有定位标签，室内可以设置有多个定位基站(例如，4个定位基站)，通过机器人上的定位标签与多个定位基站之间的通信，可以获得机器人当前位置的标签位置信息。需要说明的是，关于获得机器人当前位置的标签定位信息的具体方式，本发明并不作限制。
其中，地图数据可以基于视觉传感器，例如双目视觉传感器获得，地图数据中可以包括所有图像帧中各图像帧的图像特征点的特征点信息，例如角度、距离等，以及图像帧对应的标签位置信息。可选的，地图数据中的所有图像帧均可以作为关键帧，或者，所有图像帧中符合一定条件的图像帧可以作为关键帧。需要说明的是，一个图像帧中图像特征点的个数可以为一个或多个，本发明对此可以不作限定。
由于地图数据中的所有关键帧均存在对应的标签位置信息，因此可以根据机器人当前位置的标签位置信息以及所有关键帧各自对应的标签位置信息，判断所有关键帧中是否存在与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧。具体的，可以计算所有关键帧中各关键帧对应的标签位置信息以及机器人当前位置的标签位置信息，确定各关键帧与机器人当前位置的距离。例如，如图2所示，假设机器人当前位置的标签位置信息指示的位置为位置O，地图数据中关键帧i对应的标签位置信息所指示的位置为Li，i等于1至10，预设距离阈值为R，则关键帧1-关键帧10中部分关键帧包括关键帧2、关键帧3和关键帧5。
步骤102，若所有关键帧中包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则根据部分关键帧，完成重定位。
本步骤中，当所有关键帧中包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧时，可以只根据部分关键帧即可完成重定位。需要说明的是，对于根据部分关键帧，完成重定位的具体方式，本发明可以不作限定。例如，可以将机器人当前位置采集到的当前图像帧的图像特征点与部分关键帧的图像特征点进行特征匹配，确定出与当前图像帧的特征匹配度大于或等于一定阈值的目标关键帧，并根据目标关键帧完成重定位。
需要说明的是，由于根据两个标签位置信息确定距离的计算量，远小于根据两个图像帧确定特征匹配度的计算量，因此，本实施例中先确定所有关键帧中与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，再根据部分关键帧完成重定位，与将所有关键帧与当前图像帧进行特征点匹配相比以完成重定位相比，可以大大减少计算量以及定位耗时。
本实施例提供的重定位方法，通过在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，若是，根据部分关键帧，完成重定位，实现了将所有关键帧中的部分关键帧与当前图像帧进行特征点匹配，与现有技术中将所有关键帧与当前图像帧进行特征点匹配相比，减小了与当前图像帧进行特征点匹配的关键帧的数目，从而减少了重定位的计算量以及定位耗时。
图3为本发明另一实施例提供的重定位方法的流程图。本实施例的方法在图1所示方法实施例的基础上，主要描述了若所有关键帧中不包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧的一种可选的实现方式。如图3所示，本实施例的方法可以包括：
步骤301，在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧。
本步骤中，若所有关键帧中包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则执行步骤302。若所有关键帧中不包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则执行步骤303。
需要说明的是，步骤301与步骤101类似，在此不再赘述。
可选的，当地图数据由机器人创建时，步骤301之前还可以包括：在创建地图数据的过程中，记录采集到的图像帧与图像帧对应的标签位置信息的对应关系。具体的，在现有创建地图数据的基础上，还可以记录图像帧与标签位置信息的对应关系。例如，当机器人在位置L1采集得到图像帧1时，进一步还可以在位置1获取标签位置信息1，并记录标签位置信息1与图像帧1的对应关系。
步骤302，根据部分关键帧，完成重定位。
本步骤中，可选的，当部分关键帧的个数为一个时，步骤302具体可以包括：将一个部分关键帧作为目标关键帧，并根据目标关键帧以及当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。其中，当前图像帧相对于目标关键帧的运动估计，例如可以为当前图像帧相对于目标关键帧的位移、角度等。这里，通过当只有一个部分关键帧时，直接将该部分关键帧作为目标关键帧，并根据目标关键帧以及当前图像帧，确定当前图像帧相对于目标关键帧的运动估计，可以避免对于当前图像帧与关键帧的特征点匹配处理，进一步减少了计算量和定位耗时。
当部分关键帧的个数为多个时，步骤302具体可以包括：将当前图像帧与多个部分关键帧中的各关键帧进行特征匹配，确定出多个部分关键帧中与当前图像的特征匹配度满足预设条件的目标关键帧；根据目标关键帧以及当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。可选的，确定出多个部分关键帧中与当前图像的特征匹配度满足预设条件的目标关键帧具体可以为：将特征匹配度最大的关键帧作为目标关键帧，或者，将特征匹配度大于或等于预设匹配度阈值的关键帧作为目标关键帧。
步骤303，将所有关键帧中与机器人当前位置的距离最小的关键帧作为目标关键帧，根据目标关键帧以及机器人当前位置采集到的当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
本步骤中，由于图像特征点对于颜色、光线以及环境中物件的摆放位置等环境信息非常敏感，因此当环境信息变换时，会存在地图数据中所有关键帧与当前图像帧的特征匹配度均较低的问题。这里，当所有关键帧中不包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧时，将所有关键帧中与机器人当前位置的距离最小的关键帧作为目标关键帧，可以避免由于环境信息变换，地图数据中所有关键帧与当前图像帧的特征匹配度均较低，无法确定出目标关键帧而导致重定位失败的问题。
需要说明的是，上述确定当前图像帧相对于目标关键帧的运动估计之后，机器人就可以获知其相对于目标关键帧的位置，从而实现了重定位。对于确定当前图像帧相对于目标关键帧的运动估计的具体方式，本发明并不作限定，例如当视觉传感器为双目视觉传感器时，可以基于双目同步定位与地图构建(simultaneous localization and mapping，SLAM)算法，确定当前图像帧相对于目标关键帧的运动估计。
可选的，本实施例的方法还可以包括：在机器人运动的过程中，根据机器人当前位置的标签位置信息、机器人当前位置采集到的当前图像帧的图像特征点，当前图像帧的前一个关键帧的图像特征点以及前一个关键帧对应的标签位置信息，对机器人的当前运动状态进行运动估计。也就是说，在对机器人的当前运动状态进行运动估计时，可以参考标签位置信息。
需要说明的是，根据当前位置的标签位置信息、当前图像帧的图像特征点、前一个关键帧对应的标签位置信息以及前一个关键帧的图像特征点，对机器人的当前运动状态进行运动估计的具体方式，本发明可以不作限定。可选的，可以根据当前图像帧的图像特征点以及前一个关键帧的图像特征点，得到第一估计结果；根据当前位置的标签位置信息以及前一个关键帧对应的标签位置信息，得到第二估计结果；将根据第一运动估计结果和第二估计运动结果得到的最终估计结果作为对机器人的当前运动状态进行运动估计的结果。例如，可以对第一估计结果和第二估计结果进行卡尔曼滤波，得到最终结果。
需要说明的是，上述机器人运动的过程，具体可以为机器人运动构建地图的过程，或者也可以为机器人根据导航指令运动的过程等，本发明对此可以不作限定。
本实施例提供的重定位方法，通过若所有关键帧中不包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则将所有关键帧中与机器人当前位置的距离最小的关键帧作为目标关键帧，根据目标关键帧以及当前图像帧，确定当前图像帧相对于目标关键帧的运动估计，可以避免由于环境信息变换，地图数据中所有关键帧与当前图像帧的特征匹配度均较低，无法确定出目标关键帧而导致重定位失败的问题。
图4为本发明一实施例提供的机器人的结构示意图。本发明实施例提供的机器人可以通过软件和/或硬件的方式实现。如图4所示，该机器人包括：判断模块41和第一重定位模块42。其中，
判断模块41，用于在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所有关键帧中是否包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧；
第一重定位模块42，用于若所有关键帧中包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则根据部分关键帧，完成重定位。
可选的，当部分关键帧的个数为一个时，第一重定位模块用于根据部分关键帧，完成重定位，具体包括：
将一个部分关键帧作为目标关键帧，并根据目标关键帧以及机器人当前位置采集到的当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
可选的，当部分关键帧的个数为多个时，第一重定位模块用于根据部分关键帧，完成重定位，具体包括：
将机器人当前位置采集到的当前图像帧与多个部分关键帧中的各关键帧进行特征匹配，确定出多个部分关键帧中与当前图像的特征匹配度满足预设条件的目标关键帧；
根据目标关键帧以及当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
可选的，该机器人还包括：第二重定位模块43用于：
若所有关键帧中不包含与机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则将所有关键帧中与机器人当前位置的距离最小的关键帧作为目标关键帧；
根据目标关键帧以及机器人当前位置采集到的当前图像帧，确定当前图像帧相对于目标关键帧的运动估计。
可选的，该机器人还包括：记录模块44，用于在创建地图数据的过程中，记录采集到的图像帧与图像帧对应的标签位置信息的对应关系。
可选的，标签位置信息为超宽带UWB标签位置信息。
可选的，该机器人还包括：运动估计模块45用于：
在机器人运动的过程中，根据机器人当前位置的标签位置信息、机器人当前位置采集到的当前图像帧的图像特征点，当前图像帧的前一个关键帧的图像特征点以及前一个关键帧对应的标签位置信息，对机器人的当前运动状态进行运动估计。
本实施例提供的机器人，可用于执行上述的方法实施例，其实现方式和技术效果类似，本实施例此处不再赘述。
图5为本发明另一实施例提供的机器人的结构示意图。如图5所示，该导航设备50包括：
至少一个处理器51和存储器52；
存储器52存储计算机执行指令；
至少一个处理器51执行存储器52存储的计算机执行指令，使得该至少一个处理器51执行如上所述的重定位方法。
处理器51的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
可选地，该导航设备50还包括通信部件53。其中，处理器51、存储器52以及通信部件53可以通过总线54连接。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上所述的重定位方法。
在上述的实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，机器人或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于终端或服务器中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前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，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (14)
1.一种重定位方法，其特征在于，包括：
在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所述所有关键帧中是否包含与所述机器人当前位置的距离小于或等于预设距离阈值的部分关键帧；
若所述所有关键帧中包含与所述机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则根据所述部分关键帧，完成重定位；
所述方法还包括：
若所述所有关键帧中不包含与所述机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则将所述所有关键帧中与所述机器人当前位置的距离最小的关键帧作为目标关键帧；
根据所述目标关键帧以及所述机器人当前位置采集到的当前图像帧，确定所述当前图像帧相对于所述目标关键帧的运动估计。
2.根据权利要求1所述的方法，其特征在于，当所述部分关键帧的个数为一个时，所述根据所述部分关键帧，完成重定位，包括：
将一个所述部分关键帧作为目标关键帧，并根据所述目标关键帧以及所述机器人当前位置采集到的当前图像帧，确定所述当前图像帧相对于所述目标关键帧的运动估计。
3.根据权利要求1所述的方法，其特征在于，当所述部分关键帧的个数为多个时，所述根据所述部分关键帧，完成重定位，包括：
将所述机器人当前位置采集到的当前图像帧与多个所述部分关键帧中的各关键帧进行特征匹配，确定出多个所述部分关键帧中与所述当前图像的特征匹配度满足预设条件的目标关键帧；
根据所述目标关键帧以及所述当前图像帧，确定所述当前图像帧相对于所述目标关键帧的运动估计。
4.根据权利要求1所述的方法，其特征在于，在创建所述地图数据的过程中，记录采集到的图像帧与所述图像帧对应的标签位置信息的对应关系。
5.根据权利要求1所述的方法，其特征在于，所述标签位置信息为超宽带UWB标签位置信息。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：在所述机器人运动的过程中，根据所述机器人当前位置的标签位置信息、所述机器人当前位置采集到的当前图像帧的图像特征点，所述当前图像帧的前一个关键帧的图像特征点以及前一个关键帧对应的标签位置信息，对所述机器人的当前运动状态进行运动估计。
7.一种机器人，其特征在于，包括：
判断模块，用于在进行重定位时，根据机器人当前位置的标签位置信息以及地图数据中所有关键帧各自对应的标签位置信息，判断所述所有关键帧中是否包含与所述机器人当前位置的距离小于或等于预设距离阈值的部分关键帧；
第一重定位模块，用于若所述所有关键帧中包含与所述机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则根据所述部分关键帧，完成重定位；
所述机器人还包括：第二重定位模块用于：
若所述所有关键帧中不包含与所述机器人当前位置的距离小于或等于预设距离阈值的部分关键帧，则将所述所有关键帧中与所述机器人当前位置的距离最小的关键帧作为目标关键帧；
根据所述目标关键帧以及所述机器人当前位置采集到的当前图像帧，确定所述当前图像帧相对于所述目标关键帧的运动估计。
8.根据权利要求7所述的机器人，其特征在于，当所述部分关键帧的个数为一个时，所述第一重定位模块用于根据所述部分关键帧，完成重定位，具体包括：
将一个所述部分关键帧作为目标关键帧，并根据所述目标关键帧以及所述机器人当前位置采集到的当前图像帧，确定所述当前图像帧相对于所述目标关键帧的运动估计。
9.根据权利要求7所述的机器人，其特征在于，当所述部分关键帧的个数为多个时，所述第一重定位模块用于根据所述部分关键帧，完成重定位，具体包括：
将所述机器人当前位置采集到的当前图像帧与多个所述部分关键帧中的各关键帧进行特征匹配，确定出多个所述部分关键帧中与所述当前图像的特征匹配度满足预设条件的目标关键帧；
根据所述目标关键帧以及所述当前图像帧，确定所述当前图像帧相对于所述目标关键帧的运动估计。
10.根据权利要求7所述的机器人，其特征在于，所述机器人还包括：记录模块，用于在创建所述地图数据的过程中，记录采集到的图像帧与所述图像帧对应的标签位置信息的对应关系。
11.根据权利要求7所述的机器人，其特征在于，所述标签位置信息为超宽带UWB标签位置信息。
12.根据权利要求7-11任一项所述的机器人，其特征在于，所述机器人还包括：运动估计模块用于：
在所述机器人运动的过程中，根据所述机器人当前位置的标签位置信息、所述机器人当前位置采集到的当前图像帧的图像特征点，所述当前图像帧的前一个关键帧的图像特征点以及前一个关键帧对应的标签位置信息，对所述机器人的当前运动状态进行运动估计。
13.一种机器人，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至6任一项所述的重定位方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的重定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810709562.1A CN109141393B (zh) | 2018-07-02 | 2018-07-02 | 重定位方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810709562.1A CN109141393B (zh) | 2018-07-02 | 2018-07-02 | 重定位方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109141393A CN109141393A (zh) | 2019-01-04 |
| CN109141393B true CN109141393B (zh) | 2020-12-08 |
Family
ID=64802677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810709562.1A Active CN109141393B (zh) | 2018-07-02 | 2018-07-02 | 重定位方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109141393B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696157B (zh) * | 2019-03-12 | 2024-06-18 | 北京京东尚科信息技术有限公司 | 图像重定位的确定方法、系统、设备和存储介质 |
| CN111352425B (zh) * | 2020-03-16 | 2024-02-09 | 北京猎户星空科技有限公司 | 一种导航系统、方法、装置、电子设备及介质 |
| CN113552586B (zh) * | 2020-04-08 | 2024-04-05 | 杭州萤石软件有限公司 | 一种移动机器人的定位方法和移动机器人 |
| CN112541970A (zh) * | 2020-11-30 | 2021-03-23 | 北京华捷艾米科技有限公司 | 一种集中式协同SlAM中的重定位方法及装置 |
| CN112710299B (zh) * | 2020-12-04 | 2024-05-17 | 深圳市优必选科技股份有限公司 | 一种重定位方法、装置、终端设备及存储介质 |
| CN112595323A (zh) * | 2020-12-08 | 2021-04-02 | 深圳市优必选科技股份有限公司 | 机器人及其建图方法和装置 |
| CN112950710A (zh) * | 2021-02-24 | 2021-06-11 | 广州极飞科技股份有限公司 | 位姿确定方法、装置、电子设备和计算机可读存储介质 |
| CN113297259A (zh) * | 2021-05-31 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 机器人及其环境地图构建方法和装置 |
| GB2616001A (en) * | 2022-02-17 | 2023-08-30 | Roke Manor Res Limited | Remote visual inspection guidance |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732518B (zh) * | 2015-01-19 | 2017-09-01 | 北京工业大学 | 一种基于智能机器人地面特征的ptam改进方法 |
| CN104899918B (zh) * | 2015-05-14 | 2018-02-27 | 深圳大学 | 一种无人机的三维环境建模方法及系统 |
| ES2887202T3 (es) * | 2015-05-14 | 2021-12-22 | Sony Group Corp | Dispositivo de procesamiento de imágenes, método de procesamiento de imágenes, y programa |
| CN107341805B (zh) * | 2016-08-19 | 2018-11-23 | 北京市商汤科技开发有限公司 | 图像前背景分割及网络模型训练、图像处理方法和装置 |
| CN106092104B (zh) * | 2016-08-26 | 2019-03-15 | 深圳微服机器人科技有限公司 | 一种室内机器人的重定位方法及装置 |
| CN107168619B (zh) * | 2017-03-29 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 用户生成内容处理方法和装置 |
| CN107480580B (zh) * | 2017-03-31 | 2021-06-15 | 触景无限科技（北京）有限公司 | 图像识别方法和图像识别装置 |
| CN107590234B (zh) * | 2017-09-07 | 2020-06-09 | 哈尔滨工业大学 | 一种基于ransac的室内视觉定位数据库冗余信息减少的方法 |
| CN107677279B (zh) * | 2017-09-26 | 2020-04-24 | 上海思岚科技有限公司 | 一种定位建图的方法及系统 |
-
2018
- 2018-07-02 CN CN201810709562.1A patent/CN109141393B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109141393A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109141393B (zh) | 重定位方法、设备及存储介质 | |
| CN109188457B (zh) | 物体检测框的生成方法、装置、设备、存储介质及车辆 | |
| CN107292949B (zh) | 场景的三维重建方法、装置及终端设备 | |
| CN107633526B (zh) | 一种图像跟踪点获取方法及设备、存储介质 | |
| US11113836B2 (en) | Object detection method, device, apparatus and computer-readable storage medium | |
| CN113034541B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
| CN109344899B (zh) | 多目标检测方法、装置和电子设备 | |
| CN110561416B (zh) | 一种激光雷达重定位方法及机器人 | |
| CN110675407B (zh) | 一种图像实例分割方法、装置、电子设备及存储介质 | |
| US11972578B2 (en) | Method and system for object tracking using online training | |
| CN110647675B (zh) | 停留点识别及预测模型训练方法、装置及存储介质 | |
| CN110686676A (zh) | 机器人重定位方法、装置及机器人 | |
| CN111915657A (zh) | 一种点云配准方法、装置、电子设备及存储介质 | |
| CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
| CN112767412B (zh) | 车辆部件级分割方法、装置以及电子设备 | |
| CN111368860A (zh) | 重定位方法及终端设备 | |
| CN108133116A (zh) | Cad户型图墙厚自动识别方法及系统 | |
| CN114120259A (zh) | 一种空车位识别方法及其系统、计算机设备、存储介质 | |
| CN109543557B (zh) | 视频帧的处理方法、装置、设备以及存储介质 | |
| CN111832549B (zh) | 数据标注方法及装置 | |
| CN109242984B (zh) | 虚拟三维场景构建方法、装置及设备 | |
| CN112837349A (zh) | 一种目标跟踪方法、设备及计算机可读存储介质 | |
| US11127140B2 (en) | Background identification for videos with large foreground objects | |
| US20230386055A1 (en) | Image feature matching method, computer device, and storage medium | |
| CN116245894B (zh) | 一种地图分割方法、装置、电子设备及介质 |
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 |