CN109959381A - 一种定位方法、装置、机器人及计算机可读存储介质 - Google Patents
一种定位方法、装置、机器人及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109959381A CN109959381A CN201711401330.1A CN201711401330A CN109959381A CN 109959381 A CN109959381 A CN 109959381A CN 201711401330 A CN201711401330 A CN 201711401330A CN 109959381 A CN109959381 A CN 109959381A
- Authority
- CN
- China
- Prior art keywords
- posture information
- target object
- current time
- information
- posture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000004807 localization Effects 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 29
- 230000033001 locomotion Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000003892 spreading Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000036544 posture Effects 0.000 description 164
- 238000001914 filtration Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- 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
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
- G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/402—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for positioning, e.g. centring a tool relative to a hole in the workpiece, additional detection means to correct position
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0272—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising means for registering the travel distance, e.g. revolutions of wheels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31081—Detect position robot, agv relative to machine to start communication
Abstract
本发明涉及定位技术领域,公开了一种定位方法、装置、机器人及计算机可读存储介质。其中,定位方法包括:获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定,从而提高了定位的准确性。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种定位方法、装置、机器人及计算机可读存储介质。
背景技术
机器人实时定位技术是机器人实现自主导航的关键,其对于提高机器人的智能化水平具有重要意义。现有技术提供了多种可应用于机器人的定位方法,其中,基于扩展卡尔曼滤波算法的定位方法由于能够融合机器人的位置、速度、姿态等多种信息来预测机器人的位置,因而相较于传统的超宽带(Ultra Wideband,UWB)定位、全球定位系统(GlobalPositioning System,GPS)定位等定位方法具有较高的准确性。
然而,在采用基于扩展卡尔曼滤波算法的定位方法对机器人的位置进行预测时,由于预测噪声以及传感器的测量噪声无法完全消除,因而使得预测得到的位置信息与机器人的实际位置信息之间还是会存在一定的偏差。
发明内容
本发明实施例提供一种定位方法、装置、机器人及计算机可读存储介质,能够提高定位结果的准确性。
第一方面,本实施例提供了一种定位方法,用于对目标对象进行定位,所述定位方法包括:
获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻;
获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;
基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;
确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
第二方面,本实施例提供了一种定位装置,用于对目标对象进行定位,所述定位装置包括:
第一获取单元,用于获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻;
第二获取单元,用于获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;
预测单元,用于基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;
修正单元,用于确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
第三方面,本实施例提供了一种定位装置,用于对目标对象进行定位,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现:
获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻;
获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;
基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;
确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
第四方面,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现:
获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻;
获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;
基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;
确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
第五方面,本发明实施例提供了一种机器人,所述机器人包括上述第二方面或第三方面提供的定位装置,所述目标对象为所述机器人。
本发明实施例通过获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;由于在采用扩展卡尔曼滤波模型预测出目标对象在当前时刻的第三位姿信息后,根据用于表征目标对象当前运动方式的约束方程对应的预设约束条件确定第三位姿信息的误差值,并根据该误差值对第三位姿信息进行修正,从而使得修正后的最终位姿信息更加准确,提高了定位的准确性。
附图说明
图1是本发明实施例提供的一种定位方法的实现流程图;
图2是本发明实施例提供的一种定位方法中S103的具体实现流程图;
图3是本发明实施例提供的一种定位方法中S104的具体实现流程图;
图4是本发明实施例提供的一种定位装置的结构图;
图5是本发明另一实施例提供的一种定位装置的结构图。
具体实施方式
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做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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
参见图1,图1是本发明实施例提供的一种定位方法的实现流程图。在图1对应的实施例中,定位方法的执行主体为定位装置。定位装置可以设置于目标对象中,用于对目标对象进行定位。目标对象可以是机器人。
如图1所示的定位方法可以包括以下步骤:
S101:获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息。
在本实施例中,当目标对象接收到定位指令后,启动定位装置开始进行定位,此时定位装置获取目标对象的初始位姿信息。初始位姿信息用于描述在开始定位时刻目标对象的初始位置状态和初始运动状态。
在本实施例中,位姿信息可以包括但不限于位置信息、线速度信息、线加速度信息、角速度信息及偏角信息等。即可以通过位置、线速度、加速度、角速度及偏角等多个参量来描述目标对象的位姿信息。具体的,本实施例中的位姿信息通过包括位置信息、线速度信息、线加速度信息、角速度信息、偏角信息的多维矩阵表示。
具体的,目标对象接收到定位指令时,朝其正前方匀速运动预设距离。定位装置获取该运动过程中设置于目标对象中的定位传感器所采集到的多个位置信息,并对多个位置信息对应的位置点进行直线拟合,将拟合得到的线段的方向确定为目标对象的初始速度方向,将拟合得到的线段的终点的位置信息确定为目标对象的初始位置信息。其中,拟合得到的线段的方向由该线段的起点指向该线段的终点,该线段的起点为上述运动过程中定位传感器采集到的第一个位置信息对应的位置点,该线段的终端为上述运动过程中定位传感器采集到的最后一个位置信息对应的位置点。
预设距离可以根据实际需求确定,此处不做限制。例如预设距离可以为1米。设置于目标对象中的定位传感器可以是基于超宽带(Ultra Wideband,UWB)技术的定位传感器,也可以是其它类型的定位传感器,此处不做限制。
定位装置可以采用最小二乘法对多个位置信息对应的位置点进行直线拟合,也可以采用其他方法对多个位置信息对应的位置点进行直线拟合。
定位装置获取到目标对象的初始位姿信息后,可以基于该初始位姿信息,对目标对象在开始定位时刻的下一时刻的位姿信息进行预测。
具体的,在开始对目标对象进行定位后,定位装置可以基于预设周期,获取通过扩展卡尔曼滤波模型预测出的目标对象在上一时刻的第一位姿信息。
其中,上一时刻指与当前时刻相邻的上一时刻。例如,若预设周期为1秒,则定位装置每隔1秒获取一次通过扩展卡尔曼滤波模型预测出的目标对象在上一时刻的第一位姿信息。假设当前时刻对应的时间为10:01,则上一时刻对应的时间为10:00。
需要说明的是,若当前时刻为开始定位时刻的下一时刻,则定位装置所获取到的目标对象在上一时刻的第一位姿信息即为目标对象的初始位姿信息。
S102:获取传感器采集到的所述目标对象在当前时刻的第二位姿信息。
在开始对目标对象进行定位后,定位装置还获取通过传感器采集到的目标对象在当前时刻的第二位姿信息。
本实施例中的传感器包括但不限于:惯性测量单元(Inertial measurementunit,IMU)、里程计及定位传感器等。
其中,惯性测量单元用于采集目标对象的线加速度信息和角速度信息,里程计用于采集目标对象的第一位置信息、线速度信息及偏角信息,定位传感器用于采集目标对象的第二位置信息。
第一位置信息用于标识目标对象在第一坐标系中的坐标,第二位置信息用于标识目标对象在第二坐标系中的坐标。第一坐标系不同于第二坐标系。具体的,第一坐标系可以是以目标对象在上一时刻所处的位置点为原点,以目标对象在上一时刻正面所朝的方向为x轴正方向,以目标对象在上一时刻正右侧所朝的方向为y轴正方向所建立的坐标系。第二坐标系可以是世界坐标系。
本实施例中的定位传感器可以是基于超宽带(Ultra Wideband,UWB)定位技术的定位传感器,也可以是基于全球定位系统(Global Positioning System,GPS)的定位传感器,或者还可以是其他类型的定位传感器,此处不做限制。
S103:基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息。
定位装置获取到第一位姿信息及第二位姿信息后,基于第一位姿信息和第二位姿信息,通过扩展卡尔曼滤波模型预测目标对象在当前时刻的第三位姿信息。
在本实施例中,S103具体可以包括以下步骤:
基于所述第一位姿信息和所述第二位姿信息,根据所述扩展卡尔曼滤波模型中的状态方程和观测方程计算所述目标对象在当前时刻的第三位姿信息;
所述状态方程为:xk=f(xk-1,uk-1);
所述观测方程为:zk=h(xk)+vk;
其中,xk为第三位姿信息,xk-1为第一位姿信息,uk-1为用于描述位姿信息的参量中的预设参量在上一时刻的控制量,f(x,u)为预设的理想状态转移函数,zk为第二位姿信息,h(x)为根据所述传感器的属性确定的理想状态测量函数,vk为当前时刻用于描述位姿信息的各个参量所对应的测量噪声。
在本实施例中,xk的维度与xk-1的维度相同,均包括了目标对象的位置信息、线速度信息、线加速度信息、角速度信息及偏角信息。
预设参量可以根据实际需求设置,此处不做限制。例如,预设参量可以是位姿信息中的线速度和角速度。uk-1的维度等于预设参量的个数。例如,uk-1可以为用于表征线速度控制量和角速度控制量的二维向量。uk-1的值可以根据目标对象在当前定位过程中的运动方式确定,例如,若目标对象在当前定位过程中的运动方式为匀速直线运动,则uk-1中的线速度控制量和角速度控制量均为0。当然,uk-1的值还可以由用户设置,此处不做限制。
f(x,u)用于表征目标对象当前时刻的位姿信息与上一时刻的位姿信息的转换关系,其可以通过用于描述位姿信息的多个参量中的每个参量分别与其自身以及与其他参量的映射关系来描述。若x的维度为n,则f(x,u)的维度为n×n。f(x,u)具体可以根据目标对象在当前定位过程中的运动方式确定。例如,若目标对象在当前定位过程中的运动方式为匀速直线运动,由于匀速直线运动过程中线速度的变化量为0,因此,f(x,u)中所包含的下一时刻的线速度信息vk与上一时刻的线速度信息vk-1的映射关系可以表示为:vk=vk-1。
在本实施例中,zk的维度与xk的维度或xk-1的维度相同。
h(x)中包含了用于描述位姿信息的各个参量所对应的理想状态测量函数描述,h(x)的维度也与xk的维度或xk-1的维度相同。用于描述位姿信息的各个参量对应的理想状态测量函数可以根据用于测量该参量的传感器的属性确定。在实际应用中,用于描述位姿信息的各个参量对应的理想状态测量函数通常由传感器厂家直接提供。
vk中包含了用于描述位姿信息的各个参量所对应的测量噪声。在实际应用中,用于描述位姿信息的各个参量所对应的测量噪声可以由传感器厂家直接提供,也可以由人为估计,此处不做限制。
S104:确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息。
在本实施例中,预设约束条件可以根据用于表征所述目标对象当前运动方式的约束方程确定。用于表征目标对象当前运动方式的约束方程根据目标对象在当前定位过程中的运动方式确定。例如,若目标对象在当前定位过程中的运动方式为朝其正前方运动,则用于表征其当前运动方式的约束方程可以为y=0,其中,y为目标对象在第一坐标系中的y轴坐标。
确定预设约束条件下所述第三位姿信息的误差值具体可以为:根据预设约束条件、第三位姿信息、位姿信息中各个参量的权重以及预设的误差计算策略,计算预设约束条件下所述第三位姿信息的误差值。
根据误差值对第三位姿信息进行修正具体可以为:将误差值与第三位姿信息进行相加,得到目标对象在当前时刻的最终位姿信息。根据最终位姿信息中的位置信息确定目标对象当前的位置,进而实现对目标对象的定位。
需要说明的是,第三位姿信息或最终位姿信息中所包含的位置信息所依据的坐标系均是世界坐标系。
以上可以看出,本实施例提供的一种定位方法通过获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;由于在采用扩展卡尔曼滤波模型预测出目标对象在当前时刻的第三位姿信息后,根据用于表征目标对象当前运动方式的约束方程对应的预设约束条件确定第三位姿信息的误差值,并根据该误差值对第三位姿信息进行修正,从而使得修正后的最终位姿信息更加准确,提高了定位的准确性。
在本发明一实施例中,S103可以通过如图2所示的S1031和S1032实现:
S1031:根据以下公式计算所述目标对象在当前时刻的预测位姿信息:
xk|k-1=Fk-1·xk-1+Bk-1·uk-1+wk;
其中,xk|k-1为所述目标对象在当前时刻的预测位姿信息,Fk-1为上一时刻的理想状态转移矩阵,所述理想状态转移矩阵为所述理想状态转移函数的矩阵形式,Bk-1为控制量uk-1对应的控制模型矩阵,wk为当前时刻的过程噪声,所述当前时刻的过程噪声用于表征当前预测所述目标对象的位姿信息时的预测误差。
在本实施例中,目标对象在当前时刻的预测位姿信息xk|k-1用于表征直接通过扩展卡尔曼滤波模型中的状态方程计算出的目标对象在当前时刻的位姿信息。
在本实施例中,由于目标对象在不同时刻的运动方式可能不同,因此,不同时刻的理想状态转移函数可能不同,不同时刻的理想状态转移矩形可能不同。
在本实施例中,Bk-1的维度与uk-1的维度的乘积与xk-1的维度相同。
在本实施例中,当前时刻的过程噪声wk可以由人为估计和调整。
S1032:根据以下公式计算所述目标对象在当前时刻的第三位置信息:
xk=xk|k-1+Kk·(zk-h(xk|k-1));
其中,Kk为最优卡尔曼增益。
在本实施例中,最优卡尔曼增益Kk可以根据以下公式计算得到:
其中,Pk|k-1为当前时刻未根据观测矩阵进行更新的误差的协方差矩阵。需要说明的是,此处的误差指直接通过扩展卡尔曼滤波模型中的状态方程计算出的目标对象在当前时刻的位姿信息与通过传感器采集到的目标对象在当前时刻的位姿信息之间的误差。
Hk为当前时刻的观测矩阵。Hk可以根据以下公式计算得到:zk=Hk·xk+vk。
为Hk的转置矩阵,Rk为测量噪声vk的协方差矩阵。
在本实施例中,当前时刻未根据观测矩阵进行更新的误差的协方差矩阵Pk|k-1可以通过以下公式计算得到:
其中,Pk-1|k-1为上一时刻根据传感器采集到的数据进行更新后的误差的协方差矩阵,为Fk-1的转置矩阵,Qk-1为上一时刻的过程噪声wk-1的协方差矩阵。
在本实施例中,在根据当前时刻的理想状态测量函数确定了当前时刻的观测矩阵Hk后,还根据当前时刻的观测矩阵Hk对Pk|k-1进行更新,进而得到当前时刻根据观测矩阵进行更新后的误差的协方差矩阵Pk|k:
Pk|k=(I-Kk·Hk)·Pk|k-1;
其中,I为单位矩阵。
在本发明一实施例中,S104可以通过如图3所示的S1041和S1042实现:
S1041:根据以下公式计算预设约束条件下所述第三位姿信息的误差值:
dk=DT(D·W-1·DT)-1·(D·xk-d);
其中,dk为预设约束条件下所述第三位姿信息的误差值,D和d构成了用于表征所述目标对象当前运动方式的约束方程的约束条件,D和d均为常量,D和d根据所述目标对象当前的运动方式确定,W为权重矩阵,用于表征位姿信息中各个参量的权重;xk为第三位姿信息。
在本实施例中,用于表征目标对象当前运动方式的约束方程可以根据目标对象在当前定位过程中的运动方式以及用于描述位姿信息的各个参量之间的映射关系来确定。具体的,用于表征目标对象当前运动方式的约束方程可以表示为:D·x=d。其中,x表示目标对象在不同时刻的预测位姿信息,D和d即构成了约束方程的约束条件。例如,若位姿信息通过线速度v、线加速度a及角加速度β来描述,用于表征当前定位过程中的目标对象的运动方式的约束方程为:2v+4a-7β=1,则D为[2,4,-7],d为1。
在本实施例中,W的值可以根据当前时刻根据观测矩阵进行更新后的误差的协方差矩阵Pk|k确定。例如,W的值可以与Pk|k的值相等。
S1042:根据以下公式计算所述目标对象在当前时刻的最终位姿信息:
其中,为所述目标对象在当前时刻的最终位姿信息。
以上可以看出,本实施例提供的一种定位方法由于根据用于表征目标对象当前运动方式的约束方程对应的预设约束条件确定第三位姿信息的误差值,并根据该误差值对第三位姿信息进行修正,从而使得修正后的最终位姿信息更加准确,提高了定位的准确性。
参见图4,图4是本发明实施例提供的一种定位装置的结构图。本实施例的定位装置400包括的各单元用于执行图1对应的实施例中的各步骤,具体请参阅图1及图1对应的实施例中的相关描述,此处不赘述。本实施例的定位装置400包括第一获取单元401、第二获取单元402、预测单元403及修正单元404。
第一获取单元401用于获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻。
第二获取单元402用于获取传感器采集到的所述目标对象在当前时刻的第二位姿信息。
预测单元403,用于基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息。
修正单元404,用于确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
进一步的,预测单元403具体用于:
基于所述第一位姿信息和所述第二位姿信息,根据所述扩展卡尔曼滤波模型中的状态方程和观测方程计算所述目标对象在当前时刻的第三位姿信息;
所述状态方程为:xk=f(xk-1,uk-1);
所述观测方程为:zk=h(xk)+vk;
其中,xk为第三位姿信息,xk-1为第一位姿信息,uk-1为用于描述位姿信息的参量中的预设参量在上一时刻的控制量,f(x,u)为预设的理想状态转移函数,zk为第二位姿信息,h(x)为根据所述传感器的属性确定的理想状态测量函数,vk为当前时刻用于描述位姿信息的各个参量所对应的测量噪声。
进一步的,预测单元403还具体用于:
根据以下公式计算所述目标对象在当前时刻的预测位姿信息:
xk|k-1=Fk-1·xk-1+Bk-1·uk-1+wk;
其中,xk|k-1为所述目标对象在当前时刻的预测位姿信息,Fk-1为上一时刻的理想状态转移矩阵,所述理想状态转移矩阵为所述理想状态转移函数的矩阵形式,Bk-1为控制量uk-1对应的控制模型矩阵,wk为当前时刻的过程噪声,所述当前时刻的过程噪声用于表征当前预测所述目标对象的位姿信息时的预测误差;
根据以下公式计算所述目标对象在当前时刻的第三位置信息:
xk=xk|k-1+Kk·(zk-h(xk|k-1));
其中,Kk为最优卡尔曼增益。
进一步的,修正单元404具体用于:
根据以下公式计算预设约束条件下所述第三位姿信息的误差值:
dk=DT(D·W-1·DT)-1·(D·xk-d);
其中,dk为预设约束条件下所述第三位姿信息的误差值,D和d构成了用于表征所述目标对象当前运动方式的约束方程的约束条件,D和d均为常量,D和d根据所述目标对象当前的运动方式确定,W为权重矩阵,用于表征位姿信息中各个参量的权重;xk为第三位姿信息;
根据以下公式计算所述目标对象在当前时刻的最终位姿信息:
其中,为所述目标对象在当前时刻的最终位姿信息。
以上可以看出,本实施例提供的一种定位装置通过获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;由于在采用扩展卡尔曼滤波模型预测出目标对象在当前时刻的第三位姿信息后,根据用于表征目标对象当前运动方式的约束方程对应的预设约束条件确定第三位姿信息的误差值,并根据该误差值对第三位姿信息进行修正,从而使得修正后的最终位姿信息更加准确,提高了定位的准确性。
参见图5,图5是本发明另一实施例提供的一种定位装置的示意图。如图5所示的本实施例中的定位装置500可以包括:处理器501、存储器502以及存储在存储器502中并可在处理器501上运行的计算机程序503,例如定位的程序。处理器501执行计算机程序503时实现上述各个定位方法实施例中的步骤。例如图1所示的S101至S104。或者,处理器501执行计算机程序503时实现上述各设备实施例中各单元的功能,例如图4所述的单元401至404。
示例性的,计算机程序503可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器502中,并由所述处理器501执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序503在定位装置500中的执行过程。例如,所述计算机程序503可以被分割成第一获取单元、第二获取单元、第一匹配单元、预测单元及修正单元,各单元具体功能如下:
第一获取单元用于获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻。
第二获取单元用于获取传感器采集到的所述目标对象在当前时刻的第二位姿信息。
预测单元用于基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息。
修正单元用于确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
进一步的,预测单元具体用于:
基于所述第一位姿信息和所述第二位姿信息,根据所述扩展卡尔曼滤波模型中的状态方程和观测方程计算所述目标对象在当前时刻的第三位姿信息;
所述状态方程为:xk=f(xk-1,uk-1);
所述观测方程为:zk=h(xk)+vk;
其中,xk为第三位姿信息,xk-1为第一位姿信息,uk-1为用于描述位姿信息的参量中的预设参量在上一时刻的控制量,f(x,u)为预设的理想状态转移函数,zk为第二位姿信息,h(x)为根据所述传感器的属性确定的理想状态测量函数,vk为当前时刻用于描述位姿信息的各个参量所对应的测量噪声。
进一步的,预测单元403还具体用于:
根据以下公式计算所述目标对象在当前时刻的预测位姿信息:
xk|k-1=Fk-1·xk-1+Bk-1·uk-1+wk;
其中,xk|k-1为所述目标对象在当前时刻的预测位姿信息,Fk-1为上一时刻的理想状态转移矩阵,所述理想状态转移矩阵为所述理想状态转移函数的矩阵形式,Bk-1为控制量uk-1对应的控制模型矩阵,wk为当前时刻的过程噪声,所述当前时刻的过程噪声用于表征当前预测所述目标对象的位姿信息时的预测误差;
根据以下公式计算所述目标对象在当前时刻的第三位置信息:
xk=xk|k-1+Kk·(zk-h(xk|k-1));
其中,Kk为最优卡尔曼增益。
进一步的,修正单元404具体用于:
根据以下公式计算预设约束条件下所述第三位姿信息的误差值:
dk=DT(D·W-1·DT)-1·(D·xk-d);
其中,dk为预设约束条件下所述第三位姿信息的误差值,D和d构成了用于表征所述目标对象当前运动方式的约束方程的约束条件,D和d均为常量,D和d根据所述目标对象当前的运动方式确定,W为权重矩阵,用于表征位姿信息中各个参量的权重;xk为第三位姿信息;
根据以下公式计算所述目标对象在当前时刻的最终位姿信息:
其中,为所述目标对象在当前时刻的最终位姿信息。
所述定位装置可包括,但不仅限于,处理器501、存储器502。本领域技术人员可以理解,图5仅仅是定位装置500的示例,并不构成对定位装置500的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述调节封闭工作环境的装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器502可以是所述定位装置500的内部存储单元,例如定位装置500的硬盘或内存。所述存储器502也可以是所述定位装置500的外部存储设备,例如所述定位装置500上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器502还可以既包括所述定位装置500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述调节封闭工作环境的装置所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种机器人,该机器人包含图4或图5所对应的实施例中的定位装置。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述设备中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个设备,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述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精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种定位方法,用于对目标对象进行定位,其特征在于,包括:
获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻;
获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;
基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;
确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
2.根据权利要求1所述的定位方法,其特征在于,所述位姿信息包括位置信息、线速度信息、线加速度信息、角速度信息及偏角信息。
3.根据权利要求1所述的定位方法,其特征在于,所述基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息,包括:
基于所述第一位姿信息和所述第二位姿信息,根据所述扩展卡尔曼滤波模型中的状态方程和观测方程计算所述目标对象在当前时刻的第三位姿信息;
所述状态方程为:xk=f(xk-1,uk-1);
所述观测方程为:zk=h(xk)+vk;
其中,xk为第三位姿信息,xk-1为第一位姿信息,uk-1为用于描述位姿信息的参量中的预设参量在上一时刻的控制量,f(x,u)为预设的理想状态转移函数,zk为第二位姿信息,h(x)为根据所述传感器的属性确定的理想状态测量函数,vk为当前时刻用于描述位姿信息的各个参量所对应的测量噪声。
4.根据权利要求3所述的定位方法,其特征在于,所述基于所述第一位姿信息和所述第二位姿信息,根据所述扩展卡尔曼滤波模型中的状态方程和观测方程计算所述目标对象在当前时刻的第三位姿信息,包括:
根据以下公式计算所述目标对象在当前时刻的预测位姿信息:
xk|k-1=Fk-1·xk-1+Bk-1·uk-1+wk;
其中,xk|k-1为所述目标对象在当前时刻的预测位姿信息,Fk-1为上一时刻的理想状态转移矩阵,所述理想状态转移矩阵为所述理想状态转移函数的矩阵形式,Bk-1为控制量uk-1对应的控制模型矩阵,wk为当前时刻的过程噪声,所述当前时刻的过程噪声用于表征当前预测所述目标对象的位姿信息时的预测误差;
根据以下公式计算所述目标对象在当前时刻的第三位置信息:
xk=xk|k-1+Kk·(zk-h(xk|k-1));
其中,Kk为最优卡尔曼增益。
5.根据权利要求1至4任一项所述的定位方法,其特征在于,所述确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息,包括:
根据以下公式计算预设约束条件下所述第三位姿信息的误差值:
dk=DT(D·W-1·DT)-1·(D·xk-d);
其中,dk为预设约束条件下所述第三位姿信息的误差值,D和d构成了用于表征所述目标对象当前运动方式的约束方程的约束条件,D和d均为常量,D和d根据所述目标对象当前的运动方式确定,W为权重矩阵,用于表征位姿信息中各个参量的权重;xk为第三位姿信息;
根据以下公式计算所述目标对象在当前时刻的最终位姿信息:
其中,为所述目标对象在当前时刻的最终位姿信息。
6.一种定位装置,用于对目标对象进行定位,其特征在于,包括:
第一获取单元,用于获取通过扩展卡尔曼滤波模型预测出的所述目标对象在上一时刻的第一位姿信息;其中,所述上一时刻为与当前时刻相邻的上一时刻;
第二获取单元,用于获取传感器采集到的所述目标对象在当前时刻的第二位姿信息;
预测单元,用于基于所述第一位姿信息和所述第二位姿信息,通过所述扩展卡尔曼滤波模型预测所述目标对象在当前时刻的第三位姿信息;
修正单元,用于确定预设约束条件下所述第三位姿信息的误差值,根据所述误差值对所述第三位姿信息进行修正,得到所述目标对象在当前时刻的最终位姿信息;其中,所述预设约束条件根据用于表征所述目标对象当前运动方式的约束方程确定。
7.根据权利要求6所述的定位装置,其特征在于,所述预测单元具体用于:
基于所述第一位姿信息和所述第二位姿信息,根据所述扩展卡尔曼滤波模型中的状态方程和观测方程计算所述目标对象在当前时刻的第三位姿信息;
所述状态方程为:xk=f(xk-1,uk-1);
所述观测方程为:zk=h(xk)+vk;
其中,xk为第三位姿信息,xk-1为第一位姿信息,uk-1为用于描述位姿信息的参量中的预设参量在上一时刻的控制量,f(x,u)为预设的理想状态转移函数,zk为第二位姿信息,h(x)为根据所述传感器的属性确定的理想状态测量函数,vk为当前时刻用于描述位姿信息的各个参量所对应的测量噪声。
8.一种定位装置,用于对目标对象进行定位,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
10.一种机器人,其特征在于,所述机器人包括如权利要求6或7所述的定位装置,所述目标对象为所述机器人。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401330.1A CN109959381B (zh) | 2017-12-22 | 2017-12-22 | 一种定位方法、装置、机器人及计算机可读存储介质 |
US16/030,843 US10852139B2 (en) | 2017-12-22 | 2018-07-09 | Positioning method, positioning device, and robot |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401330.1A CN109959381B (zh) | 2017-12-22 | 2017-12-22 | 一种定位方法、装置、机器人及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109959381A true CN109959381A (zh) | 2019-07-02 |
CN109959381B CN109959381B (zh) | 2021-06-04 |
Family
ID=66951013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711401330.1A Active CN109959381B (zh) | 2017-12-22 | 2017-12-22 | 一种定位方法、装置、机器人及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10852139B2 (zh) |
CN (1) | CN109959381B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456392A (zh) * | 2019-08-23 | 2019-11-15 | 北京建筑大学 | 一种建筑塔机横臂位置精准定位可靠性验证方法 |
CN110515381A (zh) * | 2019-08-22 | 2019-11-29 | 浙江迈睿机器人有限公司 | 用于定位机器人的多传感器融合算法 |
CN110632622A (zh) * | 2019-08-23 | 2019-12-31 | 北京建筑大学 | 建筑塔机及其吊钩位置精准定位可靠性验证系统 |
CN110657799A (zh) * | 2019-09-26 | 2020-01-07 | 广东省海洋工程装备技术研究所 | 一种空间实时定位方法、计算机装置及计算机可读存储介质 |
CN110774319A (zh) * | 2019-10-31 | 2020-02-11 | 深圳市优必选科技股份有限公司 | 一种机器人及其定位方法和装置 |
CN111110348A (zh) * | 2019-12-28 | 2020-05-08 | 元化智能科技(深圳)有限公司 | 定位方法、定位装置、定位系统及计算机可读存储介质 |
CN111121768A (zh) * | 2019-12-23 | 2020-05-08 | 深圳市优必选科技股份有限公司 | 一种机器人位姿估计方法、装置、可读存储介质及机器人 |
CN111145634A (zh) * | 2019-12-31 | 2020-05-12 | 深圳市优必选科技股份有限公司 | 一种校正地图的方法及装置 |
CN111325510A (zh) * | 2020-03-03 | 2020-06-23 | 北京旷视机器人技术有限公司 | 确定托盘位置的方法、装置、电子设备和仓库管理系统 |
CN111578928A (zh) * | 2020-05-07 | 2020-08-25 | 北京邮电大学 | 一种基于多源融合定位系统的定位方法及装置 |
CN112362084A (zh) * | 2020-11-23 | 2021-02-12 | 北京三快在线科技有限公司 | 一种数据标定方法、装置及数据标定系统 |
CN112405526A (zh) * | 2020-10-26 | 2021-02-26 | 北京市商汤科技开发有限公司 | 一种机器人的定位方法及装置、设备、存储介质 |
CN112486318A (zh) * | 2020-11-26 | 2021-03-12 | 北京字跳网络技术有限公司 | 图像显示方法、装置、可读介质及电子设备 |
CN112710308A (zh) * | 2019-10-25 | 2021-04-27 | 阿里巴巴集团控股有限公司 | 机器人的定位方法、装置和系统 |
CN112883134A (zh) * | 2021-02-01 | 2021-06-01 | 上海三一重机股份有限公司 | 数据融合建图方法、装置、电子设备及存储介质 |
CN113091743A (zh) * | 2021-03-30 | 2021-07-09 | 浙江欣奕华智能科技有限公司 | 机器人的室内定位方法及装置 |
CN113568018A (zh) * | 2021-07-14 | 2021-10-29 | 广东汇天航空航天科技有限公司 | 定位信息的更新方法、装置、电子设备及存储介质 |
CN114360292A (zh) * | 2021-12-27 | 2022-04-15 | 中煤科工集团信息技术有限公司 | 用于露天矿无人驾驶车辆的防碰撞方法、系统及介质 |
CN116659487A (zh) * | 2022-11-02 | 2023-08-29 | 丰疆智能(深圳)有限公司 | 位姿调整方法、位姿调整装置、电子设备及可读存储介质 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020091415A (ja) * | 2018-12-06 | 2020-06-11 | キヤノン株式会社 | レンズ制御装置、及びその制御方法 |
CN112577513A (zh) * | 2019-09-27 | 2021-03-30 | 北京初速度科技有限公司 | 一种状态量误差确定方法及车载终端 |
CN111132029B (zh) * | 2019-10-16 | 2022-03-01 | 张苏 | 基于地形约束的定位方法及装置 |
CN113124859B (zh) * | 2019-12-30 | 2023-03-21 | 北京极智嘉科技股份有限公司 | 机器人、角速度校正方法及计算机可读存储介质 |
CN111398984B (zh) * | 2020-03-22 | 2022-03-29 | 华南理工大学 | 基于扫地机器人的自适应激光雷达点云校正与定位方法 |
US11768504B2 (en) | 2020-06-10 | 2023-09-26 | AI Incorporated | Light weight and real time slam for robots |
US11809193B2 (en) * | 2020-07-21 | 2023-11-07 | Tusimple, Inc. | Data-driven control for autonomous driving |
CN114260890B (zh) * | 2020-08-26 | 2023-11-03 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN112083377B (zh) * | 2020-09-17 | 2023-03-17 | 哈尔滨工程大学 | 一种水下机器人的位置估计方法及装置 |
CN112590806B (zh) * | 2020-11-30 | 2022-08-30 | 上海欧菲智能车联科技有限公司 | 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质 |
CN112683263B (zh) * | 2020-12-12 | 2022-11-11 | 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 |
CN112862161A (zh) * | 2021-01-18 | 2021-05-28 | 上海燕汐软件信息科技有限公司 | 货物分拣管理方法、装置、电子设备和存储介质 |
CN113189541B (zh) * | 2021-04-23 | 2023-12-12 | 北京邮电大学 | 一种定位方法、装置及设备 |
CN113203419B (zh) * | 2021-04-25 | 2023-11-10 | 重庆大学 | 基于神经网络的室内巡检机器人校正定位方法 |
CN113473365A (zh) * | 2021-07-05 | 2021-10-01 | 上海海事大学 | 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法 |
CN114501615B (zh) * | 2021-12-21 | 2024-04-12 | 网络通信与安全紫金山实验室 | 终端定位方法、装置、计算机设备、存储介质和程序产品 |
CN115493598B (zh) * | 2022-11-15 | 2023-03-10 | 西安羚控电子科技有限公司 | 运动过程中的目标定位方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070073473A1 (en) * | 2005-09-26 | 2007-03-29 | Altan Osman D | System and method of target tracking using sensor fusion |
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 |
CN106708048A (zh) * | 2016-12-22 | 2017-05-24 | 清华大学 | 机器人的天花板图像定位方法和系统 |
CN107030699A (zh) * | 2017-05-18 | 2017-08-11 | 广州视源电子科技股份有限公司 | 位姿误差修正方法及装置、机器人及存储介质 |
CN107084714A (zh) * | 2017-04-29 | 2017-08-22 | 天津大学 | 一种基于RoboCup3D的多机器人协作目标定位方法 |
CN107167148A (zh) * | 2017-05-24 | 2017-09-15 | 安科机器人有限公司 | 同步定位与地图构建方法和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4148276B2 (ja) * | 2006-05-09 | 2008-09-10 | ソニー株式会社 | 位置推定装置、位置推定方法及びプログラム記録媒体 |
US8655588B2 (en) * | 2011-05-26 | 2014-02-18 | Crown Equipment Limited | Method and apparatus for providing accurate localization for an industrial vehicle |
-
2017
- 2017-12-22 CN CN201711401330.1A patent/CN109959381B/zh active Active
-
2018
- 2018-07-09 US US16/030,843 patent/US10852139B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070073473A1 (en) * | 2005-09-26 | 2007-03-29 | Altan Osman D | System and method of target tracking using sensor fusion |
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 |
CN106708048A (zh) * | 2016-12-22 | 2017-05-24 | 清华大学 | 机器人的天花板图像定位方法和系统 |
CN107084714A (zh) * | 2017-04-29 | 2017-08-22 | 天津大学 | 一种基于RoboCup3D的多机器人协作目标定位方法 |
CN107030699A (zh) * | 2017-05-18 | 2017-08-11 | 广州视源电子科技股份有限公司 | 位姿误差修正方法及装置、机器人及存储介质 |
CN107167148A (zh) * | 2017-05-24 | 2017-09-15 | 安科机器人有限公司 | 同步定位与地图构建方法和设备 |
Non-Patent Citations (3)
Title |
---|
ZHU JIA-XIONG 等: ""Self-balancing Robot Pose Estimated Based on the"", 《2012 INTERNATIONAL CONFERENCE ON COMPUTATIONAL PROBLEM-SOLVING 》 * |
丁学恭: "《机器人控制研究》", 30 September 2006 * |
甘清: ""基于EKF的室内机器人定位技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515381A (zh) * | 2019-08-22 | 2019-11-29 | 浙江迈睿机器人有限公司 | 用于定位机器人的多传感器融合算法 |
CN113376665B (zh) * | 2019-08-23 | 2022-07-22 | 北京建筑大学 | Gnss精准定位建筑塔机横臂位置的可靠性验证方法 |
CN110632622A (zh) * | 2019-08-23 | 2019-12-31 | 北京建筑大学 | 建筑塔机及其吊钩位置精准定位可靠性验证系统 |
CN110456392B (zh) * | 2019-08-23 | 2021-05-11 | 北京建筑大学 | 一种建筑塔机横臂位置精准定位可靠性验证方法 |
CN110456392A (zh) * | 2019-08-23 | 2019-11-15 | 北京建筑大学 | 一种建筑塔机横臂位置精准定位可靠性验证方法 |
CN113376665A (zh) * | 2019-08-23 | 2021-09-10 | 北京建筑大学 | Gnss精准定位建筑塔机横臂位置的可靠性验证方法 |
CN110657799A (zh) * | 2019-09-26 | 2020-01-07 | 广东省海洋工程装备技术研究所 | 一种空间实时定位方法、计算机装置及计算机可读存储介质 |
CN110657799B (zh) * | 2019-09-26 | 2022-09-09 | 广东省海洋工程装备技术研究所 | 一种空间实时定位方法、计算机装置及计算机可读存储介质 |
CN112710308A (zh) * | 2019-10-25 | 2021-04-27 | 阿里巴巴集团控股有限公司 | 机器人的定位方法、装置和系统 |
CN110774319A (zh) * | 2019-10-31 | 2020-02-11 | 深圳市优必选科技股份有限公司 | 一种机器人及其定位方法和装置 |
CN111121768A (zh) * | 2019-12-23 | 2020-05-08 | 深圳市优必选科技股份有限公司 | 一种机器人位姿估计方法、装置、可读存储介质及机器人 |
CN111110348A (zh) * | 2019-12-28 | 2020-05-08 | 元化智能科技(深圳)有限公司 | 定位方法、定位装置、定位系统及计算机可读存储介质 |
CN111145634A (zh) * | 2019-12-31 | 2020-05-12 | 深圳市优必选科技股份有限公司 | 一种校正地图的方法及装置 |
CN111145634B (zh) * | 2019-12-31 | 2022-02-22 | 深圳市优必选科技股份有限公司 | 一种校正地图的方法及装置 |
CN111325510B (zh) * | 2020-03-03 | 2024-01-26 | 北京旷视机器人技术有限公司 | 确定托盘位置的方法、装置、电子设备和仓库管理系统 |
CN111325510A (zh) * | 2020-03-03 | 2020-06-23 | 北京旷视机器人技术有限公司 | 确定托盘位置的方法、装置、电子设备和仓库管理系统 |
CN111578928B (zh) * | 2020-05-07 | 2022-04-05 | 北京邮电大学 | 一种基于多源融合定位系统的定位方法及装置 |
CN111578928A (zh) * | 2020-05-07 | 2020-08-25 | 北京邮电大学 | 一种基于多源融合定位系统的定位方法及装置 |
CN112405526A (zh) * | 2020-10-26 | 2021-02-26 | 北京市商汤科技开发有限公司 | 一种机器人的定位方法及装置、设备、存储介质 |
CN112362084A (zh) * | 2020-11-23 | 2021-02-12 | 北京三快在线科技有限公司 | 一种数据标定方法、装置及数据标定系统 |
CN112486318A (zh) * | 2020-11-26 | 2021-03-12 | 北京字跳网络技术有限公司 | 图像显示方法、装置、可读介质及电子设备 |
CN112883134A (zh) * | 2021-02-01 | 2021-06-01 | 上海三一重机股份有限公司 | 数据融合建图方法、装置、电子设备及存储介质 |
CN113091743A (zh) * | 2021-03-30 | 2021-07-09 | 浙江欣奕华智能科技有限公司 | 机器人的室内定位方法及装置 |
CN113091743B (zh) * | 2021-03-30 | 2022-12-23 | 浙江欣奕华智能科技有限公司 | 机器人的室内定位方法及装置 |
CN113568018A (zh) * | 2021-07-14 | 2021-10-29 | 广东汇天航空航天科技有限公司 | 定位信息的更新方法、装置、电子设备及存储介质 |
CN114360292A (zh) * | 2021-12-27 | 2022-04-15 | 中煤科工集团信息技术有限公司 | 用于露天矿无人驾驶车辆的防碰撞方法、系统及介质 |
CN116659487A (zh) * | 2022-11-02 | 2023-08-29 | 丰疆智能(深圳)有限公司 | 位姿调整方法、位姿调整装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20190195631A1 (en) | 2019-06-27 |
US10852139B2 (en) | 2020-12-01 |
CN109959381B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109959381A (zh) | 一种定位方法、装置、机器人及计算机可读存储介质 | |
CN107084714B (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
KR20170042260A (ko) | 목표의 실시간 위치 측정과 지도 구축 방법 및 장치 | |
CN109543703A (zh) | 传感器数据处理的方法及装置 | |
CN109176512A (zh) | 一种体感控制机器人的方法、机器人及控制装置 | |
CN106599368A (zh) | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 | |
CN106840163A (zh) | 一种室内定位方法及系统 | |
CN106643715A (zh) | 一种基于bp神经网络改善的室内惯性导航方法 | |
CN108332759A (zh) | 一种基于3d激光的地图构建方法及系统 | |
CN108235725A (zh) | 基于云端的轨迹地图生成方法、装置、设备及应用程序 | |
CN108805859A (zh) | 一种图像检测方法、图像检测装置及终端设备 | |
CN109840508A (zh) | 一个基于深度网络架构自动搜索的机器人视觉控制方法,设备及存储介质 | |
CN110533724A (zh) | 基于深度学习和注意力机制的单目视觉里程计算方法 | |
CN110345936A (zh) | 运动装置的轨迹数据处理方法及其处理系统 | |
Salehi et al. | Body-IMU autocalibration for inertial hip and knee joint tracking | |
CN107972027A (zh) | 机器人的定位方法和装置、机器人 | |
CN106264545B (zh) | 步伐识别方法及装置 | |
Ousingsawat et al. | Establishing trajectories for multi-vehicle reconnaissance | |
CN105509748B (zh) | 机器人的导航方法及装置 | |
CN105303192B (zh) | 一种基于混合描述子的形状匹配方法及系统 | |
CN106127119B (zh) | 基于彩色图像和深度图像多特征的联合数据关联方法 | |
CN110060296A (zh) | 估计姿态的方法、电子设备和显示虚拟对象的方法及设备 | |
CN108829996A (zh) | 获得车辆定位信息的方法及装置 | |
CN109696654A (zh) | 定位方法及终端设备 | |
CN108111976B (zh) | 一种WiFi信号指纹数据优化方法及装置 |
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 |