CN110763239B - 滤波组合激光slam建图方法及装置 - Google Patents

滤波组合激光slam建图方法及装置 Download PDF

Info

Publication number
CN110763239B
CN110763239B CN201911113723.1A CN201911113723A CN110763239B CN 110763239 B CN110763239 B CN 110763239B CN 201911113723 A CN201911113723 A CN 201911113723A CN 110763239 B CN110763239 B CN 110763239B
Authority
CN
China
Prior art keywords
robot
particle
current
information
pose
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
CN201911113723.1A
Other languages
English (en)
Other versions
CN110763239A (zh
Inventor
柯晶晶
周广兵
蒙仕格
郑辉
陈惠纲
王珏
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.)
South China Robotics Innovation Research Institute
Original Assignee
South China Robotics Innovation Research Institute
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 South China Robotics Innovation Research Institute filed Critical South China Robotics Innovation Research Institute
Priority to CN201911113723.1A priority Critical patent/CN110763239B/zh
Publication of CN110763239A publication Critical patent/CN110763239A/zh
Application granted granted Critical
Publication of CN110763239B publication Critical patent/CN110763239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Abstract

本发明公开了一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法及装置，其中，所述方法包括：基于所述机器人当前传感器观测信息估计机器人当前位姿；基于机器人当前传感器观测信息以及机器人当前位姿进行地图匹配处理，获得地图信息；基于上一时刻机器人位姿、当前传感器观测信息以及地图信息进行求取提议分布计算，获得提议分布概率值；基于提议分布概率值对采样粒子进行扩展信息滤波更新；对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集；基于重采样后的粒子集对所述地图信息进行更新。在本发明实施例中，可有效提高机器人采用激光传感器在室内非线性结构环境下建图与定位的实时运行效率。

Description

滤波组合激光SLAM建图方法及装置
技术领域
本发明涉及智能机器人技术领域，尤其涉及一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法及装置。
背景技术
同步定位与地图(SLAM,Simultaneous Localization and Mapping)技术是机器人自主导航技术领域中的一大研究热点，也是机器人实际应用中的关键技术。激光雷达不依赖于外界光照条件，是一种主动式探测传感器，具有高精度的测距信息；激光雷达SLAM方法仍然是机器人SLAM方法中应用最为广泛的方法；但是在室内复杂非线性环境下，现有的激光雷达SLAM方法存在运算效率低下，检测精度不高的问题。
专利CN108387236A公布了一种基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)的激光SLAM方法，该方法通过建立机器人的状态模型和基于激光雷达传感器、偏振光传感器的量测模型，借助于分布式扩展卡尔曼滤波(EKF)算法实现机器人位置和周围环境地图的构建。
该专利技术是基于扩展卡尔曼滤波(EKF)的激光SLAM方法，虽然能够通过扩展卡尔曼实现解决非线性系统的测量噪声的不确定性问题，但该方法需要维持高纬度的协方差矩阵来描述SLAM的不确定性度，存在计算量大，算法复杂，运算效率低等问题，使得实际的应用范围受限；基于扩展卡尔曼滤波(EKF)的激光SLAM方法要求输入噪声满足高斯分布，并简单地将非线性系统模型近似的局部线性化，故在室内复杂非线性环境下移动机器人很难实现高效而精准的定位与地图构建。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法及装置，可有效提高机器人采用激光传感器在室内非线性结构环境下建图与定位的实时运行效率。
为了解决上述技术问题，本发明实施例提供了一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法，所述方法包括：
基于激光传感器采集机器人当前传感器观测信息，并基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿；
基于所述机器人当前传感器观测信息以及所述机器人当前位姿进行地图匹配处理，获得地图信息；
基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算，获得提议分布概率值；
基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集；
对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集；
基于重采样后的粒子集对所述地图信息进行更新。
可选的，所述基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿估计，包括：
基于机器人的里程计获得当前里程计位置数据；
基于所述机器人当前数据和所述前位里程计当置数据进行机器人当前位姿估计，获得机器人当前位姿；
所述机器人当前传感器观测信息包括激光传感器到周围物体的距离信息和角度信息。
可选的，所述基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算公式如下：
Figure BDA0002273480840000021
其中，
Figure BDA0002273480840000022
表示提议分布概率值，xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000023
表示在k-1时刻的第i个粒子所在的地图信息；
Figure BDA0002273480840000024
表示在k-1时刻的携带的第i个粒子的机器人位姿；zk表示在k时刻的传感器观测信息；uk-1表示在k-1时刻的里程计当置数据。
可选的，所述基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集，包括：
基于所述提议分布概率值获得当前粒子集；
基于所述当前粒子集计算获得当前粒子集的状态估计、后验概率估计和协方差矩阵估计；
基于所述当前粒子集的状态估计、后验概率估计和协方差矩阵估计结合扩展信息矩阵对粒子集内的粒子进行扩展信息滤波更新，获得更新后的粒子集。
可选的，所述当前粒子集内的每一个粒子均由重要性权值、机器人运动轨迹信息以及机器人运动轨迹信息均值和协方差矩阵描述的n个高斯特征估计构成。
可选的，所述当前粒子集的状态估计的计算公式如下：
Figure BDA0002273480840000031
所述当前粒子集的后验概率估计计算公式如下：
Figure BDA0002273480840000032
所述当前粒子集的协方差矩阵估计计算公式如下：
Figure BDA0002273480840000033
其中，
Figure BDA0002273480840000034
表示k时刻的粒子集的状态估计；P(xk|z1:k)表示k时刻的粒子集的后验概率估计；Pk表示k时刻的粒子集的协方差矩阵估计；
Figure BDA0002273480840000035
表示在k时刻的第i个粒子的重要性权值；xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000036
表示在k时刻的携带的第i个粒子的机器人位姿；δ表示取样粒子函数，为detal函数。
可选的，所述对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集，包括：
对更新后的粒子集内的粒子按照重要性权值的大小进行排序分类，获得排序分类结果；
基于所述排序分类结果对重要性权值较高的粒子进行重采样处理，获取重采样后的粒子集。
可选的，所述基于重采样后的粒子集对所述地图信息进行更新，包括：
利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新。
可选的，所述利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新，包括：
利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息来计算每一个粒子的后验概率，获取后每一个粒子的验概率；
基于所述每一个粒子的后验概率对所述地图信息进行更新。
另外，本发明实施例还提供了一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图装置，所述装置包括：
位姿获取模块：用于基于激光传感器采集机器人当前传感器观测信息，并基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿；
地图信息获取模块：用于基于所述机器人当前传感器观测信息以及所述机器人当前位姿进行地图匹配处理，获得地图信息；
提议分布概率计算模块：用于基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算，获得提议分布概率值；
粒子更新模块：用于基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集；
粒子重采样模块：用于对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集；
地图信息更新模块：用于基于重采样后的粒子集对所述地图信息进行更新。
在本发明实施例中，针对室内复杂非线性结构环境下，移动机器人基于激光的环境地图构建，采用RBPF-SLAM结合扩展信息矩阵的方法，避免了EKF-SLAM的过程中，运算复杂，算法效率低下，对非线性结构环境不精确性，具有运算速率快、实时性好、精确度高、对室内复杂非线性环境具有较好地适应性及精确性等优势；可用于室内复杂非线性结构环境或室外复杂环境下激光建图与定位，若做少量更改其应用范围也可扩大到其他环境条件下的激光建图与定位；对于提高激光在室内非线性结构环境下建图与定位的精确性具有显著效果，可有效提高激光在室内非线性结构环境下建图与定位的实时运行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法的流程示意图；
图2是本发明实施例红的基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图装置的结构组成示意图。
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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
粒子滤波算法是解决非线性、非高斯系统的状态估计问题的一种有效手段，是用概率的观点对问题进行求解；其根据先验信息求得状态变量最佳的提议分布，再从该提议分布中选择一组有限的加权粒子用来描述状态变量的概率分布，在随后的状态递推估计过程中这些粒子权值也会进行适当调整；因此，SLAM问题在概率观点下可理解为：在估计初始状态(地图信息m0与位姿x0)给定的情况下，从开始时刻的传感器观测信息z1:k＝z1,…,zk与机器人里程计的运动信息u1:k＝u1,…uk，来估计机器人轨迹x1:k＝x1,…xk和地图信息mk的后验概率；RBPF-SLAM算法是基于粒子滤波思想原理，其将SLAM的概率描述因式分解为机器人位姿与已知位姿下的环境特征地图组成，如下式所示：
Figure BDA0002273480840000061
这样就把SLAM问题分解成两个独立的后验概率乘积，使得可以先对机器人的轨迹进行估计，然后再结合观测模型对地图进行更新，其中，Sk对应机器人运动轨迹信息，且Sk＝S1,S2,…,Sk；M对应地图信息中的一系列特征点，且M＝m1,m2,…,mk；Zk对应机器人的所有传感器观测信息；Ck对应机器人的控制输入信息；Ak对应数据关联。
通常，该分解因式由i个粒子来表示，第i个粒子Pi由重要性权值wi、机器人运动轨迹信息Si及机器人运动轨迹信息均值μi和协方差矩阵∑i描述的n个高斯特征估计构成，可以描述为：
Figure BDA0002273480840000062
为了将每个粒子的因式用低维度的高斯特征来描述，式
Figure BDA0002273480840000063
亦可以描述为:
Figure BDA0002273480840000064
式中，
Figure BDA0002273480840000065
表示第i个粒子
Figure BDA0002273480840000066
的重要性权值；
Figure BDA0002273480840000067
表示一系列带有所有特征状态的机器人位姿，且
Figure BDA0002273480840000068
也表示在k时刻携带的第i个粒子的的机器人位姿；
Figure BDA0002273480840000069
表示机器人协方差和每个特征协方差组成的块对角协方差矩阵；块对角协方差矩阵
Figure BDA00022734808400000610
可以描述为：
Figure BDA00022734808400000611
式中，
Figure BDA00022734808400000612
表示机器人协方差矩阵(如果是零矩阵，则表示粒子与位姿间无不确定关系)；定义δt(Θ,i)＝j代表第i个粒子的第j个特征点对应的共同特征集合里的第Θ个观测结果，则式(3)中的
Figure BDA00022734808400000613
和对应协方差
Figure BDA00022734808400000614
可以重新表示为：
Figure BDA00022734808400000615
Figure BDA00022734808400000616
通过以上推导分析，每个粒子都带有机器人的一条潜在轨迹运动信息和地图信息及其之间相关性的表示多维均值和协方差矩阵。
请参阅图1，图1是本发明实施例中的基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法的流程示意图。
如图1所示，一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法，所述方法包括：
S11：基于激光传感器采集机器人当前传感器观测信息，并基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿；
在本发明实施例中，所述基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿估计，包括：基于机器人的里程计获得当前里程计位置数据；基于所述机器人当前数据和所述前位里程计当置数据进行机器人当前位姿估计，获得机器人当前位姿；所述机器人当前传感器观测信息包括激光传感器到周围物体的距离信息和角度信息。
具体的，在启动机器人的时候，也同时启动设置在机器人上的激光传感器，利用激光传感器采集机器人当前传感器观测信息；其中，机器人当前传感器观测信息包括激光传感器到周围物体的距离信息和角度信息；机器人通过读取激光驱动，从而获得机器人当前传感器观测信息；机器人通过读取机器人里程计而获得当前里程计位置数据；其中里程计位置数据为机器人运动轨迹信息；通过机器人当前数据和前位里程计当置数据进行机器人当前位姿估计，从而获得机器人当前位姿。
S12：基于所述机器人当前传感器观测信息以及所述机器人当前位姿进行地图匹配处理，获得地图信息；
在本发明具体实施过程中，在获得机器人当前传感器观测信息以及所述机器人当前位姿之后，利用机器人当前传感器观测信息以及所述机器人当前位姿来进行地图匹配计算，从而获得地图信息；即对k时刻的第i个粒子来说，可由其第k-1时刻携带的机器人位姿
Figure BDA0002273480840000071
和1至k-1时刻携带的传感器观测信息
Figure BDA0002273480840000072
来计算k-1时刻的地图信息
Figure BDA0002273480840000073
从而实现地图信息的计算。
S13：基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算，获得提议分布概率值；
在本发明具体实施过程中，所述基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算公式如下：
Figure BDA0002273480840000081
其中，
Figure BDA0002273480840000082
表示提议分布概率值，xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000083
表示在k-1时刻的第i个粒子所在的地图信息；
Figure BDA0002273480840000084
表示在k-1时刻的携带的第i个粒子的机器人位姿；zk表示在k时刻的传感器观测信息；uk-1表示在k-1时刻的里程计当置数据。
具体的，求取提议分布式通过上一时刻机器人位姿、当前传感器观测信息以及地图信息进行求取提议分布计算；该提议分布式基于贝叶斯公式原理来进行的；具体的公式如下：
Figure BDA0002273480840000085
其中，
Figure BDA0002273480840000086
表示提议分布概率值，xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000087
表示在k-1时刻的第i个粒子所在的地图信息；
Figure BDA0002273480840000088
表示在k-1时刻的携带的第i个粒子的机器人位姿；zk表示在k时刻的传感器观测信息；uk-1表示在k-1时刻的里程计当置数据。
S14：基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集；
在本发明具体实施过程中，所述基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集，包括：基于所述提议分布概率值获得当前粒子集；基于所述当前粒子集计算获得当前粒子集的状态估计、后验概率估计和协方差矩阵估计；基于所述当前粒子集的状态估计、后验概率估计和协方差矩阵估计结合扩展信息矩阵对粒子集内的粒子进行扩展信息滤波更新，获得更新后的粒子集。
进一步的，所述当前粒子集内的每一个粒子均由重要性权值、机器人运动轨迹信息以及机器人运动轨迹信息均值和协方差矩阵描述的n个高斯特征估计构成。
进一步的，所述当前粒子集的状态估计的计算公式如下：
Figure BDA0002273480840000091
所述当前粒子集的后验概率估计计算公式如下：
Figure BDA0002273480840000092
所述当前粒子集的协方差矩阵估计计算公式如下：
Figure BDA0002273480840000093
其中，
Figure BDA0002273480840000094
表示k时刻的粒子集的状态估计；P(xk|z1:k)表示k时刻的粒子集的后验概率估计；Pk表示k时刻的粒子集的协方差矩阵估计；
Figure BDA0002273480840000095
表示在k时刻的第i个粒子的重要性权值；xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000096
表示在k时刻的携带的第i个粒子的机器人位姿；δ表示取样粒子函数，为detal函数。
具体的，在获得提议分布概率之后，通过该提议分布概率值获得当前粒子集；在粒子集内的每一个粒子均由重要性权值、机器人运动轨迹信息以及机器人运动轨迹信息均值和协方差矩阵描述的n个高斯特征估计构成；第i个粒子Pi由重要性权值wi、机器人运动轨迹信息Si及机器人运动轨迹信息均值μi和协方差矩阵∑i描述的n个高斯特征估计构成，可以描述为：
Figure BDA0002273480840000097
为了将每个粒子的因式用低维度的高斯特征来描述，式
Figure BDA0002273480840000098
亦可以描述为:
Figure BDA0002273480840000099
式中，
Figure BDA00022734808400000910
表示第i个粒子
Figure BDA00022734808400000911
的重要性权值；
Figure BDA00022734808400000912
表示一系列带有所有特征状态的机器人位姿，且
Figure BDA00022734808400000913
也表示在k时刻携带的第i个粒子的的机器人位姿；
Figure BDA00022734808400000914
表示机器人协方差和每个特征协方差组成的块对角协方差矩阵；块对角协方差矩阵
Figure BDA00022734808400000915
可以描述为：
Figure BDA00022734808400000916
式中，
Figure BDA00022734808400000917
表示机器人协方差矩阵(如果是零矩阵，则表示粒子与位姿间无不确定关系)；定义δt(Θ,i)＝j代表第i个粒子的第j个特征点对应的共同特征集合里的第Θ个观测结果，则式(3)中的
Figure BDA00022734808400000918
和对应协方差
Figure BDA00022734808400000919
可以重新表示为：
Figure BDA0002273480840000101
Figure BDA0002273480840000102
故得到的粒子集的状态估计、后验概率估计和协方差矩阵估计分别：
当前粒子集的状态估计的计算公式如下：
Figure BDA0002273480840000103
当前粒子集的后验概率估计计算公式如下：
Figure BDA0002273480840000104
当前粒子集的协方差矩阵估计计算公式如下：
Figure BDA0002273480840000105
其中，
Figure BDA0002273480840000106
表示k时刻的粒子集的状态估计；P(xk|z1:k)表示k时刻的粒子集的后验概率估计；Pk表示k时刻的粒子集的协方差矩阵估计；
Figure BDA0002273480840000107
表示在k时刻的第i个粒子的重要性权值；xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000108
表示在k时刻的携带的第i个粒子的机器人位姿；δ表示取样粒子函数，为detal函数。
通过当前粒子集的状态估计、后验概率估计和协方差矩阵估计结合扩展信息矩阵对粒子集内的粒子进行扩展信息滤波更新；其中扩展信息滤波与扩展卡尔曼滤波是代数等价的关系，通过维持状态向量和协方差矩阵的逆来描述而非状态向量和协方差；因此信息空间的初始化相比卡尔曼滤波器更加容易而且扩展信息滤波更新的计算负荷也更小，因此用扩展信息滤波进行粒子更新，计算效率更快；信息矩阵中的元素描述状态间的彼此相关性，在移动机器人运动区域附近的特征具有很强的相关性，而其它特征相关性很小；若将机器人位姿与环境地图路标位置合记为一个增广状态向量ζk＝(xk,m1…mN)T，则RBPF结合扩展信息矩阵(EIF)的滤波组合的SLAM问题的后验概率形式可表示为：P(ζk|Zk,Uk)；用期望值μk，协方差矩阵为∑k的多元高斯分布可描述为：
Figure BDA0002273480840000109
与EKF-SLAM算法用期望值μk与协方差矩阵∑k来描述后验概率不同，扩展信息滤波(EIF)是通过信息向量bk和信息矩阵Hk来描述的；上式展开后有：
Figure BDA0002273480840000111
式中，指数项
Figure BDA0002273480840000112
不含变量ζk，为一个常数项，因此可以改写为：
Figure BDA0002273480840000113
定义信息向量bk和信息矩阵Hk如下式所示：
Figure BDA0002273480840000114
将上式中的
Figure BDA0002273480840000115
代入信息向量bk和信息矩阵Hk表达式后即可得到后验概率的信息滤波表示形式：
Figure BDA0002273480840000116
同时，也可通过信息滤波的“恢复”步骤得到EKF(扩展卡尔曼滤波)的表示形式，变换关系为：
Figure BDA0002273480840000117
进一步地，对信息矩阵进行分析：
Figure BDA0002273480840000118
可见，该信息矩阵Hk为正定对称阵，其中
Figure BDA0002273480840000119
代表机器人位姿估计xk与第i个环境地图特征位置估计mi的相关性，
Figure BDA00022734808400001110
代表环境地图特征位置估计mi与mj的相关性，因此可用EIF信息矩阵对粒子进行更新，提高计算效率和降低计算负荷。
S15：对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集；
在本发明具体实施过程中，所述对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集，包括：对更新后的粒子集内的粒子按照重要性权值的大小进行排序分类，获得排序分类结果；基于所述排序分类结果对重要性权值较高的粒子进行重采样处理，获取重采样后的粒子集。
具体的，经过EIF粒子更新后，极大地提高算法效率，对粒子集按照不同权重进行分类；其中，M是粒子总数，
Figure BDA0002273480840000121
表示第i个粒子的归一化后的权值，计算公式为
Figure BDA0002273480840000122
其中，权值
Figure BDA0002273480840000123
Figure BDA0002273480840000124
然后对权值较高的粒子进行重采样，按照权重比例选取粒子，保留权重高的粒子，舍弃低权重粒子。
S16：基于重采样后的粒子集对所述地图信息进行更新。
在本发明具体实施过程中，所述基于重采样后的粒子集对所述地图信息进行更新，包括：利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新。
进一步的，所述利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新，包括：利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息来计算每一个粒子的后验概率，获取后每一个粒子的验概率；基于所述每一个粒子的后验概率对所述地图信息进行更新。
具体的，对每一个粒子，可以用其机器人轨迹
Figure BDA0002273480840000125
和传感器观测信息z1:k来计算相应的后验概率
Figure BDA0002273480840000126
从而对地图进行更新。
在本发明实施例中，针对室内复杂非线性结构环境下，移动机器人基于激光的环境地图构建，采用RBPF-SLAM结合扩展信息矩阵的方法，避免了EKF-SLAM的过程中，运算复杂，算法效率低下，对非线性结构环境不精确性，具有运算速率快、实时性好、精确度高、对室内复杂非线性环境具有较好地适应性及精确性等优势；可用于室内复杂非线性结构环境或室外复杂环境下激光建图与定位，若做少量更改其应用范围也可扩大到其他环境条件下的激光建图与定位；对于提高激光在室内非线性结构环境下建图与定位的精确性具有显著效果，可有效提高激光在室内非线性结构环境下建图与定位的实时运行效率。
实施例
粒子滤波算法是解决非线性、非高斯系统的状态估计问题的一种有效手段，是用概率的观点对问题进行求解；其根据先验信息求得状态变量最佳的提议分布，再从该提议分布中选择一组有限的加权粒子用来描述状态变量的概率分布，在随后的状态递推估计过程中这些粒子权值也会进行适当调整；因此，SLAM问题在概率观点下可理解为：在估计初始状态(地图信息m0与位姿x0)给定的情况下，从开始时刻的传感器观测信息z1:k＝Z1,…,zk与机器人里程计的运动信息u1:k＝u1,…uk，来估计机器人轨迹x1:k＝x1,…xk和地图信息mk的后验概率；RBPF-SLAM算法是基于粒子滤波思想原理，其将SLAM的概率描述因式分解为机器人位姿与已知位姿下的环境特征地图组成，如下式所示：
Figure BDA0002273480840000131
这样就把SLAM问题分解成两个独立的后验概率乘积，使得可以先对机器人的轨迹进行估计，然后再结合观测模型对地图进行更新，其中，Sk对应机器人运动轨迹信息，且Sk＝S1,S2,…,Sk；M对应地图信息中的一系列特征点，且M＝m1,m2,…,mk；Zk对应机器人的所有传感器观测信息；Ck对应机器人的控制输入信息；Ak对应数据关联。
通常，该分解因式由i个粒子来表示，第i个粒子Pi由重要性权值wi、机器人运动轨迹信息Si及机器人运动轨迹信息均值μi和协方差矩阵∑i描述的n个高斯特征估计构成，可以描述为：
Figure BDA0002273480840000132
为了将每个粒子的因式用低维度的高斯特征来描述，式
Figure BDA0002273480840000133
亦可以描述为:
Figure BDA0002273480840000134
式中，
Figure BDA0002273480840000135
表示第i个粒子
Figure BDA0002273480840000136
的重要性权值；
Figure BDA0002273480840000137
表示一系列带有所有特征状态的机器人位姿，且
Figure BDA0002273480840000138
也表示在k时刻携带的第i个粒子的的机器人位姿；
Figure BDA0002273480840000139
表示机器人协方差和每个特征协方差组成的块对角协方差矩阵；块对角协方差矩阵
Figure BDA00022734808400001310
可以描述为：
Figure BDA00022734808400001311
式中，
Figure BDA0002273480840000141
表示机器人协方差矩阵(如果是零矩阵，则表示粒子与位姿间无不确定关系)；定义δt(Θ,i)＝j代表第i个粒子的第j个特征点对应的共同特征集合里的第Θ个观测结果，则式(3)中的
Figure BDA0002273480840000142
和对应协方差
Figure BDA0002273480840000143
可以重新表示为：
Figure BDA0002273480840000144
Figure BDA0002273480840000145
通过以上推导分析，每个粒子都带有机器人的一条潜在轨迹运动信息和地图信息及其之间相关性的表示多维均值和协方差矩阵。
请参阅图2，图2是本发明实施例红的基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图装置的结构组成示意图。
如图2所示，一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图装置，所述装置包括：
位姿获取模块11：用于基于激光传感器采集机器人当前传感器观测信息，并基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿；
在本发明实施例中，所述基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿估计，包括：基于机器人的里程计获得当前里程计位置数据；基于所述机器人当前数据和所述前位里程计当置数据进行机器人当前位姿估计，获得机器人当前位姿；所述机器人当前传感器观测信息包括激光传感器到周围物体的距离信息和角度信息。
具体的，在启动机器人的时候，也同时启动设置在机器人上的激光传感器，利用激光传感器采集机器人当前传感器观测信息；其中，机器人当前传感器观测信息包括激光传感器到周围物体的距离信息和角度信息；机器人通过读取激光驱动，从而获得机器人当前传感器观测信息；机器人通过读取机器人里程计而获得当前里程计位置数据；其中里程计位置数据为机器人运动轨迹信息；通过机器人当前数据和前位里程计当置数据进行机器人当前位姿估计，从而获得机器人当前位姿。
地图信息获取模块12：用于基于所述机器人当前传感器观测信息以及所述机器人当前位姿进行地图匹配处理，获得地图信息；
在本发明具体实施过程中，在获得机器人当前传感器观测信息以及所述机器人当前位姿之后，利用机器人当前传感器观测信息以及所述机器人当前位姿来进行地图匹配计算，从而获得地图信息；即对k时刻的第i个粒子来说，可由其第k-1时刻携带的机器人位姿
Figure BDA0002273480840000151
和1至k-1时刻携带的传感器观测信息
Figure BDA0002273480840000152
来计算k-1时刻的地图信息
Figure BDA0002273480840000153
从而实现地图信息的计算。
提议分布概率计算模块13：用于基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算，获得提议分布概率值；
在本发明具体实施过程中，所述基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算公式如下：
Figure BDA0002273480840000154
其中，
Figure BDA0002273480840000155
表示提议分布概率值，xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000156
表示在k-1时刻的第i个粒子所在的地图信息；
Figure BDA0002273480840000157
表示在k-1时刻的携带的第i个粒子的机器人位姿；zk表示在k时刻的传感器观测信息；uk-1表示在k-1时刻的里程计当置数据。
具体的，求取提议分布式通过上一时刻机器人位姿、当前传感器观测信息以及地图信息进行求取提议分布计算；该提议分布式基于贝叶斯公式原理来进行的；具体的公式如下：
Figure BDA0002273480840000158
其中，
Figure BDA0002273480840000159
表示提议分布概率值，xk表示在k时刻的机器人位姿；
Figure BDA00022734808400001510
表示在k-1时刻的第i个粒子所在的地图信息；
Figure BDA00022734808400001511
表示在k-1时刻的携带的第i个粒子的机器人位姿；zk表示在k时刻的传感器观测信息；uk-1表示在k-1时刻的里程计当置数据。
粒子更新模块14：用于基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集；
在本发明具体实施过程中，所述基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集，包括：基于所述提议分布概率值获得当前粒子集；基于所述当前粒子集计算获得当前粒子集的状态估计、后验概率估计和协方差矩阵估计；基于所述当前粒子集的状态估计、后验概率估计和协方差矩阵估计结合扩展信息矩阵对粒子集内的粒子进行扩展信息滤波更新，获得更新后的粒子集。
进一步的，所述当前粒子集内的每一个粒子均由重要性权值、机器人运动轨迹信息以及机器人运动轨迹信息均值和协方差矩阵描述的n个高斯特征估计构成。
进一步的，所述当前粒子集的状态估计的计算公式如下：
Figure BDA0002273480840000161
所述当前粒子集的后验概率估计计算公式如下：
Figure BDA0002273480840000162
所述当前粒子集的协方差矩阵估计计算公式如下：
Figure BDA0002273480840000163
其中，
Figure BDA0002273480840000164
表示k时刻的粒子集的状态估计；P(xk|z1:k)表示k时刻的粒子集的后验概率估计；Pk表示k时刻的粒子集的协方差矩阵估计；
Figure BDA0002273480840000165
表示在k时刻的第i个粒子的重要性权值；xk表示在k时刻的机器人位姿；
Figure BDA0002273480840000166
表示在k时刻的携带的第i个粒子的机器人位姿；δ表示取样粒子函数，为detal函数。
具体的，在获得提议分布概率之后，通过该提议分布概率值获得当前粒子集；在粒子集内的每一个粒子均由重要性权值、机器人运动轨迹信息以及机器人运动轨迹信息均值和协方差矩阵描述的n个高斯特征估计构成；第i个粒子Pi由重要性权值wi、机器人运动轨迹信息Si及机器人运动轨迹信息均值μi和协方差矩阵∑i描述的n个高斯特征估计构成，可以描述为：
Figure BDA0002273480840000167
为了将每个粒子的因式用低维度的高斯特征来描述，式
Figure BDA0002273480840000168
亦可以描述为:
Figure BDA0002273480840000169
式中，
Figure BDA0002273480840000171
表示第i个粒子
Figure BDA0002273480840000172
的重要性权值；
Figure BDA0002273480840000173
表示一系列带有所有特征状态的机器人位姿，且
Figure BDA0002273480840000174
也表示在k时刻携带的第i个粒子的的机器人位姿；
Figure BDA0002273480840000175
表示机器人协方差和每个特征协方差组成的块对角协方差矩阵；块对角协方差矩阵
Figure BDA0002273480840000176
可以描述为：
Figure BDA0002273480840000177
式中，
Figure BDA0002273480840000178
表示机器人协方差矩阵(如果是零矩阵，则表示粒子与位姿间无不确定关系)；定义δt(Θ,i)＝j代表第i个粒子的第j个特征点对应的共同特征集合里的第Θ个观测结果，则式(3)中的
Figure BDA0002273480840000179
和对应协方差
Figure BDA00022734808400001710
可以重新表示为：
Figure BDA00022734808400001711
Figure BDA00022734808400001712
故得到的粒子集的状态估计、后验概率估计和协方差矩阵估计分别：
当前粒子集的状态估计的计算公式如下：
Figure BDA00022734808400001713
当前粒子集的后验概率估计计算公式如下：
Figure BDA00022734808400001714
当前粒子集的协方差矩阵估计计算公式如下：
Figure BDA00022734808400001715
其中，
Figure BDA00022734808400001716
表示k时刻的粒子集的状态估计；P(xk|z1:k)表示k时刻的粒子集的后验概率估计；Pk表示k时刻的粒子集的协方差矩阵估计；
Figure BDA00022734808400001717
表示在k时刻的第i个粒子的重要性权值；xk表示在k时刻的机器人位姿；
Figure BDA00022734808400001718
表示在k时刻的携带的第i个粒子的机器人位姿；δ表示取样粒子函数，为detal函数。
通过当前粒子集的状态估计、后验概率估计和协方差矩阵估计结合扩展信息矩阵对粒子集内的粒子进行扩展信息滤波更新；其中扩展信息滤波与扩展卡尔曼滤波是代数等价的关系，通过维持状态向量和协方差矩阵的逆来描述而非状态向量和协方差；因此信息空间的初始化相比卡尔曼滤波器更加容易而且扩展信息滤波更新的计算负荷也更小，因此用扩展信息滤波进行粒子更新，计算效率更快；信息矩阵中的元素描述状态间的彼此相关性，在移动机器人运动区域附近的特征具有很强的相关性，而其它特征相关性很小；若将机器人位姿与环境地图路标位置合记为一个增广状态向量ζk＝(xk,m1…mN)T，则RBPF结合扩展信息矩阵(EIF)的滤波组合的SLAM问题的后验概率形式可表示为：P(ζk|Zk,Uk)；用期望值μk，协方差矩阵为∑k的多元高斯分布可描述为：
Figure BDA0002273480840000181
与EKF-SLAM算法用期望值μk与协方差矩阵∑k来描述后验概率不同，扩展信息滤波(EIF)是通过信息向量bk和信息矩阵Hk来描述的；上式展开后有：
Figure BDA0002273480840000182
式中，指数项
Figure BDA0002273480840000183
不含变量ζk，为一个常数项，因此可以改写为：
Figure BDA0002273480840000184
定义信息向量bk和信息矩阵Hk如下式所示：
Figure BDA0002273480840000185
将上式中的
Figure BDA0002273480840000186
代入信息向量bk和信息矩阵Hk表达式后即可得到后验概率的信息滤波表示形式：
Figure BDA0002273480840000187
同时，也可通过信息滤波的“恢复”步骤得到EKF(扩展卡尔曼滤波)的表示形式，变换关系为：
Figure BDA0002273480840000188
进一步地，对信息矩阵进行分析：
Figure BDA0002273480840000191
可见，该信息矩阵Hk为正定对称阵，其中
Figure BDA0002273480840000192
代表机器人位姿估计xk与第i个环境地图特征位置估计mi的相关性，
Figure BDA0002273480840000193
代表环境地图特征位置估计mi与mj的相关性，因此可用EIF信息矩阵对粒子进行更新，提高计算效率和降低计算负荷。
粒子重采样模块15：用于对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集；
在本发明具体实施过程中，所述对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集，包括：对更新后的粒子集内的粒子按照重要性权值的大小进行排序分类，获得排序分类结果；基于所述排序分类结果对重要性权值较高的粒子进行重采样处理，获取重采样后的粒子集。
具体的，经过EIF粒子更新后，极大地提高算法效率，对粒子集按照不同权重进行分类；其中，M是粒子总数，
Figure BDA0002273480840000194
表示第i个粒子的归一化后的权值，计算公式为
Figure BDA0002273480840000195
其中，权值
Figure BDA0002273480840000196
Figure BDA0002273480840000197
然后对权值较高的粒子进行重采样，按照权重比例选取粒子，保留权重高的粒子，舍弃低权重粒子。
地图信息更新模块16：用于基于重采样后的粒子集对所述地图信息进行更新。
在本发明具体实施过程中，所述基于重采样后的粒子集对所述地图信息进行更新，包括：利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新。
进一步的，所述利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新，包括：利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息来计算每一个粒子的后验概率，获取后每一个粒子的验概率；基于所述每一个粒子的后验概率对所述地图信息进行更新。
具体的，对每一个粒子，可以用其机器人轨迹
Figure BDA0002273480840000201
和传感器观测信息z1:k来计算相应的后验概率
Figure BDA0002273480840000202
从而对地图进行更新。
在本发明实施例中，针对室内复杂非线性结构环境下，移动机器人基于激光的环境地图构建，采用RBPF-SLAM结合扩展信息矩阵的方法，避免了EKF-SLAM的过程中，运算复杂，算法效率低下，对非线性结构环境不精确性，具有运算速率快、实时性好、精确度高、对室内复杂非线性环境具有较好地适应性及精确性等优势；可用于室内复杂非线性结构环境或室外复杂环境下激光建图与定位，若做少量更改其应用范围也可扩大到其他环境条件下的激光建图与定位；对于提高激光在室内非线性结构环境下建图与定位的精确性具有显著效果，可有效提高激光在室内非线性结构环境下建图与定位的实时运行效率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图方法，其特征在于，所述方法包括：
基于激光传感器采集机器人当前传感器观测信息，并基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿；
基于所述机器人当前传感器观测信息以及所述机器人当前位姿进行地图匹配处理，获得地图信息；
基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算，获得提议分布概率值；
基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集；
对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集；
基于重采样后的粒子集对所述地图信息进行更新；
所述基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集，包括：
基于所述提议分布概率值获得当前粒子集；
基于所述当前粒子集计算获得当前粒子集的状态估计、后验概率估计和协方差矩阵估计；
基于所述当前粒子集的状态估计、后验概率估计和协方差矩阵估计结合扩展信息矩阵对粒子集内的粒子进行扩展信息滤波更新，获得更新后的粒子集；
所述当前粒子集的状态估计的计算公式如下：
Figure FDA0003042645910000011
所述当前粒子集的后验概率估计计算公式如下：
Figure FDA0003042645910000012
所述当前粒子集的协方差矩阵估计计算公式如下：
Figure FDA0003042645910000013
其中，
Figure FDA0003042645910000021
表示k时刻的粒子集的状态估计；P(xk|z1:k)表示k时刻的粒子集的后验概率估计；Pk表示k时刻的粒子集的协方差矩阵估计；
Figure FDA0003042645910000022
表示在k时刻的第i个粒子的重要性权值；xk表示在k时刻的机器人位姿；
Figure FDA0003042645910000023
表示在k时刻的携带的第i个粒子的机器人位姿；δ表示取样粒子函数，为detal函数。
2.根据权利要求1所述的滤波组合激光SLAM建图方法，其特征在于，所述基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿估计，包括：
基于机器人的里程计获得当前里程计位置数据；
基于所述机器人当前数据和所述前位里程计当置数据进行机器人当前位姿估计，获得机器人当前位姿；
所述机器人当前传感器观测信息包括激光传感器到周围物体的距离信息和角度信息。
3.根据权利要求1所述的滤波组合激光SLAM建图方法，其特征在于，所述基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算公式如下：
Figure FDA0003042645910000024
其中，
Figure FDA0003042645910000025
表示提议分布概率值，xk表示在k时刻的机器人位姿；
Figure FDA0003042645910000026
表示在k-1时刻的第i个粒子所在的地图信息；
Figure FDA0003042645910000027
表示在k-1时刻的携带的第i个粒子的机器人位姿；zk表示在k时刻的传感器观测信息；uk-1表示在k-1时刻的里程计当置数据。
4.根据权利要求1所述的滤波组合激光SLAM建图方法，其特征在于，所述当前粒子集内的每一个粒子均由重要性权值、机器人运动轨迹信息以及机器人运动轨迹信息均值和协方差矩阵描述的n个高斯特征估计构成。
5.根据权利要求1所述的滤波组合激光SLAM建图方法，其特征在于，所述对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集，包括：
对更新后的粒子集内的粒子按照重要性权值的大小进行排序分类，获得排序分类结果；
基于所述排序分类结果对重要性权值较高的粒子进行重采样处理，获取重采样后的粒子集。
6.根据权利要求1所述的滤波组合激光SLAM建图方法，其特征在于，所述基于重采样后的粒子集对所述地图信息进行更新，包括：
利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新。
7.根据权利要求6所述的滤波组合激光SLAM建图方法，其特征在于，所述利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息对所述地图信息进行更新，包括：
利用重采样后的粒子集内的每一个粒子的机器人位姿和传感器观测信息来计算每一个粒子的后验概率，获取后每一个粒子的验概率；
基于所述每一个粒子的后验概率对所述地图信息进行更新。
8.一种基于RBPF结合扩展信息矩阵的滤波组合激光SLAM建图装置，其特征在于，所述装置包括：
位姿获取模块：用于基于激光传感器采集机器人当前传感器观测信息，并基于所述机器人当前传感器观测信息估计机器人当前位姿，获得机器人当前位姿；
地图信息获取模块：用于基于所述机器人当前传感器观测信息以及所述机器人当前位姿进行地图匹配处理，获得地图信息；
提议分布概率计算模块：用于基于上一时刻机器人位姿、当前传感器观测信息以及所述地图信息进行求取提议分布计算，获得提议分布概率值；
粒子更新模块：用于基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集；
粒子重采样模块：用于对更新后的粒子集内的粒子按照权值高低进行重采样处理，获取重采样后的粒子集；
地图信息更新模块：用于基于重采样后的粒子集对所述地图信息进行更新；
所述基于所述提议分布概率值对采样粒子进行扩展信息滤波更新，获取更新后的粒子集，包括：
基于所述提议分布概率值获得当前粒子集；
基于所述当前粒子集计算获得当前粒子集的状态估计、后验概率估计和协方差矩阵估计；
基于所述当前粒子集的状态估计、后验概率估计和协方差矩阵估计结合扩展信息矩阵对粒子集内的粒子进行扩展信息滤波更新，获得更新后的粒子集；
所述当前粒子集的状态估计的计算公式如下：
Figure FDA0003042645910000041
所述当前粒子集的后验概率估计计算公式如下：
Figure FDA0003042645910000042
所述当前粒子集的协方差矩阵估计计算公式如下：
Figure FDA0003042645910000043
其中，
Figure FDA0003042645910000044
表示k时刻的粒子集的状态估计；P(xk|z1:k)表示k时刻的粒子集的后验概率估计；Pk表示k时刻的粒子集的协方差矩阵估计；
Figure FDA0003042645910000045
表示在k时刻的第i个粒子的重要性权值；xk表示在k时刻的机器人位姿；
Figure FDA0003042645910000046
表示在k时刻的携带的第i个粒子的机器人位姿；δ表示取样粒子函数，为detal函数。
CN201911113723.1A 2019-11-14 2019-11-14 滤波组合激光slam建图方法及装置 Active CN110763239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911113723.1A CN110763239B (zh) 2019-11-14 2019-11-14 滤波组合激光slam建图方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911113723.1A CN110763239B (zh) 2019-11-14 2019-11-14 滤波组合激光slam建图方法及装置

Publications (2)

Publication Number Publication Date
CN110763239A CN110763239A (zh) 2020-02-07
CN110763239B true CN110763239B (zh) 2021-08-24

Family

ID=69337821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911113723.1A Active CN110763239B (zh) 2019-11-14 2019-11-14 滤波组合激光slam建图方法及装置

Country Status (1)

Country Link
CN (1) CN110763239B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070201A (zh) * 2020-08-26 2020-12-11 成都睿芯行科技有限公司 一种基于Gmapping提升建图速度的方法
CN112102410A (zh) * 2020-09-24 2020-12-18 四川长虹电器股份有限公司 基于粒子滤波器和视觉辅助的移动机器人定位方法及装置
CN111928866B (zh) * 2020-09-27 2021-02-12 上海思岚科技有限公司 一种机器人地图差异更新的方法及设备
CN112344966B (zh) * 2020-11-24 2023-06-16 深兰科技（上海）有限公司 一种定位失效检测方法、装置、存储介质及电子设备
CN112698345B (zh) * 2020-12-04 2024-01-30 江苏科技大学 一种激光雷达的机器人同时定位与建图优化方法
CN112732854B (zh) * 2021-01-11 2023-03-31 哈尔滨工程大学 一种粒子滤波bslam方法
CN112965076A (zh) * 2021-01-28 2021-06-15 上海思岚科技有限公司 一种用于机器人的多雷达定位系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402225A (zh) * 2011-11-23 2012-04-04 中国科学院自动化研究所 一种实现移动机器人同时定位与地图构建的方法
CN104236551A (zh) * 2014-09-28 2014-12-24 北京信息科技大学 一种蛇形机器人基于激光测距仪的地图创建方法
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
CN106970614A (zh) * 2017-03-10 2017-07-21 江苏物联网研究发展中心 改进的栅格拓扑语义环境地图的构建方法
CN108955689A (zh) * 2018-07-13 2018-12-07 北京工业大学 基于自适应细菌觅食优化算法的rbpf-slam方法
CN109798896A (zh) * 2019-01-21 2019-05-24 东南大学 一种室内机器人定位与建图方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402225A (zh) * 2011-11-23 2012-04-04 中国科学院自动化研究所 一种实现移动机器人同时定位与地图构建的方法
CN104236551A (zh) * 2014-09-28 2014-12-24 北京信息科技大学 一种蛇形机器人基于激光测距仪的地图创建方法
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
CN106970614A (zh) * 2017-03-10 2017-07-21 江苏物联网研究发展中心 改进的栅格拓扑语义环境地图的构建方法
CN108955689A (zh) * 2018-07-13 2018-12-07 北京工业大学 基于自适应细菌觅食优化算法的rbpf-slam方法
CN109798896A (zh) * 2019-01-21 2019-05-24 东南大学 一种室内机器人定位与建图方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A novel combined SLAM based on RBPF-SLAM and EIF-SLAM for mobile system sensing in a large scale environment;Bo He, et al;《Sensors》;20111028;第10197-10216页 *

Also Published As

Publication number Publication date
CN110763239A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110763239B (zh) 滤波组合激光slam建图方法及装置
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN110849374B (zh) 地下环境定位方法、装置、设备及存储介质
CN107369166B (zh) 一种基于多分辨率神经网络的目标跟踪方法及系统
CN110118560B (zh) 一种基于lstm和多传感器融合的室内定位方法
CN109597864B (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
CN111136660B (zh) 机器人位姿定位方法及系统
CN101907459B (zh) 基于单目视频的实时三维刚体目标姿态估计与测距方法
CN111536964A (zh) 机器人定位方法及装置、存储介质
CN112639502A (zh) 机器人位姿估计
CN109522832B (zh) 基于点云片段匹配约束和轨迹漂移优化的回环检测方法
CN111429574A (zh) 基于三维点云和视觉融合的移动机器人定位方法和系统
CN111693047A (zh) 一种高动态场景下的微小型无人机视觉导航方法
JP7131994B2 (ja) 自己位置推定装置、自己位置推定方法、自己位置推定プログラム、学習装置、学習方法及び学習プログラム
JP4984659B2 (ja) 自車両位置推定装置
CN110487286B (zh) 基于点特征投影与激光点云融合的机器人位姿判断方法
CN113466890B (zh) 基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统
CN108426582B (zh) 行人室内三维地图匹配方法
CN112965063B (zh) 一种机器人建图定位方法
CN110986956A (zh) 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
Marks et al. Gamma-SLAM: Using stereo vision and variance grid maps for SLAM in unstructured environments
Lin et al. Noise filtering, trajectory compression and trajectory segmentation on GPS data
CN115421158A (zh) 自监督学习的固态激光雷达三维语义建图方法与装置
CN117367412B (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
CN114608568A (zh) 一种基于多传感器信息即时融合定位方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Filter combination laser SLAM mapping method and device

Effective date of registration: 20231130

Granted publication date: 20210824

Pledgee: Guangdong Shunde Rural Commercial Bank Co.,Ltd. science and technology innovation sub branch

Pledgor: SOUTH CHINA ROBOTICS INNOVATION Research Institute

Registration number: Y2023980068232

PE01 Entry into force of the registration of the contract for pledge of patent right