CN110285806A - 基于多次位姿校正的移动机器人快速精确定位算法 - Google Patents
基于多次位姿校正的移动机器人快速精确定位算法 Download PDFInfo
- Publication number
- CN110285806A CN110285806A CN201910604608.8A CN201910604608A CN110285806A CN 110285806 A CN110285806 A CN 110285806A CN 201910604608 A CN201910604608 A CN 201910604608A CN 110285806 A CN110285806 A CN 110285806A
- Authority
- CN
- China
- Prior art keywords
- pose
- ndt
- map
- robot
- algorithm
- 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
- G01C21/005—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
- 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
- G01C21/165—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 combined with non-inertial navigation instruments
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
Abstract
本发明公开了一种基于多次位姿校正的移动机器人快速精确定位算法,属于机器人和计算机图形学技术领域。本发明所述算法利用UKF结合机器人运动模型融合IMU和里程计的数据,把这个融合结果作为AMCL的运动模型采样数据源。接着利用已知全局栅格地图和激光雷达测量作为观测对机器人进行第二次位姿校正。然后用NDT算法将激光扫描转换为NDT分布,把AMCL算法校正后的位姿作为初始变换,将当前扫描的NDT分布与事先转化为NDT分布的全局地图进行匹配,校正转移矩阵,实现最后一次位姿校正。本发明所述方法可以使机器人在复杂地形中实现快速精准的定位,解决了里程计和加速度计误差累积、定位算法所用传感器信息来源单一、以及复杂地形中点云匹配算法耗时高等问题。
Description
技术领域
本发明属于机器人和计算机图形学技术领域,具体涉及一种基于多次位姿校正的移动机器人快速精确定位算法。
背景技术
随着人类进入信息产业革命时代,人工智能技术迅速发展,移动机器人技术正以前所未有的速度发展革新,逐渐渗透各个行业。定位技术作为移动机器人认知自己在环境中所处位置的根本方式,一直都是机器人领域的研究热点。然而,很多定位算法只针对单个传感器,有的算法又仅用单个算法融合众多传感器的数据。这两种方式在某种特殊环境下,可以使机器人达到一定的定位精度,但是在复杂的环境中常常由于传感器的累积误差导致定位精度降低,或者是由于环境太复杂导致定位时间不能满足实时性要求。
目前很多研究提出扩展卡尔曼滤波(EKF,Extended Kalman Filter)、UKF、蒙特卡洛定位(MCL,Monte Carlo Localization)、点云匹配(Point Clouds Matching)等一系列算法。其中,扩展卡尔曼滤波和无迹卡尔曼滤波由于存在误差累积现象,随着时间的累积其算法定位精度会越来越低;蒙特卡洛通常会得到一个比卡尔曼滤波方法更加精确的定位结果,但由于算法粒子数量越多,其算法对工控机性能要求越高,通常不能达到一个非常精确的定位结果;最后,点云匹配技术适用于机器人精确定位,然而点云匹配技术普遍存在对初始值依赖大的情况,同时在复杂的环境中,一些常用的点云匹配算法如迭代最近点(ICP,Iterative Closest Point)往往会消耗掉大量的时间。
为此,采用无迹卡尔曼滤波对机器人位姿进行一次校正,然后利用增强蒙特卡洛进行二次校正,最后采用D2D 2D-NDT来进行最后一次校正,既能够有效地克服里程计和IMU累计误差,还能够在复杂的环境中快速定位机器人位姿。
发明内容
本发明的目的是解决现有算法在机器人定位过程中存在的误差累积,定位精度低,复杂环境中定位耗时高等问题,提供一种基于多次位姿校正的移动机器人快速精确定位算法。
本发明所提出的技术问题是这样解决的:
一种基于多次位姿校正的移动机器人快速精确定位算法,其特征在于,包括以下步骤:
步骤1.利用SLAM算法建立复杂环境的二维栅格地图;在每次算法执行前,先加载已经建好的栅格地图;
步骤2.栅格地图上的黑色像素点代表激光扫描到的障碍物,把相应的黑色像素点转化为图像标系下的激光点云数据格式;再将图像坐标系下的激光点云转换至地图坐标系下,从而得到全局点云地图;
步骤3.选择尺寸为S的栅格将全局点云规则的划分到各个栅格中,计算点数大于3的栅格中的点的均值和方差,用此均值和方差表示当前栅格内点的正态分布,从而将全局点云地图转换为全局NDT地图;
步骤4.根据UKF原理,用机器人的差分运动模型预测机器人位姿,将里程计和IMU数据作为UKF的观测校正机器人位姿,从而得到一个融合机器人运动模型、里程计数据和IMU数据的融合位姿;
步骤5.采用AMCL算法,从UKF的融合位姿中采样获取一系列机器人全局位姿预测值,然后根据二维激光雷达的观测与全局栅格地图障碍物的分布,从似然域测量模型中获取预测位姿权重,根据权重校正机器人的位姿预测值,从而获得全局位姿;
步骤6.将当前时刻二维激光扫描到的点云转换为NDT分布;
步骤7.将AMCL输出的全局位姿转换为相对于地图原点的转移矩阵P0=(R,t),其中R为旋转矩阵,t为平移向量;
步骤8.采用二维分布到分布的NDT算法,把P0作为初始转移矩阵,并令最优转移矩阵Pbest=P0,匹配当前时刻的NDT分布与全局NDT地图,迭代校正(R,t),机器人最终位姿以Pbest=(R,t)表示;
步骤9.将转移矩阵Pbest转换为机器人对应全局地图的位姿,即最终定位位姿。
本发明步骤8包括:
步骤8-1.令当前迭代次数为k,将当前的NDT分布通过第k次迭代的转移矩阵Pk映射到全局NDT地图坐标系下;
步骤8-2.计算当前的NDT分布与全局NDT地图的相关性评分score(P)k,其中,μi,μj为当前NDT分布第i个栅格内的均值和距离该栅格最近的全局NDT地图栅格的均值;∑i,∑j为对应方差;d1,d2为归一化参数;
步骤8-3.牛顿法最小化函数f=-score,求解转移矩阵增量ΔP;
步骤8-4.令第k+1次迭代的转移矩阵Pk+1=Pk+ΔP,并计算在Pk+1下,当前的NDT分布与全局NDT地图的相关性评分score(P)k+1,若score(P)k+1>score(P)k,则令Pbest=Pk+1;
步骤8-5.判断转移矩阵增量ΔP是否达到精度要求,或者迭代次数k是否大于最大迭代次数,若是则进行下一步,否则返回执行步骤8-1。
本发明的有益效果是:本发明所述方法对复杂环境下的现有机器人定位算法进行了改进,提出了基于多次位姿校正的移动机器人快速精确定位算法。通过AMCL从UKF融合数据中采样的形式,减少了里程计和IMU中越来越大的累计误差,此后又利用AMCL将激光扫描和环境栅格地图结合信息融合,实现机器人的全局定位。接着将全局地图和激光扫描完成D2D2D-NDT匹配,进一步提高定位精度的同时避免了使用ICP等耗时高的算法,从而实现复杂环境下机器人的实时定位。
附图说明
图1为本发明所述基于多次位姿校正的移动机器人快速精确定位算法流程图;
图2为本发明中栅格地图转换为全局目标点云地图的效果图;
图3为本发明中UKF输出位姿与机器人真实位姿对比图;
图4为本发明中UKF输出位姿与机器人真实位姿的位置误差图;
图5为本发明中UKF输出位姿与机器人真实位姿的角度误差图;
图6为本发明中UKF+AMCL输出位姿与机器人真实位姿对比图;
图7为本发明中UKF+AMCL输出位姿与机器人真实位姿的位置误差图;
图8为本发明中UKF+AMCL输出位姿与机器人真实位姿的角度误差图;
图9为本发明中UKF+AMCL+D2D 2D-NDT(图中简写为UKF+AMCL+NDT)输出位姿与机器人真实位姿对比图;
图10为本发明中UKF+AMCL+D2D 2D-NDT输出位姿与机器人真实位姿的位置误差图;
图11为本发明中UKF+AMCL+D2D 2D-NDT输出位姿与机器人真实位姿的角度误差图;
图12为本发明中UKF+AMCL+D2D 2D-NDT(图中简写为UKF+AMCL+NDT)和EKF+AMCL+ICP算法时间对比图
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
本实施例提供一种基于多次位姿校正的移动机器人快速精确定位算法,本发明实施例采用HUSKY A200机器人进行算法验证,机器人内部装有ROS系统的工控机、运动控制模块、信息采集模块、惯性测量单元、里程计等元件,外部搭载LMS151二维激光雷达、视觉相机、红外热像仪等部件。本发明实施例使用的栅格地图由机器人通过开源SLAM框架gmaping建成。对算法进行了定位精度和定位时间两部分实验。定位精度测试部分,机器人每移动80厘米或者旋转20度记录一次数据,共记录60次数据,数据内容包括原始激光点云、UKF输出位姿、AMCL算法输出位姿。定位时间测试部分,分别记录本发明提出的UKF+AMCL+D2D 2D-NDT算法和前人的EKF+AMCL+ICP算法在机器人移动过程中定位消耗时间,共计100组。本发明进行了多次实验对比,最终验证了本发明提出的基于多次位姿校正的移动机器人快速精确定位算法比起现有的一些定位算法在复杂环境中定位精度和时间都有明显的改进效果。算法流程图如图1所示,包括以下步骤:
步骤1.利用SLAM算法建立复杂环境的二维栅格地图;在每次算法执行前,先加载已经建好的栅格地图;
步骤2.栅格地图上的黑色像素点代表激光扫描到的障碍物,把相应的黑色像素点转化为图像标系下的激光点云数据格式;再将图像坐标系下的激光点云转换至地图坐标系下,从而得到全局点云地图,如图2所示;
步骤3.选择尺寸为1米的栅格将全局点云规则的划分到各个栅格中,计算点数大于3的栅格中的点的均值和方差,用此均值和方差表示当前栅格内点的正态分布,从而将全局点云地图转换为全局NDT地图;
步骤4.根据UKF原理,用机器人的差分运动模型预测机器人位姿,将里程计和IMU数据作为UKF的观测校正机器人位姿,从而得到一个融合机器人运动模型、里程计数据和IMU数据的融合位姿;UKF输出位姿与机器人真实位姿对比如图3所示,其各个点的位置误差如图4,角度误差如图5;
步骤5.采用AMCL算法,从UKF的融合位姿中采样获取一系列机器人全局位姿预测值,然后根据二维激光雷达的观测与全局栅格地图障碍物的分布,从似然域测量模型中获取预测位姿权重,根据权重校正机器人的位姿预测值,从而获得全局位姿;AMCL输出位姿与机器人真实位姿对比如图6所示,其各个点的位置误差如图7,角度误差如图8;
步骤6.将当前时刻二维激光扫描到的点云转换为NDT分布;
步骤7.将AMCL输出的全局位姿转换为相对于地图原点的转移矩阵P0=(R,t),其中R为旋转矩阵,t为平移向量;
步骤8.采用二维分布到分布的NDT算法,把P0作为初始转移矩阵,并令最优转移矩阵Pbest=P0,匹配当前时刻的NDT分布与全局NDT地图,迭代校正(R,t),机器人最终位姿以Pbest=(R,t)表示;
步骤9.将转移矩阵Pbest转换为机器人对应全局地图的位姿,即最终定位位姿;最终定位位姿与机器人真实位姿对比如图9所示,其各个点的位置误差如图10,角度误差如图11所示。
本发明步骤8包括:
步骤8-1.令当前迭代次数为k,将当前的NDT分布通过第k次迭代的转移矩阵Pk映射到全局NDT地图坐标系下;
步骤8-2.计算当前的NDT分布与全局NDT地图的相关性评分score(P)k,其中,μi,μj为当前NDT分布第i个栅格内的均值和距离该栅格最近的全局NDT地图栅格的均值;∑i,∑j为对应方差;d1=1,d2=0.01为归一化参数;
步骤8-3.牛顿法最小化函数f=-score,求解转移矩阵增量ΔP;
步骤8-4.令第k+1次迭代的转移矩阵Pk+1=Pk+ΔP,并计算在Pk+1下,当前的NDT分布与全局NDT地图的相关性评分score(P)k+1,若score(P)k+1>score(P)k,则令Pbest=Pk+1;
步骤8-5.判断转移矩阵增量ΔP是否达到精度要求0.01m,或者迭代次数k是否大于最大迭代次数50,若是则进行下一步,否则返回执行步骤8-1。
对比图3、6、9可以看出,图3中由于误差累积UKF算法估计位姿与真实位姿之间的差距逐渐增大;而图6中,通过AMCL对UKF位姿的再次校正,UKF+AMCL算法估计位姿与真实位姿之间的差距已经稳定在一定范围内,不再随时间而累积;最后通过D2D 2D-NDT算法的校正,算法估计位姿与真实位姿已经相当靠近。更加详细的结果可以从图4、7、10中看出,其中黑色方框为位置误差绝对均值。图4中在X、Y方向分别为(2.393m,0.582m),而在图7中经过AMCL的校正后仅为(0.035m,0.095m),最后在经NDT校正后,图10中达到(0.019m,0.024m)。另外,从图5、8、11可以看出,随着算法逐层递进,角度误差逐渐减小,通过计算得出角度误差绝对值均值从UKF的22.87°,减小到UKF+AMCL的1.92°,最终到达UKF+AMCL+D2D 2D-NDT的0.30°。显然,通过本发明的方法可以使得机器人定位精度达到更高的水准。
由于本发明是用于纠正机器人位姿,因此实时性格外重要,本发明采用的激光雷达扫描频率为10Hz,意味着算法必须在0.1s内完成定位才能满足实时性的要求,而本文所采用的UKF+AMCL+D2D 2D-NDT算法和前人的EKF+AMCL+ICP算法在100个位置定位所消耗的时间如图12。可见,在复杂的环境中EKF+AMCL+ICP算法消耗时间普遍大于UKF+AMCL+D2D2D-NDT算法消耗时间。此外通过计算可得出,EKF+AMCL+ICP算法所消耗的时间均值为0.190s,大于0.1s,不能满足实时性要求,而UKF+AMCL+D2D 2D-NDT消耗的时间均值为0.043s,满足实时性要求。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (2)
1.一种基于多次位姿校正的移动机器人快速精确定位算法,其特征在于,包括以下步骤:
步骤1.利用同步定位与构图(SLAM,Simultaneous Localization and Mapping)算法建立复杂环境的二维栅格地图;在每次算法执行前,先加载已经建好的栅格地图;
步骤2.栅格地图上的黑色像素点代表激光扫描到的障碍物,把相应的黑色像素点转化为图像标系下的激光点云数据格式;再将图像坐标系下的激光点云转换至地图坐标系下,从而得到全局点云地图;
步骤3.选择尺寸为S的栅格将全局点云规则的划分到各个栅格中,计算点数大于3的栅格中的点的均值和方差,用此均值和方差表示当前栅格内点的正态分布,从而将全局点云地图转换为全局正态分布变换(NDT,Normal Distribution Transformation)地图;
步骤4.根据无迹卡尔曼滤波(UKF,Unscented Kalman Filter)原理,用机器人的差分运动模型预测机器人位姿,将里程计和惯性测量单元(IMU,Inertial Measurement Unit)数据作为UKF的观测校正机器人位姿,从而得到一个融合机器人运动模型、里程计数据和IMU数据的融合位姿;
步骤5.采用增强蒙特卡洛(AMCL,Augment Monte Carlo Localization)算法,从UKF的融合位姿中采样获取一系列机器人全局位姿预测值,然后根据二维激光雷达的观测与全局栅格地图障碍物的分布,从似然域测量模型中获取预测位姿权重,根据权重校正机器人的位姿预测值,从而获得全局位姿;
步骤6.将当前时刻二维激光扫描到的点云转换为NDT分布;
步骤7.将AMCL输出的全局位姿转换为相对于地图原点的转移矩阵P0=(R,t),其中R为旋转矩阵,t为平移向量;
步骤8.采用分布到分布(D2D,Distribution-to-Distribution)的二维正态分布变换(2D-NDT,Two-Dimensional Normal Distributions Transform)算法,把P0作为初始转移矩阵,并令最优转移矩阵Pbest=P0,匹配当前时刻的NDT分布与全局NDT地图,迭代校正(R,t),机器人最终位姿以Pbest=(R,t)表示;
步骤9.将转移矩阵Pbest转换为机器人对应全局地图的位姿,即最终定位位姿。
2.根据权利要求1所述方法,其特征在于步骤8包括:
步骤8-1.令当前迭代次数为k,将当前的NDT分布通过第k次迭代的转移矩阵Pk映射到全局NDT地图坐标系下;
步骤8-2.计算当前的NDT分布与全局NDT地图的相关性评分score(P)k,其中,μi,μj为当前NDT分布第i个栅格内的均值和距离该栅格最近的全局NDT地图栅格的均值;∑i,∑j为对应方差;d1,d2为归一化参数;
步骤8-3.牛顿法最小化函数f=-score,求解转移矩阵增量ΔP;
步骤8-4.令k+1次迭代的转移矩阵Pk+1=Pk+ΔP,并计算在Pk+1下,当前的NDT分布与全局NDT地图的相关性评分score(P)k+1,若score(P)k+1>score(P)k,则令Pbest=Pk+1;
步骤8-5.判断转移矩阵增量ΔP是否达到精度要求,或者迭代次数k是否大于最大迭代次数,若是则进行下一步,否则返回执行步骤8-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604608.8A CN110285806A (zh) | 2019-07-05 | 2019-07-05 | 基于多次位姿校正的移动机器人快速精确定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604608.8A CN110285806A (zh) | 2019-07-05 | 2019-07-05 | 基于多次位姿校正的移动机器人快速精确定位算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110285806A true CN110285806A (zh) | 2019-09-27 |
Family
ID=68020813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910604608.8A Pending CN110285806A (zh) | 2019-07-05 | 2019-07-05 | 基于多次位姿校正的移动机器人快速精确定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110285806A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689576A (zh) * | 2019-09-29 | 2020-01-14 | 桂林电子科技大学 | 一种基于Autoware的动态3D点云正态分布AGV定位方法 |
CN110906924A (zh) * | 2019-12-17 | 2020-03-24 | 杭州光珀智能科技有限公司 | 一种定位初始化方法和装置、定位方法和装置及移动装置 |
CN110927740A (zh) * | 2019-12-06 | 2020-03-27 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
CN111025324A (zh) * | 2020-01-06 | 2020-04-17 | 青梧桐有限责任公司 | 一种基于测距传感器的户型图生成方法 |
CN111060888A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 一种融合icp和似然域模型的移动机器人重定位方法 |
CN111141290A (zh) * | 2020-01-08 | 2020-05-12 | 广州视源电子科技股份有限公司 | 机器人的定位方法、定位装置、设备和存储介质 |
CN111222225A (zh) * | 2019-12-20 | 2020-06-02 | 浙江欣奕华智能科技有限公司 | 一种机器人中传感器位姿的确定方法及装置 |
CN111398984A (zh) * | 2020-03-22 | 2020-07-10 | 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 |
CN111522043A (zh) * | 2020-04-30 | 2020-08-11 | 北京联合大学 | 一种无人车激光雷达快速重新匹配定位方法 |
CN111708047A (zh) * | 2020-06-16 | 2020-09-25 | 浙江大华技术股份有限公司 | 机器人定位评估方法、机器人及计算机存储介质 |
CN112013840A (zh) * | 2020-08-19 | 2020-12-01 | 安克创新科技股份有限公司 | 扫地机器人及其地图构建方法和装置 |
CN112254729A (zh) * | 2020-10-09 | 2021-01-22 | 北京理工大学 | 一种基于多传感器融合的移动机器人定位方法 |
CN112612029A (zh) * | 2020-12-24 | 2021-04-06 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合ndt和icp的栅格地图定位方法 |
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 |
CN112904395A (zh) * | 2019-12-03 | 2021-06-04 | 青岛慧拓智能机器有限公司 | 一种矿用车辆定位系统及方法 |
CN113155126A (zh) * | 2021-01-04 | 2021-07-23 | 航天时代飞鸿技术有限公司 | 一种基于视觉导航的多机协同目标高精度定位系统及方法 |
CN113203419A (zh) * | 2021-04-25 | 2021-08-03 | 重庆大学 | 基于神经网络的室内巡检机器人校正定位方法 |
CN113359167A (zh) * | 2021-04-16 | 2021-09-07 | 电子科技大学 | 一种通过惯性测量参数将gps与激光雷达融合定位的方法 |
CN113503876A (zh) * | 2021-07-09 | 2021-10-15 | 深圳华芯信息技术股份有限公司 | 多传感器融合的激光雷达定位方法、系统以及终端 |
CN113566828A (zh) * | 2021-07-09 | 2021-10-29 | 哈尔滨工业大学 | 一种基于多传感器决策融合的抗冲击扫描匹配方法及系统 |
WO2022183785A1 (zh) * | 2021-03-05 | 2022-09-09 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002067429A2 (en) * | 2001-02-20 | 2002-08-29 | Cute Ltd. | System and method for enhanced error correction in trellis decoding |
WO2009115611A2 (en) * | 2008-03-20 | 2009-09-24 | Universite De Geneve | Secure item identification and authentication system and method based on unclonable features |
CN107172576A (zh) * | 2017-06-05 | 2017-09-15 | 东南大学 | 一种增强蜂窝网安全性的d2d通信下行资源共享方法 |
CN108322409A (zh) * | 2018-01-25 | 2018-07-24 | 杭州电子科技大学 | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 |
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 |
CN109211251A (zh) * | 2018-09-21 | 2019-01-15 | 北京理工大学 | 一种基于激光和二维码融合的即时定位与地图构建方法 |
EP3471075A1 (en) * | 2017-10-16 | 2019-04-17 | Volkswagen Aktiengesellschaft | Method for collision avoidance between a vulnerable road user vehicle and a surrounding vehicle, vulnerable road user vehicle, further vehicle and computer program |
-
2019
- 2019-07-05 CN CN201910604608.8A patent/CN110285806A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002067429A2 (en) * | 2001-02-20 | 2002-08-29 | Cute Ltd. | System and method for enhanced error correction in trellis decoding |
WO2009115611A2 (en) * | 2008-03-20 | 2009-09-24 | Universite De Geneve | Secure item identification and authentication system and method based on unclonable features |
CN107172576A (zh) * | 2017-06-05 | 2017-09-15 | 东南大学 | 一种增强蜂窝网安全性的d2d通信下行资源共享方法 |
EP3471075A1 (en) * | 2017-10-16 | 2019-04-17 | Volkswagen Aktiengesellschaft | Method for collision avoidance between a vulnerable road user vehicle and a surrounding vehicle, vulnerable road user vehicle, further vehicle and computer program |
US20190111921A1 (en) * | 2017-10-16 | 2019-04-18 | Volkswagen Aktiengesellschaft | Method for collision avoidance between a vulnerable road user transportation vehicle and a surrounding transportation vehicle, vulnerable road user transportation vehicle, further transportation vehicle, and computer program |
CN109671297A (zh) * | 2017-10-16 | 2019-04-23 | 大众汽车有限公司 | 避免碰撞方法、道路使用者车辆、其它车辆和计算机程序 |
CN108322409A (zh) * | 2018-01-25 | 2018-07-24 | 杭州电子科技大学 | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 |
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 |
CN109211251A (zh) * | 2018-09-21 | 2019-01-15 | 北京理工大学 | 一种基于激光和二维码融合的即时定位与地图构建方法 |
Non-Patent Citations (3)
Title |
---|
A. NOCK等: ""Distributions of off-diagonal scattering matrix elements: Exact results"", 《ANNALS OF PHYSICS》 * |
ZHENGGANG JIANG等: ""High Precise Localization of Mobile Robot by Three Times Pose Correction"", 《2018 2ND INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION SCIENCES (ICRAS)》 * |
高学海,等: ""非合作大目标位姿测量的线结构光视觉方法"", 《宇航学报》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689576B (zh) * | 2019-09-29 | 2023-04-07 | 桂林电子科技大学 | 一种基于Autoware的动态3D点云正态分布AGV定位方法 |
CN110689576A (zh) * | 2019-09-29 | 2020-01-14 | 桂林电子科技大学 | 一种基于Autoware的动态3D点云正态分布AGV定位方法 |
CN112904395B (zh) * | 2019-12-03 | 2022-11-25 | 青岛慧拓智能机器有限公司 | 一种矿用车辆定位系统及方法 |
CN112904395A (zh) * | 2019-12-03 | 2021-06-04 | 青岛慧拓智能机器有限公司 | 一种矿用车辆定位系统及方法 |
CN110927740B (zh) * | 2019-12-06 | 2023-09-08 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
CN110927740A (zh) * | 2019-12-06 | 2020-03-27 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
CN110906924A (zh) * | 2019-12-17 | 2020-03-24 | 杭州光珀智能科技有限公司 | 一种定位初始化方法和装置、定位方法和装置及移动装置 |
CN111222225A (zh) * | 2019-12-20 | 2020-06-02 | 浙江欣奕华智能科技有限公司 | 一种机器人中传感器位姿的确定方法及装置 |
CN111222225B (zh) * | 2019-12-20 | 2023-08-29 | 浙江欣奕华智能科技有限公司 | 一种机器人中传感器位姿的确定方法及装置 |
CN111060888A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 一种融合icp和似然域模型的移动机器人重定位方法 |
CN111060888B (zh) * | 2019-12-31 | 2023-04-07 | 芜湖哈特机器人产业技术研究院有限公司 | 一种融合icp和似然域模型的移动机器人重定位方法 |
CN111025324A (zh) * | 2020-01-06 | 2020-04-17 | 青梧桐有限责任公司 | 一种基于测距传感器的户型图生成方法 |
CN111141290A (zh) * | 2020-01-08 | 2020-05-12 | 广州视源电子科技股份有限公司 | 机器人的定位方法、定位装置、设备和存储介质 |
CN111141290B (zh) * | 2020-01-08 | 2023-09-26 | 广州视源电子科技股份有限公司 | 机器人的定位方法、定位装置、设备和存储介质 |
CN111398984A (zh) * | 2020-03-22 | 2020-07-10 | 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 |
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 |
CN111522043A (zh) * | 2020-04-30 | 2020-08-11 | 北京联合大学 | 一种无人车激光雷达快速重新匹配定位方法 |
CN111522043B (zh) * | 2020-04-30 | 2023-07-25 | 北京联合大学 | 一种无人车激光雷达快速重新匹配定位方法 |
CN111708047A (zh) * | 2020-06-16 | 2020-09-25 | 浙江大华技术股份有限公司 | 机器人定位评估方法、机器人及计算机存储介质 |
CN111708047B (zh) * | 2020-06-16 | 2023-02-28 | 浙江华睿科技股份有限公司 | 机器人定位评估方法、机器人及计算机存储介质 |
CN112013840A (zh) * | 2020-08-19 | 2020-12-01 | 安克创新科技股份有限公司 | 扫地机器人及其地图构建方法和装置 |
CN112254729A (zh) * | 2020-10-09 | 2021-01-22 | 北京理工大学 | 一种基于多传感器融合的移动机器人定位方法 |
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 |
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 |
CN112612029A (zh) * | 2020-12-24 | 2021-04-06 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合ndt和icp的栅格地图定位方法 |
CN113155126A (zh) * | 2021-01-04 | 2021-07-23 | 航天时代飞鸿技术有限公司 | 一种基于视觉导航的多机协同目标高精度定位系统及方法 |
CN113155126B (zh) * | 2021-01-04 | 2023-10-20 | 航天时代飞鸿技术有限公司 | 一种基于视觉导航的多机协同目标高精度定位系统及方法 |
WO2022183785A1 (zh) * | 2021-03-05 | 2022-09-09 | 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 |
CN113359167A (zh) * | 2021-04-16 | 2021-09-07 | 电子科技大学 | 一种通过惯性测量参数将gps与激光雷达融合定位的方法 |
CN113203419A (zh) * | 2021-04-25 | 2021-08-03 | 重庆大学 | 基于神经网络的室内巡检机器人校正定位方法 |
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 |
CN113566828A (zh) * | 2021-07-09 | 2021-10-29 | 哈尔滨工业大学 | 一种基于多传感器决策融合的抗冲击扫描匹配方法及系统 |
CN113503876B (zh) * | 2021-07-09 | 2023-11-21 | 深圳华芯信息技术股份有限公司 | 多传感器融合的激光雷达定位方法、系统以及终端 |
CN113503876A (zh) * | 2021-07-09 | 2021-10-15 | 深圳华芯信息技术股份有限公司 | 多传感器融合的激光雷达定位方法、系统以及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110285806A (zh) | 基于多次位姿校正的移动机器人快速精确定位算法 | |
Borrmann et al. | Globally consistent 3D mapping with scan matching | |
CN108917759A (zh) | 基于多层次地图匹配的移动机器人位姿纠正算法 | |
US10288425B2 (en) | Generation of map data | |
Sujiwo et al. | Monocular vision-based localization using ORB-SLAM with LIDAR-aided mapping in real-world robot challenge | |
KR101890612B1 (ko) | 적응적 관심영역 및 탐색창을 이용한 객체 검출 방법 및 장치 | |
CN113763549B (zh) | 融合激光雷达和imu的同时定位建图方法、装置和存储介质 | |
CN109978954A (zh) | 基于箱体的雷达和相机联合标定的方法和装置 | |
CN112327326A (zh) | 带有障碍物三维信息的二维地图生成方法、系统以及终端 | |
Li et al. | Indoor multi-sensor fusion positioning based on federated filtering | |
CN115540850A (zh) | 一种激光雷达与加速度传感器结合的无人车建图方法 | |
Zhang et al. | Feature extraction for outdoor mobile robot navigation based on a modified Gauss–Newton optimization approach | |
CN107463871A (zh) | 一种基于角特征加权的点云匹配方法 | |
CN114067210A (zh) | 一种基于单目视觉导引的移动机器人智能抓取方法 | |
CN117367412A (zh) | 一种融合捆集调整的紧耦合激光惯导里程计与建图方法 | |
Hu et al. | A small and lightweight autonomous laser mapping system without GPS | |
Zhu | Binocular vision-slam using improved sift algorithm | |
CN116907469A (zh) | 多模态数据联合优化的同步定位及建图方法及系统 | |
CN116124161A (zh) | 一种基于先验地图的LiDAR/IMU融合定位方法 | |
Kupervasser et al. | Robust positioning of drones for land use monitoring in strong terrain relief using vision-based navigation | |
CN112407344B (zh) | 空间非合作目标的位姿预测方法和装置 | |
Zhang et al. | An overlap-free calibration method for LiDAR-camera platforms based on environmental perception | |
Arbeiter et al. | 3-D-Environment reconstruction for mobile robots using fast-SLAM and feature extraction | |
Zhou et al. | A Location Algorithm for Autonomous Vehicles in Large-scale Scenarios Using a Multilayer LIDAR | |
Fang et al. | A real-time and low-cost 3D SLAM system based on a continuously rotating 2D laser scanner |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190927 |