CN110608742A - 基于粒子滤波slam的地图构建方法及装置 - Google Patents
基于粒子滤波slam的地图构建方法及装置 Download PDFInfo
- Publication number
- CN110608742A CN110608742A CN201910924429.2A CN201910924429A CN110608742A CN 110608742 A CN110608742 A CN 110608742A CN 201910924429 A CN201910924429 A CN 201910924429A CN 110608742 A CN110608742 A CN 110608742A
- Authority
- CN
- China
- Prior art keywords
- particle
- map
- laser sensor
- particles
- sensor data
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了基于粒子滤波SLAM的地图构建方法及装置,通过对激光传感器数据通过迭代最近点算法进行扫描匹配,判断激光传感器数据是否适用;扫描匹配失败,则采用里程计数据,扫描匹配成功,则采用激光传感器数据;结合激光传感器数据和里程计数据进行采样并更新地图,避免数据单一,激光传感器数据具有精度更高、鲁棒性更强的特点,能提高有效粒子数,减少重采样;通过判断有效粒子数是否满足条件决定是否进行重采样,进一步减少重采样,且重采样采用自适应重采样;多方面改进使性能提高。
Description
技术领域
本发明涉及导航领域,特别是基于粒子滤波SLAM的地图构建方法及装置。
背景技术
SLAM技术(Simultaneous positioning and map building)即是同时定位与地图创建技术。SLAM技术可以在部分已知或未知环境中利用载有的传感器感知环境并同时建图和定位。传统的SLAM技术只采用里程计运动模型的数据来采样,当遇到地面不平、轮子打滑的情况时,里程计运动模型准确性较低,导致采样得到的样本只能覆盖状态空间区域的一小部分,导致粒子之间权重差异大,得到的有效粒子数少。由于有效粒子数少,则需多次重采样,导致粒子耗散以及多样性降低,使性能降低。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供基于粒子滤波SLAM的地图构建方法及装置。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,基于粒子滤波SLAM的地图构建方法,包括以下步骤:
获取步骤:获取激光传感器数据p(zt|xt,m)和里程计数据p(xt|xt-1,ut-1):
匹配步骤:通过迭代最近点算法对所述激光传感器数据进行扫描匹配;
更新步骤:若扫描匹配失败,采用所述里程计数据更新地图;
若扫描匹配成功,采用所述激光传感器数据更新地图;
重采样步骤:计算有效粒子数Neff,当所述有效粒子数小于粒子总数的一半时,进行自适应重采样补充所述激光传感器数据和所述里程计数据,否则直接返回获取步骤;
其中,所述采用里程计数据更新地图包括以下步骤:
根据所述里程计数据从t-1时刻的粒子集合Yt-1采样获取t时刻的粒子集合Yt;
计算t时刻的粒子集合Yt中的每个粒子的权重;
根据设定的第一阈值对t时刻的粒子集合Yt中的粒子筛选以生成第一最终粒子集,并使第一最终粒子集的所有粒子具有相同的权重;
根据第一最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图;
其中,所述采用激光传感器数据更新地图包括以下步骤:
将所述激光传感器数据融合至建议分布,并从融合激光传感器数据的建议分布中采样获取t时刻的粒子集合Yt,其中融合激光传感器数据的建议分布为
计算t时刻的粒子集合Yt中的每个粒子的权重,其中权重为
根据设定的第二阈值对t时刻的粒子集合Yt中的粒子筛选以生成第二最终粒子集,并使第二最终粒子集的所有粒子具有相同的权重;
根据第二最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图。
根据本发明的第一方面,所述通过迭代最近点算法对所述激光传感器数据进行扫描匹配具体为:设所述激光传感器数据的点集P为P={p1,p2,...,pm)和参考点集Q为Q={q1,q2,...,qn},计算所述激光传感器数据的点集P与所述参考点集Q间的变换T={R,t},使存在最优解,其中N为最优解下成功配对的点对数。
根据本发明的第一方面,比较N与设定的第三阈值;若N大于第三阈值,则扫描匹配成功;否则扫描匹配失败。
根据本发明的第一方面,所述重采样步骤中的有效粒子数Neff为
根据本发明的第一方面,根据粒子中包含的运动轨迹信息和观测信息生成地图具体为:通过占据栅格地图算法生成二维平面栅格图,其中所述二维平面栅格图表示为x1t为运动轨迹信息,z1t为观测信息。
本发明的第二方面,基于粒子滤波SLAM的地图构建装置,包括:
获取模块,用于获取激光传感器数据p(zt|xt,m)和里程计数据p(xt|xt-1,ut-1);
匹配模块,用于通过迭代最近点算法对所述激光传感器数据进行扫描匹配;
更新模块,用于根据扫描匹配结果更新地图;所述更新模块包括第一更新子模块和第二更新子模块;所述第一更新子模块用于在扫描匹配结果为失败时,采用所述里程计数据更新地图;所述第二更新子模块用于在扫描匹配结果为成功时,采用所述激光传感器数据更新地图;
重采样模块,用于计算有效粒子数Neff,当所述有效粒子数小于粒子总数的一半时,进行自适应重采样补充所述激光传感器数据和所述里程计数据,否则直接返回获取模块执行;
其中,所述第一更新子模块包括:
第一粒子初采样模块,用于根据所述里程计数据从t-1时刻的粒子集合Yt-1采样获取t时刻的粒子集合Yt;
第一权重计算模块,用于计算t时刻的粒子集合Yt中的每个粒子的权重;
第一粒子重采样模块,用于根据设定的第一阈值对t时刻的粒子集合Yt中的粒子筛选以生成第一最终粒子集,并使第一最终粒子集的所有粒子具有相同的权重;
第一地图生成模块,用于根据第一最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图;
其中,所述第二更新子模块包括:
第二粒子初采样模块,用于将所述激光传感器数据融合至建议分布,并从融合激光传感器数据的建议分布中采样获取t时刻的粒子集合Yt,其中融合激光传感器数据的建议分布为
第二权重计算模块,用于计算t时刻的粒子集合Yt中的每个粒子的权重,其中权重为
第二粒子重采样模块,用于根据设定的第二阈值对t时刻的粒子集合Yt中的粒子筛选以生成第二最终粒子集,并使第二最终粒子集的所有粒子具有相同的权重;
第二地图生成模块,用于根据第二最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图。
根据本发明的第二方面,所述匹配模块具体配置为:设所述激光传感器数据的点集P为P={p1,p2,...,pm}和参考点集Q为Q={q1,q2,...,qn},计算所述激光传感器数据的点集P与所述参考点集Q间的变换T={R,t},使存在最优解,其中N为最优解下成功配对的点对数。
根据本发明的第二方面,所述更新模块包括判定模块;所述判定模块用于比较N与设定的第三阈值,若N大于第三阈值,则判定为扫描匹配成功,否则判定为扫描匹配失败。
根据本发明的第二方面,所述重采样模块中的有效粒子数Neff具体为
根据本发明的第二方面,在所述第一地图生成模块和所述第二地图生成模块中,通过占据栅格地图算法生成二维平面栅格图,其中所述二维平面栅格图表示为x1t为运动轨迹信息,z1t为观测信息。
上述技术方案至少具有以下的有益效果:对激光传感器数据通过迭代最近点算法进行扫描匹配,判断激光传感器数据是否适用;扫描匹配失败,则采用里程计数据,扫描匹配成功,则采用激光传感器数据;结合激光传感器数据和里程计数据进行采样并更新地图,避免数据单一,激光传感器数据具有精度更高、鲁棒性更强的特点,能提高有效粒子数,减少重采样;通过判断有效粒子数是否满足条件决定是否进行重采样,进一步减少重采样,且重采样采用自适应重采样;多方面改进使性能提高。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例图基于粒子滤波SLAM的地图构建方法的流程图;
图2是本发明实施例图基于粒子滤波SLAM的地图构建方法的另一流程图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1和图2,本发明的实施例,提供了基于粒子滤波SLAM的地图构建方法,包括以下步骤:
步骤S10、获取步骤:从激光传感器获取激光传感器数据p(zt|xt,m)和从里程计获取里程计数据p(xt|xt-1,ut-1);
步骤S20、匹配步骤:通过迭代最近点算法对所述激光传感器数据进行扫描匹配;
步骤S30、更新步骤:若扫描匹配失败,采用所述里程计数据更新地图;
若扫描匹配成功,采用所述激光传感器数据更新地图;
步骤S40、重采样步骤:计算有效粒子数Neff,当所述有效粒子数小于粒子总数的一半时,进行自适应重采样补充所述激光传感器数据和所述里程计数据,否则直接返回获取步骤;
其中,步骤S32、采用里程计数据更新地图包括以下步骤:
根据所述里程计数据从t-1时刻的粒子集合Yt-1采样获取t时刻的粒子集合Yt;
计算t时刻的粒子集合Yt中的每个粒子的权重wt (i)=p(zt|mt-1 (i),xt (i))·wt-1 (i);
根据设定的第一阈值对t时刻的粒子集合Yt中的粒子筛选以生成第一最终粒子集,并使第一最终粒子集的所有粒子具有相同的权重;
根据第一最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图;
其中,步骤S31、采用激光传感器数据更新地图包括以下步骤:
将所述激光传感器数据融合至建议分布,并从融合激光传感器数据的建议分布中采样获取t时刻的粒子集合Yt,其中融合激光传感器数据的建议分布为
计算t时刻的粒子集合Yt中的每个粒子的权重,其中权重为wt (i)=p(zt|mt-1 (i),xt-1 (i),ut-1)·wt-1 (i);
根据设定的第二阈值对t时刻的粒子集合Yt中的粒子筛选以生成第二最终粒子集,并使第二最终粒子集的所有粒子具有相同的权重;
根据第二最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图。
在该实施例中,对激光传感器数据通过迭代最近点算法进行扫描匹配,判断激光传感器数据是否适用;扫描匹配失败,则采用里程计数据,扫描匹配成功,则采用激光传感器数据。结合激光传感器数据和里程计数据进行采样并更新地图,避免数据单一,提升数据多样性。激光传感器数据具有精度更高、鲁棒性更强的特点,能提高有效粒子数,减少重采样。通过判断有效粒子数是否满足条件决定是否进行重采样,进一步减少重采样,且重采样采用自适应重采样。在SLAM技术的基础上进行多方面改进使性能进一步提高。
需要说明的是,经过匹配步骤判断,当扫描匹配失败,即估算从激光传感器数据获取的有效粒子数更少,即行进平稳的情况,采用里程计数据更新地图;当扫描匹配成功,即从激光传感器数据获取的有效粒子数更多,即行进崎岖;采用激光传感器数据更新地图。
进一步,所述通过迭代最近点算法对所述激光传感器数据进行扫描匹配具体为:设所述激光传感器数据的点集P为P={p1,p2,...,pm}和参考点集Q为Q={q1,q2,...,qn},计算所述激光传感器数据的点集P与所述参考点集Q间的变换T={R,t},使存在最优解,其中N为最优解下成功配对的点对数。
进一步,比较N与设定的第三阈值;若N大于第三阈值,则扫描匹配成功;否则扫描匹配失败。
根据本发明的第一方面,所述重采样步骤中的有效粒子数Neff为
进一步,根据粒子中包含的运动轨迹信息和观测信息生成地图具体为:通过占据栅格地图算法生成二维平面栅格图,其中所述二维平面栅格图表示为x1t为运动轨迹信息,z1t为观测信息。
表1本发明采用的地图构建方法的平均计算时间(ms)
表2传统SLAM方法的平均计算时间(ms)
结合表1和表2能够看到,建立环境地图所需时间和粒子数量近似成正比关系。本发明采用的地图构建方法所需的平均计算时间明显少于传统SLAM方法所需的平均计算时间。这是由于采样准确度高,从而大大减少了所需的粒子数目,大大提高了计算效率。
本发明的另一个实施例,提供了基于粒子滤波SLAM的地图构建装置,包括:
获取模块,用于获取激光传感器数据p(zt|xt,m)和里程计数据p(xt|xt-1,ut-1);
匹配模块,用于通过迭代最近点算法对所述激光传感器数据进行扫描匹配;
更新模块,用于根据扫描匹配结果更新地图;所述更新模块包括第一更新子模块和第二更新子模块;所述第一更新子模块用于在扫描匹配结果为失败时,采用所述里程计数据更新地图;所述第二更新子模块用于在扫描匹配结果为成功时,采用所述激光传感器数据更新地图;
重采样模块,用于计算有效粒子数Neff,当所述有效粒子数小于粒子总数的一半时,进行自适应重采样补充所述激光传感器数据和所述里程计数据,否则直接返回获取模块执行;
其中,所述第一更新子模块包括:
第一粒子初采样模块,用于根据所述里程计数据从t-1时刻的粒子集合Yt-1采样获取t时刻的粒子集合Yt;
第一权重计算模块,用于计算t时刻的粒子集合Yt中的每个粒子的权重;
第一粒子重采样模块,用于根据设定的第一阈值对t时刻的粒子集合Yt中的粒子筛选以生成第一最终粒子集,并使第一最终粒子集的所有粒子具有相同的权重;
第一地图生成模块,用于根据第一最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图;
其中,所述第二更新子模块包括:
第二粒子初采样模块,用于将所述激光传感器数据融合至建议分布,并从融合激光传感器数据的建议分布中采样获取t时刻的粒子集合Yt,其中融合激光传感器数据的建议分布为
第二权重计算模块,用于计算t时刻的粒子集合Yt中的每个粒子的权重,其中权重为wt (i)=p(zt|mt-1 (i),xt-1 (i),ut-1)·wt-1 (i);
第二粒子重采样模块,用于根据设定的第二阈值对t时刻的粒子集合Yt中的粒子筛选以生成第二最终粒子集,并使第二最终粒子集的所有粒子具有相同的权重;
第二地图生成模块,用于根据第二最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图。
进一步,所述匹配模块具体配置为:设所述激光传感器数据的点集P为P={p1,p2,...,pm}和参考点集Q为Q={q1,q2,...,qn},计算所述激光传感器数据的点集P与所述参考点集Q间的变换T={R,t},使存在最优解,其中N为最优解下成功配对的点对数。
进一步,所述更新模块包括判定模块;所述判定模块用于比较N与设定的第三阈值,若N大于第三阈值,则判定为扫描匹配成功,否则判定为扫描匹配失败。
进一步,所述重采样模块中的有效粒子数Neff具体为
进一步,在所述第一地图生成模块和所述第二地图生成模块中,通过占据栅格地图算法生成二维平面栅格图,其中所述二维平面栅格图表示为x1t为运动轨迹信息,z1t为观测信息。
本发明的另一个实施例,提供了一种存储介质,该存储介质存储有可执行指令,可执行指令被处理器执行,使处理器按照上述的基于粒子滤波SLAM的地图构建方法构建地图。
本发明的另一个实施例,提供了一种机器人,执行上述的基于粒子滤波SLAM的地图构建方法构建地图,并基于构建的地图行进。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (10)
1.基于粒子滤波SLAM的地图构建方法,其特征在于,包括以下步骤:
获取步骤:获取激光传感器数据p(zt|xt,m)和里程计数据p(xt|xt-1,ut-1);
匹配步骤:通过迭代最近点算法对所述激光传感器数据进行扫描匹配;
更新步骤:若扫描匹配失败,采用所述里程计数据更新地图;
若扫描匹配成功,采用所述激光传感器数据更新地图;重采样步骤:计算有效粒子数Neff,当所述有效粒子数小于粒子总数的一半时,进行自适应重采样补充所述激光传感器数据和所述里程计数据,否则直接返回获取步骤;
其中,所述采用里程计数据更新地图包括以下步骤:
根据所述里程计数据从t-1时刻的粒子集合Yt-1采样获取t时刻的粒子集合Yt;
计算t时刻的粒子集合Yt中的每个粒子的权重;
根据设定的第一阈值对t时刻的粒子集合Yt中的粒子筛选以生成第一最终粒子集,并使第一最终粒子集的所有粒子具有相同的权重;
根据第一最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图;
其中,所述采用激光传感器数据更新地图包括以下步骤:
将所述激光传感器数据融合至建议分布,并从融合激光传感器数据的建议分布中采样获取t时刻的粒子集合Yt,其中融合激光传感器数据的建议分布为
计算t时刻的粒子集合Yt中的每个粒子的权重,其中权重为wt (i)=p(zt|mt-1 (i),xt-1 (i),ut-1)·wt-1 (i);
根据设定的第二阈值对t时刻的粒子集合Yt中的粒子筛选以生成第二最终粒子集,并使第二最终粒子集的所有粒子具有相同的权重;
根据第二最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图。
2.根据权利要求1所述的基于粒子滤波SLAM的地图构建方法,其特征在于,所述通过迭代最近点算法对所述激光传感器数据进行扫描匹配具体为:设所述激光传感器数据的点集P为P={p1,p2,...,pm}和参考点集Q为Q={q1,q2,...,qn},计算所述激光传感器数据的点集P与所述参考点集Q间的变换T={R,t},使存在最优解,其中N为最优解下成功配对的点对数。
3.根据权利要求2所述的基于粒子滤波SLAM的地图构建方法,其特征在于,比较N与设定的第三阈值;若N大于第三阈值,则扫描匹配成功;否则扫描匹配失败。
4.根据权利要求1所述的基于粒子滤波SLAM的地图构建方法,其特征在于,所述重采样步骤中的有效粒子数Neff为
5.根据权利要求1所述的基于粒子滤波SLAM的地图构建方法,其特征在于,根据粒子中包含的运动轨迹信息和观测信息生成地图具体为:通过占据栅格地图算法生成二维平面栅格图,其中所述二维平面栅格图表示为x1t为运动轨迹信息,z1t为观测信息。
6.基于粒子滤波SLAM的地图构建装置,其特征在于,包括:
获取模块,用于获取激光传感器数据p(zt|xt,m)和里程计数据p(xt|xt-1,ut-1);
匹配模块,用于通过迭代最近点算法对所述激光传感器数据进行扫描匹配;
更新模块,用于根据扫描匹配结果更新地图;所述更新模块包括第一更新子模块和第二更新子模块;所述第一更新子模块用于在扫描匹配结果为失败时,采用所述里程计数据更新地图;所述第二更新子模块用于在扫描匹配结果为成功时,采用所述激光传感器数据更新地图;
重采样模块,用于计算有效粒子数Neff,当所述有效粒子数小于粒子总数的一半时,进行自适应重采样补充所述激光传感器数据和所述里程计数据,否则直接返回获取模块执行;
其中,所述第一更新子模块包括:
第一粒子初采样模块,用于根据所述里程计数据从t-1时刻的粒子集合Yt-1采样获取t时刻的粒子集合Yt;
第一权重计算模块,用于计算t时刻的粒子集合Yt中的每个粒子的权重;
第一粒子重采样模块,用于根据设定的第一阈值对t时刻的粒子集合Yt中的粒子筛选以生成第一最终粒子集,并使第一最终粒子集的所有粒子具有相同的权重;
第一地图生成模块,用于根据第一最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图;
其中,所述第二更新子模块包括:
第二粒子初采样模块,用于将所述激光传感器数据融合至建议分布,并从融合激光传感器数据的建议分布中采样获取t时刻的粒子集合Yt,其中融合激光传感器数据的建议分布为
第二权重计算模块,用于计算t时刻的粒子集合Yt中的每个粒子的权重,其中权重为wt (i)=p(zt|mt-1 (i),xt-1 (i),ut-1)·wt-1 (i);
第二粒子重采样模块,用于根据设定的第二阈值对t时刻的粒子集合Yt中的粒子筛选以生成第二最终粒子集,并使第二最终粒子集的所有粒子具有相同的权重;
第二地图生成模块,用于根据第二最终粒子集的每个粒子中包含的运动轨迹信息和观测信息生成地图。
7.根据权利要求6所述的基于粒子滤波SLAM的地图构建装置,其特征在于,所述匹配模块具体配置为:设所述激光传感器数据的点集P为P={p1,p2,...,pm}和参考点集Q为Q={q1,q2,...,qn},计算所述激光传感器数据的点集P与所述参考点集Q间的变换T={R,t},使存在最优解,其中N为最优解下成功配对的点对数。
8.根据权利要求7所述的基于粒子滤波SLAM的地图构建装置,其特征在于,所述更新模块包括判定模块;所述判定模块用于比较N与设定的第三阈值,若N大于第三阈值,则判定为扫描匹配成功,否则判定为扫描匹配失败。
9.根据权利要求1所述的基于粒子滤波SLAM的地图构建装置,其特征在于,所述重采样模块中的有效粒子数Neff具体为
10.根据权利要求1所述的基于粒子滤波SLAM的地图构建装置,其特征在于,在所述第一地图生成模块和所述第二地图生成模块中,通过占据栅格地图算法生成二维平面栅格图,其中所述二维平面栅格图表示为x1t为运动轨迹信息,z1t为观测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924429.2A CN110608742A (zh) | 2019-09-27 | 2019-09-27 | 基于粒子滤波slam的地图构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924429.2A CN110608742A (zh) | 2019-09-27 | 2019-09-27 | 基于粒子滤波slam的地图构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110608742A true CN110608742A (zh) | 2019-12-24 |
Family
ID=68893630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924429.2A Pending CN110608742A (zh) | 2019-09-27 | 2019-09-27 | 基于粒子滤波slam的地图构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110608742A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111113422A (zh) * | 2019-12-30 | 2020-05-08 | 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 |
CN112284403A (zh) * | 2020-12-28 | 2021-01-29 | 深兰人工智能芯片研究院(江苏)有限公司 | 定位方法、装置、电子设备和存储介质 |
CN112732854A (zh) * | 2021-01-11 | 2021-04-30 | 哈尔滨工程大学 | 一种粒子滤波bslam方法 |
PL442150A1 (pl) * | 2022-08-30 | 2024-03-04 | Zięba Bogumił Inovatica | Sposób wyznaczania pozycji pojazdu |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625572A (zh) * | 2009-08-10 | 2010-01-13 | 浙江大学 | 基于改进重采样方法和粒子选取的FastSLAM算法 |
US20120089295A1 (en) * | 2010-10-07 | 2012-04-12 | Samsung Electronics Co., Ltd. | Moving robot and method to build map for the same |
CN105333879A (zh) * | 2015-12-14 | 2016-02-17 | 重庆邮电大学 | 同步定位与地图构建方法 |
CN105509755A (zh) * | 2015-11-27 | 2016-04-20 | 重庆邮电大学 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
CN109978767A (zh) * | 2019-03-27 | 2019-07-05 | 集美大学 | 基于多机器人协同的激光slam地图方法 |
-
2019
- 2019-09-27 CN CN201910924429.2A patent/CN110608742A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625572A (zh) * | 2009-08-10 | 2010-01-13 | 浙江大学 | 基于改进重采样方法和粒子选取的FastSLAM算法 |
US20120089295A1 (en) * | 2010-10-07 | 2012-04-12 | Samsung Electronics Co., Ltd. | Moving robot and method to build map for the same |
CN105509755A (zh) * | 2015-11-27 | 2016-04-20 | 重庆邮电大学 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
CN105333879A (zh) * | 2015-12-14 | 2016-02-17 | 重庆邮电大学 | 同步定位与地图构建方法 |
CN109978767A (zh) * | 2019-03-27 | 2019-07-05 | 集美大学 | 基于多机器人协同的激光slam地图方法 |
Non-Patent Citations (3)
Title |
---|
伍永健等: "量子粒子群优化下的RBPF-SLAM算法研究", 《智能系统学报》 * |
王依人等: "基于激光雷达传感器的RBPF-SLAM系统优化设计", 《传感器与微系统》 * |
罗元等: "基于优化RBPF的同时定位与地图构建", 《华中科技大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111113422A (zh) * | 2019-12-30 | 2020-05-08 | 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 |
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 |
CN112284403A (zh) * | 2020-12-28 | 2021-01-29 | 深兰人工智能芯片研究院(江苏)有限公司 | 定位方法、装置、电子设备和存储介质 |
CN112732854A (zh) * | 2021-01-11 | 2021-04-30 | 哈尔滨工程大学 | 一种粒子滤波bslam方法 |
CN112732854B (zh) * | 2021-01-11 | 2023-03-31 | 哈尔滨工程大学 | 一种粒子滤波bslam方法 |
PL442150A1 (pl) * | 2022-08-30 | 2024-03-04 | Zięba Bogumił Inovatica | Sposób wyznaczania pozycji pojazdu |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110608742A (zh) | 基于粒子滤波slam的地图构建方法及装置 | |
CN108332758B (zh) | 一种移动机器人的走廊识别方法及装置 | |
CN111765882B (zh) | 激光雷达定位方法及其相关装置 | |
CN112880694B (zh) | 确定车辆的位置的方法 | |
CN110889808B (zh) | 一种定位的方法、装置、设备及存储介质 | |
JP6456141B2 (ja) | 地図データの生成 | |
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 | |
US9069055B2 (en) | Wireless positioning method and apparatus using wireless sensor network | |
US20220176989A1 (en) | High precision position estimation method through road shape classification-based map matching and autonomous vehicle thereof | |
Leung et al. | An improved weighting strategy for rao-blackwellized probability hypothesis density simultaneous localization and mapping | |
CN112700479A (zh) | 一种基于cnn点云目标检测的配准方法 | |
CN111915675A (zh) | 基于粒子漂移的粒子滤波点云定位方法及其装置和系统 | |
CN104006740A (zh) | 物体检测方法和物体检测装置 | |
CN110989619B (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
WO2022116831A1 (zh) | 定位方法、装置、电子设备及可读存储介质 | |
CN114219022A (zh) | 结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法 | |
Carvalho et al. | Global Localization of Unmanned Ground Vehicles Using Swarm Intelligence and Evolutionary Algorithms | |
CN113077473B (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN116736219A (zh) | 基于改进粒子群算法的无源tdoa-fdoa联合定位优化布站方法 | |
CN113932815B (zh) | 稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质 | |
CN114543793B (zh) | 车辆导航系统的多传感器融合定位方法 | |
US20220404506A1 (en) | Online validation of lidar-to-lidar alignment and lidar-to-vehicle alignment | |
JP4108424B2 (ja) | センサバイアス誤差推定用の目標位置決定方法 | |
CN114777770A (zh) | 机器人定位方法、装置、控制终端以及可读存储介质 | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |