CN110531766B - 基于已知占据栅格地图的持续激光slam构图定位方法 - Google Patents

基于已知占据栅格地图的持续激光slam构图定位方法 Download PDF

Info

Publication number
CN110531766B
CN110531766B CN201910795693.0A CN201910795693A CN110531766B CN 110531766 B CN110531766 B CN 110531766B CN 201910795693 A CN201910795693 A CN 201910795693A CN 110531766 B CN110531766 B CN 110531766B
Authority
CN
China
Prior art keywords
map
state vector
mobile robot
particle
positioning
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
Application number
CN201910795693.0A
Other languages
English (en)
Other versions
CN110531766A (zh
Inventor
赵青
何苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seizet Technology Shenzhen Co Ltd
Original Assignee
Seizet Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Seizet Technology Shenzhen Co Ltd filed Critical Seizet Technology Shenzhen Co Ltd
Priority to CN201910795693.0A priority Critical patent/CN110531766B/zh
Publication of CN110531766A publication Critical patent/CN110531766A/zh
Application granted granted Critical
Publication of CN110531766B publication Critical patent/CN110531766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及基于已知占据栅格地图的持续激光SLAM构图定位方法，加载预先构建好的已知占据栅格地图文件；基于粒子滤波方法，输出全局粗定位模式下移动机器人状态向量；进行激光和地图匹配，计算激光扫描点最小重投影误差，求解移动机器人状态向量，实现精细定位；根据已知地图初始化占据栅格地图，以求得的精细定位结果的移动机器人状态向量作为SLAM初始状态，进行持续激光SLAM构图定位。能加载预先构建好的地图文件，实现环境的更新或扩展，不需要从头开始全部重新构建，同时也不需要对环境布置额外的特征标记，可依靠自然轮廓特征实现定位。

Description

基于已知占据栅格地图的持续激光SLAM构图定位方法
技术领域
本发明属于轮式移动机器人定位导航领域，具体涉及一种基于已知占据栅格地图的持续激光SLAM构图定位方法。
背景技术
以HectorSlam、Gmapping、Cartographer为代表的激光SLAM算法已发展成熟，可实现未知环境下的即时定位与地图构建。但是，目前激光SLAM算法均以初始时刻位置为零点，进行全新的空白地图构建，不能加载预先构建好的占据栅格地图文件进行环境更新或扩展，不能实现基于已知占据栅格地图的持续SLAM构图定位。
发明内容
本发明所要解决的技术问题在于针对现有技术的上述不足提供一种基于已知占据栅格地图的持续激光SLAM构图定位方法，能加载预先构建好的地图文件，实现环境的更新或扩展，不需要从头开始全部重新构建，同时也不需要对环境布置额外的特征标记，可依靠自然轮廓特征实现定位。
为了达到上述目的，本发明所采用的技术方案为：
一种基于已知占据栅格地图的持续激光SLAM构图定位方法，其特征在于包括如下步骤：
S1：加载预先构建好的已知地图文件，所述已知地图文件为占据栅格地图文件；
S2：在已知地图范围内，基于蒙特卡洛粒子滤波方法，实现移动机器人全局粗定位，输出全局粗定位模式下移动机器人状态向量；
S3：以步骤S2输出的全局粗定位模式下状态向量进行激光和地图匹配，通过计算激光扫描点最小重投影误差，求解移动机器人状态向量，实现精细定位；
S4：根据步骤S1的已知地图初始化占据栅格地图，以步骤S3求得的精细定位结果的移动机器人状态向量作为SLAM初始状态，进行持续激光SLAM构图定位。
进一步的，步骤S2中基于蒙特卡洛粒子滤波的实现步骤如下：
S21：粒子群状态初始化：基于步骤S1加载的已知地图，在地图范围内初始化粒子群，随机生成粒子状态
Figure BDA0002180887250000021
并均一化粒子权重
Figure BDA0002180887250000022
其中，i＝1～n，n为粒子总数，可取经验值10000-50000，x为粒子横坐标，y为粒子纵坐标，θ为粒子方位角；
S22：设定移动机器人的线速度和角速度，发送移动机器人运动指令，随机驱动移动机器人在已知地图范围内行走，记录运动时间间隔Δt，计算Δt时间间隔内机器人的位移信息，更新每个粒子的状态向量
Figure BDA0002180887250000023
形成更新后的粒子群；
S23：根据激光传感器测量结果和更新后每个粒子的状态向量Xi’，结合载入的已知地图，计算粒子后验概率P(Xi|m)，其中m表示激光传感器测量结果，更新粒子权重Wi；
S24：在更新后的粒子群中根据粒子权重Wi进行重要性重采样，采样次数为n，权重高的粒子被采样的概率将高于权重低的粒子，采样后均一化粒子权重使
Figure BDA0002180887250000024
即完成粒子群的重要性重采样；
S25：匹配度计算：统计重要性重采样后状态向量集中的粒子数，计算状态向量集中的粒子数占总粒子群的比重；匹配度的衡量标准为：比重越大，匹配度越高；
S26：阈值判断：判断当前匹配度是否高于设定阈值，若是，则计算粒子群的加权平均值，作为全局粗定位模式下状态向量X输出；若否，则重复进行步骤S22-S26，直到匹配度高于设定阈值为止。
进一步的，步骤S3进行激光和地图匹配的步骤如下：
以步骤S2输出的全局粗定位模式下状态向量X作为初始值，基于高斯-牛顿迭代法，求解精细定位模式下状态向量X※，使式(1)激光扫描重投影误差最小：
Figure BDA0002180887250000025
上式(1)中，j表示激光雷达末端测量点标号，Sj(X)表示移动机器人状态向量为X、标号为j的激光测量点坐标值，M(Sj(X))表示地图中上述坐标值对应的栅格占据概率。
进一步的，步骤S4实现步骤为：基于步骤S1载入的已知占据栅格地图以及步骤S3求解的精定位状态向量X※作为SLAM初始状态，进行持续激光SLAM构图定位。
进一步的，步骤S1中向移动机器人本体或上位机或远程控制端加载预先构建好的已知地图文件。
相对于现有技术中激光SLAM算法均以初始时刻位置为零点，进行全新的空白地图构建，不能加载预先构建好的占据栅格地图文件进行环境更新或扩展，不能实现基于已知占据栅格地图的持续SLAM构图定位的缺陷，本发明所取得的有益效果为：本发明可实现基于已知地图的持续SLAM方法，当环境地图仅需要局部更新或扩展时，采用本发明中提供的方法，不需要从头开始全部重新构建。本发明实现过程中，不需要对环境布置额外的特征标记，可依靠自然轮廓特征实现定位。可以在特定的条件下大幅提高定位速度和效率。
附图说明
图1为本发明方法的主要工作流程图。
图2位本发明步骤S2中全局粗定位的步骤流程图。
具体实施方式
下面结合附图1-2对本发明作进一步说明。
本发明提供了一种基于已知地图的持续激光SLAM构图定位方法，如图1所示，包括以下步骤：
步骤S1，向移动机器人加载预先构建好的占据栅格地图文件，占据栅格地图是激光SLAM中最常用的地图格式之一。
步骤S2，在已知地图(前述预先加载的占据栅格地图，后简称已知地图)范围内，基于蒙特卡洛粒子滤波方法，实现移动机器人全局粗定位，输出机器人状态向量X，具体步骤如图2所示：
粒子群初始化：在已知地图范围内初始化粒子群，随机生成粒子状态Xi(i＝1～n，n为总粒子数)，并均一化粒子权重
Figure BDA0002180887250000041
运动模型：随机驱动移动机器人在已知地图范围内行走，获取驱动移动机器人速度信息或位移信息，更新每个粒子的状态向量
Figure BDA0002180887250000042
如式(2)所示，其中，
Figure BDA0002180887250000043
表示更新后的粒子状态，
Figure BDA0002180887250000044
表示更新前的粒子状态，vt为机器人线速度，ωt为机器人角度速，θ为机器人角度速，Δt为运动时间间隔；
Figure BDA0002180887250000045
观测模型：根据每个粒子的状态向量Xi和激光传感器测量结果，结合载入的已知地图，计算粒子后验概率P(Xi|m)，其中m表示激光传感器测量结果，更新粒子权重Wi；
重要性重采样：在更新后的粒子群中按照权重进行重采样，权值高的粒子被采样的概率较高，权值低的粒子被采样的概率较低，采样后再次进行权重均一化
Figure BDA0002180887250000046
这样即完成了粒子群的重要性重采样；
匹配度计算：统计重采样后状态向量较为集中的粒子数，计算其占总粒子群数的比重，作为匹配度的衡量指标，比重越大，匹配度越高；
阈值判断：判断当前匹配度是否高于设定阈值，若是，则计算粒子群的加权平均值，作为系统状态向量X输出；若否，则重复进行上述运动模型-观测模型-重要性重采样-匹配度计算-阈值判断步骤，直到匹配度高于设定阈值为止而作为系统状态输出结束循环。
步骤S3，激光-地图匹配，计算激光扫描点最小重投影误差，求解状态向量，实现精细定位。以步骤2输出的状态向量X作为初始值，基于高斯-牛顿迭代法,求解状态向量X※，使式(1)激光扫描重投影误差最小：
Figure BDA0002180887250000047
上式(1)中，j表示激光雷达末端测量点标号，Sj(X)表示移动机器人状态向量为X、标号为j的激光测量点坐标值，M(Sj(X))表示地图中上述坐标值对应的栅格占据概率。
步骤S4，以步骤1载入的已知地图以及步骤3求解的状态向量X※作为SLAM初始状态，进行持续激光SLAM构图定位。
由此，当环境地图仅需要局部更新或扩展时，采用本发明中提供的方法，不需要从头开始全部重新构建。本发明实现过程中，不需要对环境布置额外的特征标记，可依靠自然轮廓特征实现定位。
以上所述仅是本发明的优选实施方法，应当指出，激光SLAM中地图格式除占据栅格地图外，还包括其他形式，在不脱离本技术原理的前提下，还可以做出若干种变形，这些变形也应视为本发明的保护范围。

Claims (3)

1.一种基于已知占据栅格地图的持续激光SLAM构图定位方法，其特征在于包括如下步骤：
S1：加载预先构建好的已知地图文件，所述已知地图文件为占据栅格地图文件；
S2：在已知地图范围内，基于蒙特卡洛粒子滤波方法，实现移动机器人全局粗定位，输出全局粗定位模式下移动机器人状态向量；包括：
S21：粒子群状态初始化：基于步骤S1加载的已知地图，在地图范围内初始化粒子群，随机生成粒子状态
Figure FDA0003593261290000011
并均一化粒子权重
Figure FDA0003593261290000012
其中，i＝1～n，n为粒子总数，取经验值10000-50000，x为粒子横坐标，y为粒子纵坐标，θ为粒子方位角；
S22：设定移动机器人的线速度和角速度，发送移动机器人运动指令，随机驱动移动机器人在已知地图范围内行走，记录运动时间间隔Δt，计算Δt时间间隔内机器人的位移信息，更新每个粒子的状态向量
Figure FDA0003593261290000013
形成更新后的粒子群；
S23：根据激光传感器测量结果和更新后每个粒子的状态向量Xi’，结合载入的已知地图，计算粒子后验概率P(Xi|m)，其中m表示激光传感器测量结果，更新粒子权重Wi；
S24：在更新后的粒子群中根据粒子权重Wi进行重要性重采样，采样次数为n，权重高的粒子被采样的概率将高于权重低的粒子，采样后均一化粒子权重使
Figure FDA0003593261290000014
即完成粒子群的重要性重采样；
S25：匹配度计算：统计重要性重采样后状态向量集中的粒子数，计算状态向量集中的粒子数占总粒子群的比重；匹配度的衡量标准为：比重越大，匹配度越高；
S26：阈值判断：判断当前匹配度是否高于设定阈值，若是，则计算粒子群的加权平均值，作为全局粗定位模式下状态向量X输出；若否，则重复进行步骤S22-S26，直到匹配度高于设定阈值为止；
S3：以步骤S2输出的全局粗定位模式下状态向量进行激光和地图匹配，通过计算激光扫描点最小重投影误差，求解移动机器人状态向量，实现精细定位；具体为：
以步骤S2输出的全局粗定位模式下状态向量X作为初始值，基于高斯-牛顿迭代法，求解精细定位模式下状态向量X※，使式(1)激光扫描重投影误差最小：
Figure FDA0003593261290000021
上式(1)中，j表示激光雷达末端测量点标号，Sj(X)表示移动机器人状态向量为X、标号为j的激光测量点坐标值，M(Sj(X))表示地图中上述坐标值对应的栅格占据概率；
S4：根据步骤S1的已知地图初始化占据栅格地图，以步骤S3求得的精细定位结果的移动机器人状态向量作为SLAM初始状态，进行持续激光SLAM构图定位。
2.根据权利要求1所述的基于已知占据栅格地图的持续激光SLAM构图定位方法，其特征在于步骤S4实现步骤为：基于步骤S1的已知占据栅格地图以及步骤S3求解的精定位状态向量X※作为SLAM初始状态，进行持续激光SLAM构图定位。
3.根据权利要求1或2所述的基于已知占据栅格地图的持续激光SLAM构图定位方法，其特征在于步骤S1中向移动机器人本体或上位机或远程控制端加载预先构建好的已知地图文件。
CN201910795693.0A 2019-08-27 2019-08-27 基于已知占据栅格地图的持续激光slam构图定位方法 Active CN110531766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910795693.0A CN110531766B (zh) 2019-08-27 2019-08-27 基于已知占据栅格地图的持续激光slam构图定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910795693.0A CN110531766B (zh) 2019-08-27 2019-08-27 基于已知占据栅格地图的持续激光slam构图定位方法

Publications (2)

Publication Number Publication Date
CN110531766A CN110531766A (zh) 2019-12-03
CN110531766B true CN110531766B (zh) 2022-06-28

Family

ID=68664491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910795693.0A Active CN110531766B (zh) 2019-08-27 2019-08-27 基于已知占据栅格地图的持续激光slam构图定位方法

Country Status (1)

Country Link
CN (1) CN110531766B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3832262B1 (en) * 2019-12-05 2022-09-14 Aptiv Technologies Limited Methods and systems for determining an initial ego-pose for initialization of self-localization
CN111113422B (zh) * 2019-12-30 2021-10-29 深圳市优必选科技股份有限公司 机器人定位方法、装置、计算机可读存储介质及机器人
CN111025309B (zh) * 2019-12-31 2021-10-26 芜湖哈特机器人产业技术研究院有限公司 一种融合折角板的自然定位方法及系统
CN111273304B (zh) * 2019-12-31 2022-05-24 芜湖哈特机器人产业技术研究院有限公司 一种融合反光柱的自然定位方法及系统
CN111504317B (zh) * 2020-03-09 2021-11-16 中振同辂(江苏)机器人有限公司 一种基于单线激光雷达的室内定位方法
CN111397594B (zh) * 2020-03-20 2021-10-15 广东博智林机器人有限公司 一种全局初始化定位方法、装置、电子设备及存储介质
CN113449054B (zh) * 2020-03-27 2023-08-04 杭州海康机器人股份有限公司 一种地图切换的方法和移动机器人
CN112068154B (zh) * 2020-09-14 2022-12-13 中科院软件研究所南京软件技术研究院 一种激光建图定位方法、装置、存储介质及电子设备
CN112268561A (zh) * 2020-10-12 2021-01-26 西北工业大学 一种融合磁场信息的机器人蒙特卡罗定位方法
CN112700497B (zh) * 2021-01-04 2023-06-09 歌尔股份有限公司 回环检测方法、装置、设备及计算机可读存储介质
CN113703443B (zh) * 2021-08-12 2023-10-13 北京科技大学 一种不依赖gnss的无人车自主定位与环境探索方法
CN115877855A (zh) * 2023-03-03 2023-03-31 天津滨电电力工程有限公司 自适应环境路径规划的智能电力巡检机器人及巡检方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007322138A (ja) * 2006-05-30 2007-12-13 Toyota Motor Corp 移動装置及び移動装置の自己位置推定方法
CN105652871A (zh) * 2016-02-19 2016-06-08 深圳杉川科技有限公司 移动机器人的重定位方法
CN106949895A (zh) * 2017-04-13 2017-07-14 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
CN107390681A (zh) * 2017-06-21 2017-11-24 华南理工大学 一种基于激光雷达与地图匹配的移动机器人实时定位方法
CN107943038A (zh) * 2017-11-28 2018-04-20 广东工业大学 一种移动机器人嵌入式激光slam方法及系统
US10133275B1 (en) * 2017-03-01 2018-11-20 Zoox, Inc. Trajectory generation using temporal logic and tree search
CN109540149A (zh) * 2018-12-19 2019-03-29 北京交通大学 一种利用VeTrack系统对室内汽车进行实时追踪的方法
CN109724603A (zh) * 2019-01-08 2019-05-07 北京航空航天大学 一种基于环境特征检测的室内机器人导航方法
CN109959377A (zh) * 2017-12-25 2019-07-02 北京东方兴华科技发展有限责任公司 一种机器人导航定位系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3182371B1 (en) * 2015-12-17 2018-09-26 Stmicroelectronics Sa Threshold determination in for example a type ransac algorithm
US20190113919A1 (en) * 2017-10-18 2019-04-18 Luminar Technologies, Inc. Controlling an autonomous vehicle using smart control architecture selection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007322138A (ja) * 2006-05-30 2007-12-13 Toyota Motor Corp 移動装置及び移動装置の自己位置推定方法
CN105652871A (zh) * 2016-02-19 2016-06-08 深圳杉川科技有限公司 移动机器人的重定位方法
US10133275B1 (en) * 2017-03-01 2018-11-20 Zoox, Inc. Trajectory generation using temporal logic and tree search
CN106949895A (zh) * 2017-04-13 2017-07-14 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
CN107390681A (zh) * 2017-06-21 2017-11-24 华南理工大学 一种基于激光雷达与地图匹配的移动机器人实时定位方法
CN107943038A (zh) * 2017-11-28 2018-04-20 广东工业大学 一种移动机器人嵌入式激光slam方法及系统
CN109959377A (zh) * 2017-12-25 2019-07-02 北京东方兴华科技发展有限责任公司 一种机器人导航定位系统及方法
CN109540149A (zh) * 2018-12-19 2019-03-29 北京交通大学 一种利用VeTrack系统对室内汽车进行实时追踪的方法
CN109724603A (zh) * 2019-01-08 2019-05-07 北京航空航天大学 一种基于环境特征检测的室内机器人导航方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Application of Particle Filters for Indoor Positioning Using Floor Plans;Pavel Davidson，等;《2010 Ubiquitous Positioning Indoor Navigation and Location Based Service》;20101231;全文 *
Ida Häggström，等.Do Scatter and Random Corrections Affect the Errors in Kinetic Parameters in Dynamic PET? - AMonte Carlo Study.《2013 IEEE Nuclear Science Symposium and Medical Imaging Conference (2013 NSS/MIC)》.2013, *
基于激光扫描测距的机器人粒子滤波定位技术研究;戈广双，等;《传感器与微系统》;20171231;第36卷(第12期);全文 *
室内移动机器人自定位方法研究;毛曙源;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160815;全文 *
鲁棒的机器人粒子滤波即时定位与地图构建的实现;张毅，等;《计算机应用研究》;20151231;第32卷(第8期);全文 *

Also Published As

Publication number Publication date
CN110531766A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110531766B (zh) 基于已知占据栅格地图的持续激光slam构图定位方法
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN110689576B (zh) 一种基于Autoware的动态3D点云正态分布AGV定位方法
CN110927740A (zh) 一种移动机器人定位方法
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
CN111343585A (zh) 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法
CN113050116B (zh) 机器人定位方法、装置、机器人和可读存储介质
CN113227808A (zh) 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序
CN103699125A (zh) 一种基于鼠脑海马导航的机器人仿真导航方法
JP4032125B1 (ja) 移動体位置推定システム、及び、移動体位置推定方法
CN113470089B (zh) 一种基于三维点云的跨域协同定位和建图方法及系统
CN112911705A (zh) 基于贝叶斯迭代改进的粒子群优化算法的室内定位方法
JPWO2017060947A1 (ja) 推定装置、制御方法、プログラム及び記憶媒体
CN109978275B (zh) 一种混合cfd和深度学习的极端大风风速预测方法及系统
CN112965063B (zh) 一种机器人建图定位方法
Saulnier et al. Information theoretic active exploration in signed distance fields
Fairfield et al. Active SLAM and loop prediction with the segmented map using simplified models
CN109885046B (zh) 一种基于粒子滤波的移动机器人定位加速方法
CN114330867A (zh) 一种基于覆盖旅行商问题求解的路径规划方法
CN112388628A (zh) 用于训练高斯过程回归模型的设备和方法
CN109253727B (zh) 一种基于改进迭代容积粒子滤波算法的定位方法
JP2019174191A (ja) データ構造、情報送信装置、制御方法、プログラム及び記憶媒体
CN107543541B (zh) 一种适合室内自由运动载体的地磁定位方法
CN116125375A (zh) 一种基于ckf-slam改进的无人水下航行器动态目标跟踪的方法
KR101941132B1 (ko) 국지적 전리층지도의 가용영역 확장 장치 및 방법

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