CN109932713B - 定位方法、装置、计算机设备、可读存储介质和机器人 - Google Patents
定位方法、装置、计算机设备、可读存储介质和机器人 Download PDFInfo
- Publication number
- CN109932713B CN109932713B CN201910161043.0A CN201910161043A CN109932713B CN 109932713 B CN109932713 B CN 109932713B CN 201910161043 A CN201910161043 A CN 201910161043A CN 109932713 B CN109932713 B CN 109932713B
- Authority
- CN
- China
- Prior art keywords
- current
- pose
- particle
- target
- sampling
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种定位方法、装置、计算机设备、可读存储介质和机器人。所述方法包括：获取雷达扫描得到的当前点云数据；根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；根据粒子群中各粒子对应的当前可能位姿和当前点云数据，确定当前目标位姿；在当前目标位姿周围采样得到多个目标采样粒子，以及根据当前点云数据对多个目标采样粒子进行评分，得到多个目标采样粒子的评分分数；根据多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；根据当前的位姿分布模型，采样得到新的粒子群。采用本方法能够在未削弱定位精度的前提下，通过优化后验概率分布提高鲁棒性。
Description
技术领域
本申请涉及机器人技术领域，特别是涉及一种定位方法、装置、计算机设备、可读存储介质和机器人。
背景技术
随着智能化的快速发展，移动机器人在各个行业得到广泛应用，例如物流、家政、电力、机械加工等行业；其中，机器人的自主定位是基础技术。
在机器人定位中，蒙特卡罗定位(MCL，Adaptive Monte Carlo Localization)是最常用的定位算法之一；该算法基于粒子滤波，由预测和更新两个步骤组成：首先根据里程计信息，结合机器人运动模型，预测出机器人可能出现的位置；然后，根据激光雷达的测量值，结合激光雷达的观测模型，对每个粒子进行评分，把分数作为权重，对这些粒子重采样；权重大的粒子更容易被保留下来，权重小的粒子则被淘汰；如此反复进行，取当前时刻权重最大的粒子作为定位结果，从而实现机器人的实时定位。
然而，在MCL中，定位结果只能从有限的粒子中选取，这就大大限制了定位的精度。在粒子数一定的情况下，粒子越集中，定位精度越高，但定位鲁棒性下降；粒子越发散，定位精度越低，但定位鲁棒性提高。因此，在MCL中，难以在定位精度一定的情况下，提高鲁棒性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在定位精度一定的情况下，提高鲁棒性的定位方法、装置、计算机设备、可读存储介质和机器人。
第一方面，一种定位方法，所述方法包括：
获取雷达扫描得到的当前点云数据；
根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；
根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
在其中一个实施例中，所述根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型，包括：
根据所述多个目标采样粒子对应的当前可能位姿和评分分数，拟合得到高斯分布模型，作为所述当前的位姿分布模型。
在其中一个实施例中，所述在所述当前目标位姿周围采样得到多个目标采样粒子，包括：
在所述当前目标位姿的预设周围区域内随机采样，得到多个目标采样粒子。
在其中一个实施例中，所述根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿，包括：
根据所述当前点云数据对所述粒子群中各粒子进行评分，得到所述粒子群中各粒子的评分分数；
根据所述粒子群中各粒子的评分分数，确定当前目标位姿。
在其中一个实施例中，所述根据所述粒子群中各粒子的评分分数，确定当前目标位姿，包括：
根据所述粒子群中各粒子的评分分数，将评分分数最高的粒子对应的当前可能位姿作为当前初始位姿；
根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿。
在其中一个实施例中，所述根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿，包括：
在所述当前初始位姿周围采样得到多个初始采样粒子，以及根据所述当前点云数据对所述多个初始采样粒子进行评分，得到所述多个初始采样粒子的评分分数；
选取所述初始采样粒子中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在其中一个实施例中，所述在所述当前初始位姿周围采样得到多个初始采样粒子，包括：
在所述当前初始位姿的预设周围区域内均匀等间隔采样，得到多个初始采样粒子。
在其中一个实施例中，所述根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的当前可能位姿作为当前目标位姿，还包括：
以所述当前目标位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为新的当前目标位姿。
在其中一个实施例中，所述根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的当前可能位姿作为当前目标位姿，包括：
以所述当前初始位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为所述当前目标位姿。
在其中一个实施例中，所述根据所述粒子群中各粒子的评分分数，确定当前目标位姿，包括：
选取所述粒子群中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在其中一个实施例中，所述方法还包括：
统计粒子群中各粒子的评分分数的第一周期统计值和第二周期统计值；所述第一周期大于所述第二周期；
根据所述第一周期统计值和所述第二周期统计值，调整所述粒子群的粒子数目。
第二方面，一种定位装置，所述装置包括：
点云数据获取模块，用于获取雷达扫描得到的当前点云数据；
粒子群更新模块，用于根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
目标位姿确定模块，用于根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
目标位姿采样模块，用于在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
位姿分布计算模块，用于根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；
定位输出模块，用于根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取雷达扫描得到的当前点云数据；
根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；
根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
第四方面，一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取雷达扫描得到的当前点云数据；
根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；
根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
第五方面，一种机器人，所述机器人包括雷达、里程计和上述的计算机设备；所述计算机设备分别与所述雷达和所述里程计连接。
上述定位方法、装置、计算机设备、可读存储介质和机器人，机器人可以通过获取雷达扫描得到的当前点云数据；根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群；因为多个目标采样粒子是在所述当前目标位姿周围采样得到的，进而根据多个目标采样粒子拟合得到位姿分布模型，因此基于位姿分布模型采样得到的新的粒子群大部分分布在所述当前目标位姿对应的粒子周围，因此在未削弱定位精度的前提下，通过优化后验概率分布提高了鲁棒性。
附图说明
图1a为一个实施例中定位方法的应用环境图；
图1b为一个实施例中点云数据的示意图；
图2为一个实施例中定位方法的流程示意图；
图3为一个实施例中定位方法的流程示意图；
图4为一个实施例中定位方法的流程示意图；
图5为一个实施例中定位装置的结构框图；
图6为一个实施例中机器人的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的定位方法，可以应用于如图1a和图1b所示的应用环境中。其中，机器人可以在预设区域运动并自行定位；该预设区域对应有障碍物地图，障碍物地图可以为栅格地图，在图1a所示的障碍物坐标系(绝对坐标系)中，灰色栅格标识该栅格为障碍物或者该栅格为障碍物的概率较高，白色栅格标识该栅格不是障碍物或者该栅格为障碍物的概率较低；该机器人可以设置有里程计、雷达、各类传感器以及计算机设备，雷达可以通过全方位扫描得到如图1b所示的点云数据，点云数据的坐标系一般是以机器人为原点的机器人坐标系(相对坐标系)，点云数据与障碍物地图中的障碍物区域相对应；该计算机设备用于根据点云数据、里程计信息以及预设的障碍物地图和运动模型等实现自主定位，可以为独立的计算终端，也可以是安装有处理器和存储器的板卡，也可以是单片机等，本实施例对此并不限制。
在一个实施例中，如图2所示，提供了一种定位方法，以该方法应用于图1中的机器人为例进行说明，包括以下步骤：
S201，获取雷达扫描得到的当前点云数据。
参照图1b所示的当前点云数据，该点云数据可以包括每个障碍物点在机器人坐标系中的坐标，即相对于机器人的位置。
示例性地，机器人上的雷达可以通过向扫描方向上发射激光信号(或其它电磁波信号)，接受激光信号的回波信号，然后通过计算发射和接收之间的时间差定位扫描方向上的障碍物相对机器人的位置；雷达可以每隔预设时间段进行一次全方位扫描，得到点云数据；具体地，在当前时刻，获取距离当前时刻最近的一次扫描的点云数据为所述当前点云数据。
S202，根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布。
机器人的位姿可以表示为[x,y,θ](x和y表示坐标，θ表示机器人朝向)。
所述运动模型可以为基于贝叶斯滤波、卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等滤波算法构建的“速度运动模型”、“里程计运动模型”等。示例性地，卡尔曼滤波模型可以采用信号与噪声的状态空间模型，利用上一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出置信度更高的当前时刻的估计值。
所述里程计信息包括以下内容中的至少一种：轮子编码器的里程计信息、视觉里程计信息；总之可以是各类传感器检测得到的里程计信息，可以粗略的标识机器人在当前时刻的位姿，即可以作为当前时刻位姿的观测值。
所述粒子群中各粒子对应的历史可能位姿可以为上一时刻的历史可能位姿，可以作为上一时刻位姿的估计值；因此通过上述运动模型，可以根据里程计信息和粒子群中各粒子对应的历史可能位姿，计算置信度更高的当前时刻的位姿的估计值，作为粒子群中各粒子对应的当前可能位姿。
需要说明的是，粒子群可以表示位姿的概率分布，例如置信度更高的位姿区域内对应分布有更多的粒子，因此可以将复杂的概率分布计算问题转化为粒子分布问题；粒子群中粒子的数目可以为定值，也可以进行调整。
在最开始，如果已知机器人的置信度高的初始位姿，则可以根据粒子群的粒子数目，通过复制的方式将所述初始位姿作为各粒子的对应的可能位姿；若初始位姿并不确定，则可以通过高斯分布随机采样的方法初始化粒子群。
S203，根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿。
示例性地，所述当前目标位姿可以为所述粒子群中各粒子对应的当前可能位姿中选取的评分分数最高的位姿；具体地，根据所述当前点云数据对所述粒子群中各粒子进行评分，得到所述粒子群中各粒子的评分分数；选取所述粒子群中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。其中，上述评分方式可以与S204中的评分方式相同，这里不再赘述。
此外，上述当前目标位姿还可以为其他评价方式确定的最优位姿，本实施例对此并不限制。
S204，在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数。
示例性地，在所述当前目标位姿周围可以平均采样得到多个目标采样粒子。
在一种实施方式中，所述在所述当前目标位姿周围采样得到多个目标采样粒子，包括：在所述当前目标位姿的预设周围区域内随机采样，得到多个目标采样粒子。随机采样相比于平均采样而言，随机性更高，可以提高后续的位姿分布模型的准确性。
具体地，针对任一目标采样粒子，机器人可以根据所述目标采样粒子对应的当前可能位姿，将所述当前点云数据映射到障碍物地图中，计算得到所述当前点云数据与障碍物地图的匹配度作为评分分数。
其中，机器人的当前可能位姿可以理解为各粒子对应的机器人在障碍物地图坐标系中的可能位置，而点云数据为雷达检测到的各障碍物点在机器人坐标系中的位置，因此根据机器人的当前可能位姿将当前点云数据映射到障碍物地图中，可以得到雷达检测到的障碍物点在障碍物坐标系中的位置，进而判断判断雷达检测到的每个障碍物点在障碍物坐标系中的位置是否对应障碍物，若是，则评分分数增加预设分数，若否，则评分分数不增加或者减去预设分数；如此，可以得到各目标采样粒子的最终的评分分数。各目标采样粒子的评分分数还可以进行归一化运算，得到各目标粒子的归一化后的评分分数。
当然，在本实施例中可以结合观测模型进行上述评分，观测模型可以为“波束模型”、“似然域模型”等。
S205，根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型。
评分分数可以看作位姿分布模型中所述当前可能位姿的概率分布值，因此可以选择一个初始的位姿分布模型，通过所述多个目标采样粒子对应的当前可能位姿和概率分布值，拟合得到所述位姿分布模型；位姿分布模型可以为二项式分布模型、泊松分布模型、高斯分布模型等，可以根据具体情况选择。
优选的，根据所述多个目标采样粒子对应的当前可能位姿和评分分数，拟合得到高斯分布模型，作为所述当前的位姿分布模型；例如，可以通过计算各目标采样粒子对应的当前可能位姿的加权平均值和加权方差，作为高斯分布模型的均值和方差。在机器人定位中，常采用高斯分布模型作为位姿的概率分布模型，相对更准确。
S206，根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
所述当前目标位姿可以作为当前的确定位姿，所述新的粒子群对应的当前可能位姿可以作为下一时刻定位时的各粒子对应的历史可能位姿。
根据传统的蒙特卡洛定位算法得到的粒子群是类似S202中更新后的粒子群，或者是从更新后的粒子群中通过重采样选取的评分分数高的粒子，相比于当前目标位姿对应的粒子而言，可能粒子群中大部分粒子没有分布在周围，甚至远离目标位姿对应的粒子；而定位精度一定的情况下，粒子群的集中度是一定的，但粒子群容易偏离目标位姿对应的粒子，即鲁棒性较低。
而在本实施例的定位方法中，多个目标采样粒子是在所述当前目标位姿周围采样得到的，进而根据多个目标采样粒子拟合得到位姿分布模型，因此基于位姿分布模型采样得到的新的粒子群(包括所述当前目标位姿对应的粒子)大部分分布在所述当前目标位姿对应的粒子周围，因此在未削弱定位精度的前提下，通过优化后验概率分布提高了鲁棒性。
在一个实施例中，参照图3所示，本实施例涉及确定当前目标位姿的过程，具体可以包括：
S301，根据所述当前点云数据对所述粒子群中各粒子进行评分，得到所述粒子群中各粒子的评分分数。
评分方式可以参照上面的描述，也可以采用其它评分方式，这里不再赘述。
S302，根据所述粒子群中各粒子的评分分数，将评分分数最高的粒子对应的当前可能位姿作为当前初始位姿。
粒子群中评分分数最高的粒子为粒子群中置信度最高的粒子，是离散的粒子群中置信度最高的位姿，但不一定是连续的位姿空间中置信度最高的位姿；因此以该粒子群中评分分数最高的粒子的位姿作为当前初始位姿，以获取连续的位姿空间中置信度最高的位姿。
S303，根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿。
示例性地，扫描匹配算法可以包括：相关性扫描匹配算法和基于优化的扫描匹配算法。通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿为连续的位姿空间中置信度最高的位姿，相比于离散的粒子群中置信度最高的位姿而言，置信度更高，因此提高了定位精度。
其中，基于优化的扫描匹配算法可以包括：以所述当前初始位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为所述当前目标位姿。基于优化的扫描匹配算法是采用非线性最小二乘优化算法求解误差最小时的优化变量，可以基于搜索法、迭代法等多种方式，求解得到优化后的当前目标位姿。
当障碍物地图中每个栅格均标注有该栅格为障碍物区域的概率值时，针对任一目标采样粒子，当前点云数据与障碍物之间的不匹配度的计算规则可以如下：参照上述评分方式，机器人可以根据所述目标采样粒子对应的当前可能位姿，将所述当前点云数据映射到障碍物地图中，可以得到雷达检测到的障碍物点在障碍物坐标系中的位置，进而判断判断雷达检测到的每个障碍物点i在障碍物坐标系中的位置对应障碍物的概率值Pi；因为理想状况下每个障碍物点i在障碍物坐标系中的位置对应障碍物的概率值Pi应该为1，对每个障碍物点而言，概率值误差为1-Pi，当前点云数据与障碍物之间的不匹配度可以为各障碍物点的概率值误差之和。当然，上述概率值可以在[0,1]内取值，也可以为在0或1中取值。
基于优化的扫描匹配算法，相比于相关性扫描匹配算法而言，计算量更高，但确定的当前目标位姿置信度更高。
其中，相关性的扫描匹配算法可以包括：在所述当前初始位姿周围采样得到多个初始采样粒子，以及根据所述当前点云数据对所述多个初始采样粒子进行评分，得到所述多个初始采样粒子的评分分数；选取所述初始采样粒子中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
相关性扫描匹配是一种暴力搜索的算法，实质是在当前初始位姿附近采样大量候选位姿，评估这些位姿的分数，从中选出最高评分的位姿。具体地，所述在所述当前初始位姿周围采样得到多个初始采样粒子，包括：在所述当前初始位姿的预设周围区域内均匀等间隔采样，得到多个初始采样粒子。均匀等间隔采样是独立于高斯采样的一种采样方式，可以在一定程度上实现全方位的采样，避免丢失评分极高值对应的初始采样粒子，提高当前目标位姿的置信度；在本实施例中，也可以采用其它非高斯采样的采样方式。
基于相关性扫描匹配算法，相比于优化的扫描匹配算法而言，计算量较少，更高效。
在本实施例中，还可以采用相关性扫描匹配算法和基于优化的扫描匹配算法结合的方式，即以所述相关性扫描匹配算法得到的当前目标位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为新的当前目标位姿。相比于优化的扫描匹配算法而言，采用更优的初值，可以减少计算量，提高计算效率。
在一个实施例中，参照图4所示，本实施例还涉及基于各粒子的评分分数的统计值对粒子群的粒子数目进行调整的过程，具体可以包括：
S401，统计粒子群中各粒子的评分分数的第一周期统计值和第二周期统计值；所述第一周期大于所述第二周期。
其中，第一周期为长周期，例如5分钟；第二周期为短周期，例如30秒；各粒子的评分分数的统计值，可以为平均值、中位值等，可以表征粒子群在统计周期内的整体评分分数，即粒子群在统计周期内的整体置信度。
S402，根据所述第一周期统计值和所述第二周期统计值，调整所述粒子群的粒子数目。
具体地，当所述第二周期统计值小于所述第一周期统计值，且所述第一周期统计值与所述第二周期统计值的差值大于预设阈值时，意味着当前粒子群整体置信度突然偏低，因此根据预设调整规则增加所述粒子群的数目，如增加预设数目，以提高定位精度和鲁棒性；当所述第二周期统计值大于所述第一周期统计值，且所述第二周期统计值与所述第一周期统计值的差值大于预设阈值时，意味着当前粒子群整体置信度突然增高，因此根据预设调整规则降低所述粒子群的数目，如降低预设数目，以降低计算量。
当然，在本申请中，也可以采用重采样的方式对新的粒子群进行优化，具体包括：根据所述当前点云数据对所述新的粒子群中各粒子进行评分，得到所述新的粒子群中各粒子的评分分数；根据所述新的粒子群中各粒子的评分分数，对所述新的粒子群进行重采样处理，得到重采样处理后的粒子群。重采样可以提高粒子群的定位精度。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种定位装置，包括：点云数据获取模块51、粒子群更新模块52、目标位姿确定模块53、目标位姿采样模块54、位姿分布计算模块55和定位输出模块56，其中：
点云数据获取模块51，用于获取雷达扫描得到的当前点云数据；
粒子群更新模块52，用于根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
目标位姿确定模块53，用于根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
目标位姿采样模块54，用于在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
位姿分布计算模块55，用于根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；
定位输出模块56，用于根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
在一个实施例中，所述位姿分布计算模块55可以包括：
位姿分布计算单元，用于根据所述多个目标采样粒子对应的当前可能位姿和评分分数，拟合得到高斯分布模型，作为所述当前的位姿分布模型。
在一个实施例中，所述目标位姿采样模块54可以包括：
目标位姿采样单元，用于在所述当前目标位姿的预设周围区域内随机采样，得到多个目标采样粒子。
在一个实施例中，所述目标位姿确定模块53可以包括：
评分单元，用于根据所述当前点云数据对所述粒子群中各粒子进行评分，得到所述粒子群中各粒子的评分分数；
目标位姿确定单元，用于根据所述粒子群中各粒子的评分分数，确定当前目标位姿。
在一个实施例中，所述目标位姿确定单元具体可以用于根据所述粒子群中各粒子的评分分数，将评分分数最高的粒子对应的当前可能位姿作为当前初始位姿；根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿。
在一个实施例中，所述目标位姿确定单元还用于在所述当前初始位姿周围采样得到多个初始采样粒子，以及根据所述当前点云数据对所述多个初始采样粒子进行评分，得到所述多个初始采样粒子的评分分数；选取所述初始采样粒子中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在一个实施例中，所述目标位姿确定单元还用于在所述当前初始位姿的预设周围区域内均匀等间隔采样，得到多个初始采样粒子。
在一个实施例中，所述目标位姿确定单元还用于以所述当前目标位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为新的当前目标位姿。
在一个实施例中，所述目标位姿确定单元还用于以所述当前初始位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为所述当前目标位姿。
在一个实施例中，所述目标位姿确定单元还用于选取所述粒子群中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在一个实施例中，所述装置还可以包括：
统计模块，用于统计粒子群中各粒子的评分分数的第一周期统计值和第二周期统计值；所述第一周期大于所述第二周期；
粒子数目调整模块，用于根据所述第一周期统计值和所述第二周期统计值，调整所述粒子群的粒子数目。
关于定位装置的具体限定可以参见上文中对于定位方法的限定，在此不再赘述。上述定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取雷达扫描得到的当前点云数据；
根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；
根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述多个目标采样粒子对应的当前可能位姿和评分分数，拟合得到高斯分布模型，作为所述当前的位姿分布模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在所述当前目标位姿的预设周围区域内随机采样，得到多个目标采样粒子。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述当前点云数据对所述粒子群中各粒子进行评分，得到所述粒子群中各粒子的评分分数；根据所述粒子群中各粒子的评分分数，确定当前目标位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述粒子群中各粒子的评分分数，将评分分数最高的粒子对应的当前可能位姿作为当前初始位姿；根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在所述当前初始位姿周围采样得到多个初始采样粒子，以及根据所述当前点云数据对所述多个初始采样粒子进行评分，得到所述多个初始采样粒子的评分分数；选取所述初始采样粒子中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在所述当前初始位姿的预设周围区域内均匀等间隔采样，得到多个初始采样粒子。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：以所述当前目标位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为新的当前目标位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：以所述当前初始位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为所述当前目标位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：选取所述粒子群中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：统计粒子群中各粒子的评分分数的第一周期统计值和第二周期统计值；所述第一周期大于所述第二周期；根据所述第一周期统计值和所述第二周期统计值，调整所述粒子群的粒子数目。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取雷达扫描得到的当前点云数据；
根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
根据所述多个目标采样粒子对应的当前可能位姿和评分分数，得到当前的位姿分布模型；
根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述多个目标采样粒子对应的当前可能位姿和评分分数，拟合得到高斯分布模型，作为所述当前的位姿分布模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在所述当前目标位姿的预设周围区域内随机采样，得到多个目标采样粒子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述当前点云数据对所述粒子群中各粒子进行评分，得到所述粒子群中各粒子的评分分数；根据所述粒子群中各粒子的评分分数，确定当前目标位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述粒子群中各粒子的评分分数，将评分分数最高的粒子对应的当前可能位姿作为当前初始位姿；根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在所述当前初始位姿周围采样得到多个初始采样粒子，以及根据所述当前点云数据对所述多个初始采样粒子进行评分，得到所述多个初始采样粒子的评分分数；选取所述初始采样粒子中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在所述当前初始位姿的预设周围区域内均匀等间隔采样，得到多个初始采样粒子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以所述当前目标位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为新的当前目标位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以所述当前初始位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为所述当前目标位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：选取所述粒子群中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：统计粒子群中各粒子的评分分数的第一周期统计值和第二周期统计值；所述第一周期大于所述第二周期；根据所述第一周期统计值和所述第二周期统计值，调整所述粒子群的粒子数目。
参照图6所示，提出了一种机器人，所述机器人包括雷达61、里程计62和上述计算机设备63；所述计算机设备63分别与所述雷达61和所述里程计62连接。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种定位方法，其特征在于，所述方法包括：
获取雷达扫描得到的当前点云数据；
根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
根据所述多个目标采样粒子对应的当前可能位姿和评分分数，拟合得到高斯分布模型，作为当前的位姿分布模型；
根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
2.根据权利要求1所述的方法，其特征在于，所述在所述当前目标位姿周围采样得到多个目标采样粒子，包括：
在所述当前目标位姿的预设周围区域内随机采样，得到多个目标采样粒子。
3.根据权利要求1所述的方法，其特征在于，所述根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿，包括：
根据所述当前点云数据对所述粒子群中各粒子进行评分，得到所述粒子群中各粒子的评分分数；
根据所述粒子群中各粒子的评分分数，确定当前目标位姿。
4.根据权利要求3所述的方法，其特征在于，所述根据所述粒子群中各粒子的评分分数，确定当前目标位姿，包括：
根据所述粒子群中各粒子的评分分数，将评分分数最高的粒子对应的当前可能位姿作为当前初始位姿；
根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿。
5.根据权利要求4所述的方法，其特征在于，所述根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的位姿作为当前目标位姿，包括：
在所述当前初始位姿周围采样得到多个初始采样粒子，以及根据所述当前点云数据对所述多个初始采样粒子进行评分，得到所述多个初始采样粒子的评分分数；
选取所述初始采样粒子中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
6.根据权利要求5所述的方法，其特征在于，所述在所述当前初始位姿周围采样得到多个初始采样粒子，包括：
在所述当前初始位姿的预设周围区域内均匀等间隔采样，得到多个初始采样粒子。
7.根据权利要求5所述的方法，其特征在于，所述根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的当前可能位姿作为当前目标位姿，还包括：
以所述当前目标位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为新的当前目标位姿。
8.根据权利要求4所述的方法，其特征在于，所述根据所述当前初始位姿，通过扫描匹配算法，选取当前点云数据与障碍物地图匹配度最高时的当前可能位姿作为当前目标位姿，包括：
以所述当前初始位姿作为优化变量的初值，以优化变量对应的当前点云数据与障碍物地图之间的不匹配度作为误差，通过非线性最小二乘优化算法，计算得到优化后的优化变量，作为所述当前目标位姿。
9.根据权利要求3所述的方法，其特征在于，所述根据所述粒子群中各粒子的评分分数，确定当前目标位姿，包括：
选取所述粒子群中评分分数最大的粒子对应的当前可能位姿，作为所述当前目标位姿。
10.根据权利要求1-9中任一所述的方法，其特征在于，所述方法还包括：
统计粒子群中各粒子的评分分数的第一周期统计值和第二周期统计值；所述第一周期大于所述第二周期；
根据所述第一周期统计值和所述第二周期统计值，调整所述粒子群的粒子数目。
11.一种定位装置，其特征在于，所述装置包括：
点云数据获取模块，用于获取雷达扫描得到的当前点云数据；
粒子群更新模块，用于根据里程计信息、运动模型、粒子群中各粒子对应的历史可能位姿，更新粒子群中各粒子对应的当前可能位姿；所述粒子群表示位姿的概率分布；
目标位姿确定模块，用于根据所述粒子群中各粒子对应的当前可能位姿和所述当前点云数据，确定当前目标位姿；
目标位姿采样模块，用于在所述当前目标位姿周围采样得到多个目标采样粒子，以及根据所述当前点云数据对所述多个目标采样粒子进行评分，得到所述多个目标采样粒子的评分分数；
位姿分布计算模块，用于根据所述多个目标采样粒子对应的当前可能位姿和评分分数，拟合得到高斯分布模型，作为当前的位姿分布模型；
定位输出模块，用于根据所述当前的位姿分布模型，采样得到新的粒子群，以及输出所述当前目标位姿和所述新的粒子群。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。
13.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
14.一种机器人，其特征在于，所述机器人包括雷达、里程计和权利要求12所述的计算机设备；所述计算机设备分别与所述雷达和所述里程计连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910161043.0A CN109932713B (zh) | 2019-03-04 | 2019-03-04 | 定位方法、装置、计算机设备、可读存储介质和机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910161043.0A CN109932713B (zh) | 2019-03-04 | 2019-03-04 | 定位方法、装置、计算机设备、可读存储介质和机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109932713A CN109932713A (zh) | 2019-06-25 |
| CN109932713B true CN109932713B (zh) | 2021-07-09 |
Family
ID=66986201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910161043.0A Active CN109932713B (zh) | 2019-03-04 | 2019-03-04 | 定位方法、装置、计算机设备、可读存储介质和机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109932713B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11506502B2 (en) * | 2019-07-12 | 2022-11-22 | Honda Motor Co., Ltd. | Robust localization |
| CN110515382A (zh) * | 2019-08-28 | 2019-11-29 | 锐捷网络股份有限公司 | 一种智能设备及其定位方法 |
| CN112639882B (zh) * | 2019-09-12 | 2021-12-14 | 华为技术有限公司 | 定位方法、装置及系统 |
| CN111462321B (zh) * | 2020-03-27 | 2023-08-29 | 广州小鹏汽车科技有限公司 | 点云地图处理方法、处理装置、电子装置和车辆 |
| CN114323035A (zh) * | 2020-09-30 | 2022-04-12 | 华为技术有限公司 | 定位方法、装置和系统 |
| CN112700495B (zh) * | 2020-11-25 | 2024-08-16 | 北京旷视机器人技术有限公司 | 位姿确定方法、装置、机器人、电子设备及存储介质 |
| CN112904369B (zh) * | 2021-01-14 | 2024-03-19 | 深圳市杉川致行科技有限公司 | 机器人重定位方法、装置、机器人和计算机可读存储介质 |
| CN113050116B (zh) * | 2021-03-05 | 2024-02-27 | 深圳市优必选科技股份有限公司 | 机器人定位方法、装置、机器人和可读存储介质 |
| CN113218408B (zh) * | 2021-03-26 | 2024-06-11 | 合肥中科智驰科技有限公司 | 适用于多地形的多传感器融合的2Dslam方法及其系统 |
| CN113776533A (zh) * | 2021-07-29 | 2021-12-10 | 北京旷视科技有限公司 | 可移动设备的重定位方法及装置 |
| CN114593737A (zh) * | 2022-03-11 | 2022-06-07 | 美智纵横科技有限责任公司 | 控制方法、装置、机器人及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005001645A2 (en) * | 2003-06-27 | 2005-01-06 | Locus Pharmaceuticals, Inc. | Method and computer program product for drug discovery using weighted grand canonical metropolis monte carlo sampling |
| CN103604426A (zh) * | 2013-12-02 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种移动机器人位姿估计方法及装置 |
| CN106123892A (zh) * | 2016-06-22 | 2016-11-16 | 武汉科技大学 | 一种基于无线传感器网络与地磁地图的机器人定位方法 |
| CN106949895B (zh) * | 2017-04-13 | 2020-05-19 | 杭州申昊科技股份有限公司 | 一种适用于变电站环境下的巡检机器人定位方法 |
| CN107991683B (zh) * | 2017-11-08 | 2019-10-08 | 华中科技大学 | 一种基于激光雷达的机器人自主定位方法 |
| CN108917759A (zh) * | 2018-04-19 | 2018-11-30 | 电子科技大学 | 基于多层次地图匹配的移动机器人位姿纠正算法 |
-
2019
- 2019-03-04 CN CN201910161043.0A patent/CN109932713B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109932713A (zh) | 2019-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109932713B (zh) | 定位方法、装置、计算机设备、可读存储介质和机器人 | |
| CN109141437B (zh) | 一种机器人全局重定位方法 | |
| EP3384360B1 (en) | Simultaneous mapping and planning by a robot | |
| JP5539680B2 (ja) | 線形特徴を用いた対象追跡 | |
| US11474204B2 (en) | Localization method and robot using the same | |
| EP3654064B1 (en) | Apparatus and method for characterizing an object based on measurement samples from one or more location sensors | |
| US20200233061A1 (en) | Method and system for creating an inverse sensor model and method for detecting obstacles | |
| CN112880694B (zh) | 确定车辆的位置的方法 | |
| CN110082747A (zh) | 基于多个检测点来增加确定车辆位置的可靠性的方法 | |
| WO2018180338A1 (ja) | 情報処理装置、サーバ装置、制御方法、プログラム及び記憶媒体 | |
| CN111060125B (zh) | 碰撞检测方法、装置、计算机设备和存储介质 | |
| CN111179274A (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
| CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
| CN112986982B (zh) | 环境地图参照定位方法、装置和移动机器人 | |
| Berrio et al. | Identifying robust landmarks in feature-based maps | |
| US11574480B2 (en) | Computerized device for driving assistance | |
| CN108490429B (zh) | Tws雷达多目标跟踪方法及系统 | |
| CN118310531A (zh) | 一种由粗到细点云配准的机器人跨场景定位方法及系统 | |
| CN110006432A (zh) | 一种基于几何先验信息下的室内机器人快速重定位的方法 | |
| CN116295353A (zh) | 一种无人车辆的定位方法、装置、设备和存储介质 | |
| EP3654065B1 (en) | Apparatus and method for characterizing an object based on measurement samples from one or more location sensors | |
| CN112344966A (zh) | 一种定位失效检测方法、装置、存储介质及电子设备 | |
| CN117433511B (zh) | 一种多传感器融合定位方法 | |
| EP4198567A1 (en) | Method for determining a beam configuration of a lidar system | |
| CN117889855A (zh) | 移动机器人定位方法、装置、设备以及存储介质 |
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 |