CN109341705A - 智能探测机器人同时定位与地图构建系统 - Google Patents
智能探测机器人同时定位与地图构建系统 Download PDFInfo
- Publication number
- CN109341705A CN109341705A CN201811203841.7A CN201811203841A CN109341705A CN 109341705 A CN109341705 A CN 109341705A CN 201811203841 A CN201811203841 A CN 201811203841A CN 109341705 A CN109341705 A CN 109341705A
- Authority
- CN
- China
- Prior art keywords
- robot
- information
- moment
- follows
- point
- 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
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Abstract
智能探测机器人同时定位与地图构建系统属于智能机器人多传感器组合定位导航领域。通过硬件模块搭建,结合激光传感器、里程计和惯性测量单元测量信息(Inertial measurement unit,IMU),形成一套完整的智能机器人SLAM系统,实现探测机器人自主定位与环境感知能力。本发明提出的SLAM系统首先对激光传感器、里程计和IMU信息进行预处理及校正。接着,基于扩展卡尔曼滤波进行多传感器信息融合,改善激光点云的分布变化,提高机器人定位精度。之后通过双线性函数计算栅格点云的概率大小,根据点云分布变化将点云信息投影到栅格地图中。相比于单一传感器的SLAM系统,本发明提出的SLAM系统提高了系统的稳定性和可靠性,保障了定位与地图构建的精确度。
Description
技术领域
本发明设计了一种可以应用于突发性大气事故的智能探测机器人同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)系统,通过结合激光传感器信息、里程计信息和惯性测量单元(Inertial measurement unit,IMU),搭建硬件平台,形成一套基于信息融合的智能探测机器人SLAM系统。该系统提高了智能探测机器人定位精度和地图构建准确度,可以应用于室内环境或者灾难现场中。通过控制机器人移动,系统可以实时反映现场环境。智能探测机器人SLAM系统属于智能机器人传感器信息融合的定位导航领域。
背景技术
在公共安全领域中,大气安全关乎人类的生命安全和生活质量。近年来,我国突发性大气污染事故频繁发生,直接影响了社会安全、生态环境和经济的可持续发展,成为了当前环境污染控制和安全保障的重大议题。事故发生时,救援中心需要及时掌握事故现场信息,以便正确决策。但由于事故现场情况复杂,为避免救援人员的二次伤亡,需要能工作于事故现场的智能探测机器人系统。应用智能探测机器人系统可以及时获取事故现场环境信息和人员信息,并将该信息传递给救援指挥中心,辅助其迅速确定救援方案。
随着机器人技术的发展,自主移动机器人被用在越来越多的地方,比如家用机器人、工业机器人以及特种机器人等。感知环境模型和定位自身位置的能力也成为智能移动机器人重要能力之一。SLAM系统包括机器人估计自身运动的状态以及感知周围环境模型。环境模型是机器人所处环境的描述,它可以显示诸如地标位置和障碍物等信息。机器人的运动状态可以通过机器人自身位置和方向来描述。激光传感器被广泛的应用在SLAM系统中,它不易受到光线和天气变化的影响,具有较强的鲁棒性而且它们能够准确的反映自身与障碍物之间的距离。里程计可以准确的反映机器人移动的距离,IMU可以精确反映机器人旋转角度。研究基于信息融合的智能机器人SLAM系统,获取全面准确的信息,提高定位精度以及更准确地反映周围环境模型。相比于传统单一传感器的SLAM系统,基于信息融合的SLAM在稳定性、控制精度以及抗干扰能力方面都有相当优势。
本发明设计的智能探测机器人SLAM系统平台主要包括数据采集、数据传输以及智能控制。通过通信网络实现数据采集、传输以及控制信号的发布与执行,形成SLAM系统,提高了系统的稳定性和可靠性,保障了定位与地图构建的精确度。
发明内容
本发明主要是设计了一种智能探测机器人SLAM系统,该系统可以用于大气灾难现场,同时也可以用于室内环境的模型构建,在定位自身位置姿态的同时完成地图构建任务。
1.智能探测机器人硬件系统搭建:
智能探测机器人硬件主要包括移动载体(UGV),传感器模块、中央处理器模块、数据处理模块以及无线通讯模块。主要功能如下:
UGV是整个机器人移动基础,由四个履带式摆臂构成,通过中央处理器模块和电机驱动模块控制,可以实现前进、后退、转向等运动动作,可以适应复杂的环境。
传感器模块主要包括激光传感器,摄像头,里程计,IMU以及气体浓度检测器,激光传感器,里程计和IMU用于感知周围环境,为SLAM系统提供输入数据。摄像头以及气体浓度检测器则是监控现场环境信息。
数据处理模块负责将激光传感器,里程计和IMU的信息进行处理和融合,并将处理过后的数据发送给中央处理器模块进行定位与地图构建。
无线通讯模块负责向救援中心提供机器人当前环境信息,机器人状态以及检测气体浓度信息。
2.智能探测机器人SLAM系统设计
主要步骤如下:
(1)信息预处理:对激光扫描信息进行预处理,减少采样点数目,去除异常云,同时对里程计进行校准和校正。
(2)信息融合:提取移动机器人的里程计信息和IMU信息,并基于扩展卡尔曼滤波(extended Kalman Filtering,EKF)融合激光扫描信息,改进激光点云分布,估计机器人位置。
(3)划分栅格:统计每个栅格的点云分布,并利用双线性函数计算栅格内点的得分。
(4)扫描匹配:计算变换的雅克比矩阵以及海森矩阵,根据点云分布变化,将下一帧扫描数据投影到前一帧坐标系中。
本发明主要体现在:
(1)设计了一款可以用于大气事故现场的智能探测机器人系统,可以应用在突发性大气事故现场中。
(2)设计了一套基于EKF信息融合的SLAM系统。通过将激光传感器信息,里程计信息和IMU数据进行融合,通过改善点云的分布变化,提高机器人定位的精度,同时也增加了地图构建的准确度。
附图说明
图1是本发明智能探测机器人控制系统结构图。
图2是本发明基于EKF信息融合的SLAM系统结构图。
图3是基于EKF信息融合的SLAM算法流程图。
具体实施方式
本发明设计的智能探测机器人SLAM系统,提高了智能探测机器人定位精度和地图构建准确度,可以应用于室内环境或者灾难现场中。通过控制机器人移动,系统可以实时反映现场环境。
本发明设计的SLAM系统主要通过基于EKF信息融合提供准确的点云变化,将变化信息投影到栅格地图中,完成定位与地图构建任务。具体步骤如下:
(1)基于EKF的信息融合
在2D平面中,通过里程计得到机器人移动的距离,通过IMU得到机器人旋转的角度。矢量Xk描述了机器人在k时刻的系统状态:
Xk=(xk,yk,θk)T (1)
其中(xk,yk)是机器人在导航系统的位置坐标,θk是通过IMU得到的机器人旋转角度。系统的运动状态方程为:
其中是k时刻的先验估计, 是k时刻机器人位置坐标的先验估计,是k时刻机器人角度的先验估计;是k-1时刻的后验估计;uk-1是k-1时刻的控制量;wk-1是服从正态分布的过程噪声。
经过一个采样周期,系统的状态方程为:
其中是机器人移动的距离;机器人旋转角度的变化;wk~N(0,Qk),Qk是k时刻服从正态分布的过程噪声的协方差矩阵。
激光获得的数据是环境和机器人的每个点之间的距离和角度,是离散的数据点,每一个数据点通过极坐标(ri,αi)表示,其中ri是激光传感器的扫描半径,αi是激光传感器的扫描角。将这些点的坐标转化为直角坐标为:
其中,(xi,yi)是导航坐标系中数据点的坐标。系统的观测方程为:
Zk=HXk+μk (5)
其中 和是激光传感器扫描的横坐标与纵坐标信息;和是通过里程计获得的横坐标与纵坐标位置信息;是机器人角度变化。H是观测方程的变换矩阵;μk是服从正态分布的测量噪声,μk~N(0,Rk),Rk是在时间k上服从正态分布的测量噪声的协方差矩阵。
上述获得的状态方程是非线性系统,需要基于EKF方法进行线性化。通过公式(3),在k时刻得到的雅克比矩阵为:
扩展卡尔曼时间更新过程为:
其中uk-1是k-1时刻的测量噪声;是k时刻先验误差协方差矩阵,Pk-1是k-1时刻的协方差矩阵;Qk-1是k-1时刻的过程噪声的协方差矩阵。
测量更新过程为:
其中,I为单位矩阵;Kk是k时刻卡尔曼增益。
通过时间更新过程和测量更新过程,准确地估计出机器人的姿态。设将ξk带入到接下来的扫描匹配中。
(2)扫描匹配
使用占据栅格地图表示周围物理的环境,利用双线性函数估计栅格被占用的概率并划分栅格地图。在连续地图中,设一个点记做Pm,其被占据的概率记为M(Pm),则这个点的梯度为:
基于双线性插值算法,通过使用四个最接近Pm点的整数坐标P00、P01、P10和P11来近似表示点Pm:
其导数近似为:
为了在给定点上找到栅格占用概率M(Si(ξ))的最小误差,定义目标函数为:
其中ξk是在k时刻由EKF信息融合得到系统状态,n为k时刻激光传感器的扫描点数。Si(ξk)是扫描点si=(si,x,si,y)T世界坐标,表示为:
其中,是基于EKF的信息融合得出的在k时刻的后验估计值。利用ξk先验值去估计下一位姿变化Δξ,使所有激光点误差最小:
对M(Si(ξk+Δξk))进行一节泰勒展开,得到:
对Δξk求取偏导,设为0得到最小化的值:
使用高斯-牛顿方程求取Δξk的最小值:
其中Hai为海森矩阵:
由公式(14)得到:
通过公式(19)和(20)估计公式(18)中的Δξk最小值,最后更新变化ξk+Δξk→ξk,将新的信息投用到已知的栅格地图上。
Claims (2)
1.智能探测机器人SLAM系统,其特征在于:
硬件包括移动载体UGV,传感器模块、中央处理器模块、数据处理模块以及无线通讯模块;
UGV是整个机器人移动基础,由四个履带式摆臂构成,通过中央处理器模块和电机驱动模块控制,至少实现前进、后退、转向;
传感器模块包括激光传感器,摄像头,里程计,IMU以及气体浓度检测器,激光传感器,里程计和IMU用于感知周围环境,为SLAM系统提供输入数据;摄像头以及气体浓度检测器则是监控现场环境信息;
数据处理模块负责将激光传感器,里程计和IMU的信息进行处理和融合,并将处理过后的数据发送给中央处理器模块进行定位与地图构建;
无线通讯模块负责向救援中心提供机器人当前环境信息,机器人状态以及检测气体浓度信息;
步骤如下:
(1)信息预处理:对激光扫描信息进行预处理,减少采样点数目,去除异常云,同时对里程计进行校准和校正;
(2)信息融合:提取移动机器人的里程计信息和IMU信息,并基于扩展卡尔曼滤波融合激光扫描信息,改进激光点云分布,估计机器人位置;
(3)划分栅格:统计每个栅格的点云分布,并利用双线性函数计算栅格内点的得分;
(4)扫描匹配:计算变换的雅克比矩阵以及海森矩阵,根据点云分布变化,将下一帧扫描数据投影到前一帧坐标系中。
2.智能探测机器人同时定位与地图构建方法,其特征在于,具体步骤如下:
(1)基于EKF的信息融合
在2D平面中,通过里程计得到机器人移动的距离,通过IMU得到机器人旋转的角度;矢量Xk描述了机器人在k时刻的系统状态:
Xk=(xk,yk,θk)T (1)
其中(xk,yk)是机器人在导航系统的位置坐标,θk是通过IMU得到的机器人旋转角度;系统的运动状态方程为:
其中是k时刻的先验估计, 是k时刻机器人位置坐标的先验估计,是k时刻机器人角度的先验估计;是k-1时刻的后验估计;uk-1是k-1时刻的控制量;wk-1是服从正态分布的过程噪声;
经过一个采样周期,系统的状态方程为:
其中是机器人移动的距离;机器人旋转角度的变化;wk~N(0,Qk),Qk是k时刻服从正态分布的过程噪声的协方差矩阵;
激光获得的数据是环境和机器人的每个点之间的距离和角度,是离散的数据点,每一个数据点通过极坐标(ri,αi)表示,其中ri是激光传感器的扫描半径,αi是激光传感器的扫描角;将这些点的坐标转化为直角坐标为:
其中,(xi,yi)是导航坐标系中数据点的坐标;系统的观测方程为:
Zk=HXk+μk (5)
其中 和是激光传感器扫描的横坐标与纵坐标信息;和是通过里程计获得的横坐标与纵坐标位置信息;是机器人角度变化;H是观测方程的变换矩阵;μk是服从正态分布的测量噪声,μk~N(0,Rk),Rk是在时间k上服从正态分布的测量噪声的协方差矩阵;
上述获得的状态方程是非线性系统,需要基于EKF方法进行线性化;通过公式(3),在k时刻得到的雅克比矩阵为:
扩展卡尔曼时间更新过程为:
其中uk-1是k-1时刻的测量噪声;是k时刻先验误差协方差矩阵,Pk-1是k-1时刻的协方差矩阵;Qk-1是k-1时刻的过程噪声的协方差矩阵;
测量更新过程为:
其中,I为单位矩阵;Kk是k时刻卡尔曼增益;
通过时间更新过程和测量更新过程,准确地估计出机器人的姿态;设将ξk带入到接下来的扫描匹配中;
(2)扫描匹配
使用占据栅格地图表示周围物理的环境,利用双线性函数估计栅格被占用的概率并划分栅格地图;在连续地图中,设一个点记做Pm,其被占据的概率记为M(Pm),则这个点的梯度为:
基于双线性插值算法,通过使用四个最接近Pm点的整数坐标P00、P01、P10和P11来近似表示点Pm:
其导数近似为:
为了在给定点上找到栅格占用概率M(Si(ξ))的最小误差,定义目标函数为:
其中ξk是在k时刻由EKF信息融合得到系统状态,n为k时刻激光传感器的扫描点数;Si(ξk)是扫描点si=(si,x,si,y)T世界坐标,表示为:
其中,是基于EKF的信息融合得出的在k时刻的后验估计值;利用ξk先验值去估计下一位姿变化Δξ,使所有激光点误差最小:
对M(Si(ξk+Δξk))进行一节泰勒展开,得到:
对Δξk求取偏导,设为0得到最小化的值:
使用高斯-牛顿方程求取Δξk的最小值:
其中Hai为海森矩阵:
由公式(14)得到:
通过公式(19)和(20)估计公式(18)中的Δξk最小值,最后更新变化ξk+Δξk→ξk,将新的信息投用到已知的栅格地图上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811203841.7A CN109341705A (zh) | 2018-10-16 | 2018-10-16 | 智能探测机器人同时定位与地图构建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811203841.7A CN109341705A (zh) | 2018-10-16 | 2018-10-16 | 智能探测机器人同时定位与地图构建系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109341705A true CN109341705A (zh) | 2019-02-15 |
Family
ID=65309661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811203841.7A Pending CN109341705A (zh) | 2018-10-16 | 2018-10-16 | 智能探测机器人同时定位与地图构建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109341705A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109653735A (zh) * | 2019-03-01 | 2019-04-19 | 西南石油大学 | 一种基于电流回路的钻井信号下传装置及信号下传方法 |
CN110455275A (zh) * | 2019-08-07 | 2019-11-15 | 天津理工大学 | 一种大型球形储罐爬壁机器人定位导航系统及方法 |
CN110530368A (zh) * | 2019-08-22 | 2019-12-03 | 浙江大华技术股份有限公司 | 一种机器人定位方法及设备 |
CN110954100A (zh) * | 2019-12-30 | 2020-04-03 | 广东省智能制造研究所 | 一种基于激光与惯导融合的足式机器人本体状态估计方法 |
CN111089585A (zh) * | 2019-12-30 | 2020-05-01 | 哈尔滨理工大学 | 一种基于传感器信息融合的建图及定位方法 |
CN111768489A (zh) * | 2019-04-01 | 2020-10-13 | 顺丰科技有限公司 | 一种室内导航地图构建方法和系统 |
CN111879305A (zh) * | 2020-06-16 | 2020-11-03 | 华中科技大学 | 一种面向高危生产环境的多模态感知定位模型与系统 |
CN111949929A (zh) * | 2020-08-12 | 2020-11-17 | 智能移动机器人(中山)研究院 | 一种多传感器融合的四足机器人运动里程计设计方法 |
CN112180382A (zh) * | 2020-09-28 | 2021-01-05 | 知行汽车科技(苏州)有限公司 | 基于恒速模型的自适应3d-lslam定位方法、装置和系统 |
CN112612788A (zh) * | 2020-12-11 | 2021-04-06 | 中国北方车辆研究所 | 一种无导航卫星信号下的自主定位方法 |
CN112652001A (zh) * | 2020-11-13 | 2021-04-13 | 山东交通学院 | 基于扩展卡尔曼滤波的水下机器人多传感器融合定位系统 |
CN112683263A (zh) * | 2020-12-12 | 2021-04-20 | 西北工业大学 | 一种基于改进模型的uwb/imu/odom多传感器数据融合移动机器人定位方法 |
CN112747749A (zh) * | 2020-12-23 | 2021-05-04 | 浙江同筑科技有限公司 | 一种基于双目视觉和激光融合定位导航系统 |
CN112833815A (zh) * | 2020-12-30 | 2021-05-25 | 广东工业大学 | 一种基于激光的房屋测量和墙面平整度检测方法 |
CN112887903A (zh) * | 2021-01-26 | 2021-06-01 | 东南大学 | 一种基于软信息融合的通信定位感知一体化方法 |
CN113552884A (zh) * | 2021-07-21 | 2021-10-26 | 国电南瑞科技股份有限公司 | 一种阀厅消防机器人自动导航及避障方法和装置 |
CN113738146A (zh) * | 2021-08-27 | 2021-12-03 | 南华大学 | 医疗方舱移动平台定位纠偏方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914865A (zh) * | 2015-05-29 | 2015-09-16 | 国网山东省电力公司电力科学研究院 | 变电站巡检机器人定位导航系统及方法 |
CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
CN106383517A (zh) * | 2016-09-30 | 2017-02-08 | 汕头大学 | 一种自主移动机器人平台用控制系统、方法及装置 |
CN107655473A (zh) * | 2017-09-20 | 2018-02-02 | 南京航空航天大学 | 基于slam技术的航天器相对自主导航系统 |
CN108036792A (zh) * | 2017-12-11 | 2018-05-15 | 苏州中德睿博智能科技有限公司 | 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 |
CN108181636A (zh) * | 2018-01-12 | 2018-06-19 | 中国矿业大学 | 石化工厂巡检机器人环境建模与地图构建装置和方法 |
CN108362288A (zh) * | 2018-02-08 | 2018-08-03 | 北方工业大学 | 一种基于无迹卡尔曼滤波的偏振光slam方法 |
-
2018
- 2018-10-16 CN CN201811203841.7A patent/CN109341705A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914865A (zh) * | 2015-05-29 | 2015-09-16 | 国网山东省电力公司电力科学研究院 | 变电站巡检机器人定位导航系统及方法 |
CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
CN106383517A (zh) * | 2016-09-30 | 2017-02-08 | 汕头大学 | 一种自主移动机器人平台用控制系统、方法及装置 |
CN107655473A (zh) * | 2017-09-20 | 2018-02-02 | 南京航空航天大学 | 基于slam技术的航天器相对自主导航系统 |
CN108036792A (zh) * | 2017-12-11 | 2018-05-15 | 苏州中德睿博智能科技有限公司 | 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 |
CN108181636A (zh) * | 2018-01-12 | 2018-06-19 | 中国矿业大学 | 石化工厂巡检机器人环境建模与地图构建装置和方法 |
CN108362288A (zh) * | 2018-02-08 | 2018-08-03 | 北方工业大学 | 一种基于无迹卡尔曼滤波的偏振光slam方法 |
Non-Patent Citations (2)
Title |
---|
王硕: "《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》", 15 August 2016 * |
纪嘉文,等: "一种基于多传感融合的室内建图和定位算法", 《成都信息工程大学学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109653735B (zh) * | 2019-03-01 | 2022-11-15 | 西南石油大学 | 一种基于电流回路的钻井信号下传装置及信号下传方法 |
CN109653735A (zh) * | 2019-03-01 | 2019-04-19 | 西南石油大学 | 一种基于电流回路的钻井信号下传装置及信号下传方法 |
CN111768489A (zh) * | 2019-04-01 | 2020-10-13 | 顺丰科技有限公司 | 一种室内导航地图构建方法和系统 |
CN111768489B (zh) * | 2019-04-01 | 2023-09-26 | 丰翼科技(深圳)有限公司 | 一种室内导航地图构建方法和系统 |
CN110455275A (zh) * | 2019-08-07 | 2019-11-15 | 天津理工大学 | 一种大型球形储罐爬壁机器人定位导航系统及方法 |
CN110530368B (zh) * | 2019-08-22 | 2021-06-15 | 浙江华睿科技有限公司 | 一种机器人定位方法及设备 |
CN110530368A (zh) * | 2019-08-22 | 2019-12-03 | 浙江大华技术股份有限公司 | 一种机器人定位方法及设备 |
CN110954100A (zh) * | 2019-12-30 | 2020-04-03 | 广东省智能制造研究所 | 一种基于激光与惯导融合的足式机器人本体状态估计方法 |
CN111089585A (zh) * | 2019-12-30 | 2020-05-01 | 哈尔滨理工大学 | 一种基于传感器信息融合的建图及定位方法 |
CN111879305B (zh) * | 2020-06-16 | 2022-03-18 | 华中科技大学 | 一种面向高危生产环境的多模态感知定位模型与系统 |
CN111879305A (zh) * | 2020-06-16 | 2020-11-03 | 华中科技大学 | 一种面向高危生产环境的多模态感知定位模型与系统 |
CN111949929B (zh) * | 2020-08-12 | 2022-06-21 | 智能移动机器人(中山)研究院 | 一种多传感器融合的四足机器人运动里程计设计方法 |
CN111949929A (zh) * | 2020-08-12 | 2020-11-17 | 智能移动机器人(中山)研究院 | 一种多传感器融合的四足机器人运动里程计设计方法 |
CN112180382B (zh) * | 2020-09-28 | 2024-03-08 | 知行汽车科技(苏州)股份有限公司 | 基于恒速模型的自适应3d-lslam定位方法、装置和系统 |
CN112180382A (zh) * | 2020-09-28 | 2021-01-05 | 知行汽车科技(苏州)有限公司 | 基于恒速模型的自适应3d-lslam定位方法、装置和系统 |
CN112652001A (zh) * | 2020-11-13 | 2021-04-13 | 山东交通学院 | 基于扩展卡尔曼滤波的水下机器人多传感器融合定位系统 |
CN112612788B (zh) * | 2020-12-11 | 2024-03-01 | 中国北方车辆研究所 | 一种无导航卫星信号下的自主定位方法 |
CN112612788A (zh) * | 2020-12-11 | 2021-04-06 | 中国北方车辆研究所 | 一种无导航卫星信号下的自主定位方法 |
CN112683263A (zh) * | 2020-12-12 | 2021-04-20 | 西北工业大学 | 一种基于改进模型的uwb/imu/odom多传感器数据融合移动机器人定位方法 |
CN112747749B (zh) * | 2020-12-23 | 2022-12-06 | 浙江同筑科技有限公司 | 一种基于双目视觉和激光融合定位导航系统 |
CN112747749A (zh) * | 2020-12-23 | 2021-05-04 | 浙江同筑科技有限公司 | 一种基于双目视觉和激光融合定位导航系统 |
CN112833815A (zh) * | 2020-12-30 | 2021-05-25 | 广东工业大学 | 一种基于激光的房屋测量和墙面平整度检测方法 |
CN112887903B (zh) * | 2021-01-26 | 2022-12-09 | 东南大学 | 一种基于软信息融合的通信定位感知一体化方法 |
CN112887903A (zh) * | 2021-01-26 | 2021-06-01 | 东南大学 | 一种基于软信息融合的通信定位感知一体化方法 |
CN113552884A (zh) * | 2021-07-21 | 2021-10-26 | 国电南瑞科技股份有限公司 | 一种阀厅消防机器人自动导航及避障方法和装置 |
CN113738146B (zh) * | 2021-08-27 | 2022-09-23 | 南华大学 | 医疗方舱移动平台定位纠偏方法 |
CN113738146A (zh) * | 2021-08-27 | 2021-12-03 | 南华大学 | 医疗方舱移动平台定位纠偏方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109341705A (zh) | 智能探测机器人同时定位与地图构建系统 | |
CN101576384B (zh) | 一种基于视觉信息校正的室内移动机器人实时导航方法 | |
CN103472823B (zh) | 一种智能机器人用的栅格地图创建方法 | |
WO2017028653A1 (zh) | 一种移动机器人室内自建地图的方法和系统 | |
CN107396321B (zh) | 基于手机传感器和iBeacon的无监督式室内定位方法 | |
CN107702722A (zh) | 一种激光导引agv自然导航定位方法 | |
CN103412565B (zh) | 一种具有全局位置快速估计能力的机器人定位方法 | |
CN110471422A (zh) | 智能轮椅的障碍物检测与自主避障方法 | |
Zhang et al. | Lidar-IMU and wheel odometer based autonomous vehicle localization system | |
CN114018248B (zh) | 一种融合码盘和激光雷达的里程计方法与建图方法 | |
CN111060099B (zh) | 一种无人驾驶汽车实时定位方法 | |
CN105987697B (zh) | 一种直角弯下Mecanum轮式AGV导航定位方法及系统 | |
CN108195376A (zh) | 小型无人机自主导航定位方法 | |
CN113252033A (zh) | 基于多传感器融合的定位方法、定位系统及机器人 | |
CN108387236A (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
CN104898675A (zh) | 一种机器人智能导航控制方法 | |
Zheng et al. | Mobile robot integrated navigation algorithm based on template matching VO/IMU/UWB | |
CN113639722B (zh) | 连续激光扫描配准辅助惯性定位定姿方法 | |
Barrau et al. | Invariant filtering for pose ekf-slam aided by an imu | |
Demim et al. | An adaptive SVSF-SLAM algorithm in dynamic environment for cooperative unmanned vehicles | |
Choi et al. | CV-SLAM using ceiling boundary | |
Font et al. | Mobile robot localization. Revisiting the triangulation methods | |
Lee et al. | A new localization method for mobile robot by data fusion of vision sensor data and motion sensor data | |
US20220152835A1 (en) | Pose determination method, robot using the same, and computer readable storage medium | |
CN115218889A (zh) | 一种基于点线特征融合的多传感器室内定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |