CN110779528A - 基于粒子滤波器的定位恢复方法及机器人设备 - Google Patents

基于粒子滤波器的定位恢复方法及机器人设备 Download PDF

Info

Publication number
CN110779528A
CN110779528A CN201911083441.1A CN201911083441A CN110779528A CN 110779528 A CN110779528 A CN 110779528A CN 201911083441 A CN201911083441 A CN 201911083441A CN 110779528 A CN110779528 A CN 110779528A
Authority
CN
China
Prior art keywords
positioning
recovery
calculating
particles
positioning recovery
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
Application number
CN201911083441.1A
Other languages
English (en)
Other versions
CN110779528B (zh
Inventor
邵小宁
刘孟红
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201911083441.1A priority Critical patent/CN110779528B/zh
Publication of CN110779528A publication Critical patent/CN110779528A/zh
Application granted granted Critical
Publication of CN110779528B publication Critical patent/CN110779528B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及机器人及导航领域，公开了一种基于粒子滤波器的定位恢复方法及机器人设备，用于解决现在技术存在的因全局地图较大、没有采用定位丢失过程中的先验信息等因素造成的失效恢复的用时过长、效率低的问题。本发明的方法包括：定位恢复判断模块，用于计算定位质量，并判断是否启动定位恢复；定位恢复区域计算模块，用于当启动定位恢复时，根据定位质量计算定位恢复区域；定位恢复执行模块，用于粒子滤波器迭代更新，其中粒子的撒点区域包括所述定位恢复区域。本发明适用于机器人导航。

Description

基于粒子滤波器的定位恢复方法及机器人设备
技术领域
本发明涉及机器人及导航领域，特别涉及基于粒子滤波器的定位恢复方法及机器人设备。
背景技术
随着机器人相关技术的快速发展，人们对机器人的需求越来越高，特别是机器人的自主导航功能。自动导航系统首先要载入建图系统生成的栅格地图，并在该地图实现机器人自定位和导航。因此，无论是机器人开始启动自动导航系统或自动导航系统失效后重启，机器人都需要快速的定位到自己的初始位置，以使自动导航系统快速生效。
基于激光的机器人自定位算法通常采用粒子滤波算法，在机器人操作系统ROS(RobotOperating System)中的相应模块为amcl(自适应蒙特卡洛定位)，其中采用Augmented_MCL算法在全局地图上增加随机粒子，能在一定程度上解决失效恢复的问题。
算法流程见附图1，基本的蒙特卡罗定位算法用M个粒子的集合表示置信度bel(xt)。图1所示的第5行从运动模型采样，以当前置信度为起点使用粒子。运动模型包括速度采样模型和里程计模型。测量模型应用于第6行，以确定粒子的重要性权重。测量模型包括测距仪的波束模型和似然域模型。第10、11行分别计算粒子的短期似然平均和长期似然平均。在重采样过程中，第13行以一定概率进行全局地图的随机采样(撒点)。
然而该方法存在的问题包括：机器人运动过程中，定位往往是逐渐丢失的情况，现有方法没有采用定位丢失过程中的先验信息，仅在全局地图上增加随机粒子，当全局地图较大时，失效恢复的用时过长，效率低。
发明内容
本发明要解决的技术问题是：提供一种基于粒子滤波器的定位恢复方法及机器人设备，用于解决现在技术存在的因全局地图较大、没有采用定位丢失过程中的先验信息等因素造成的失效恢复的用时过长、效率低的问题。
为解决上述问题，本发明采用的技术方案是：基于粒子滤波器的定位恢复方法，包括：
计算定位质量，并判断是否启动定位恢复；
当启动定位恢复时，根据定位质量计算定位恢复区域；
粒子滤波器迭代更新，其中粒子的撒点区域包括所述定位恢复区域。
进一步地，所述计算定位质量并判断是否启动定位恢复的方法，可包括：计算粒子的平均权重，当平均权重小于启动定位恢复阈值时，启动定位恢复。
进一步地，所述计算定位质量并判断是否启动定位恢复的方法，可包括：计算粒子的短期似然平均和长期似然平均，当短期似然平均和长期似然平均之比小于启动定位恢复阈值时，启动定位恢复。
进一步地，所述计算定位恢复区域的方法，可包括：以里程计输出的当前位置为均值，根据粒子的平均权重计算方差和/或粒子数。
进一步地，所述计算定位恢复区域的方法，可包括：以里程计输出的当前位置为均值，根据粒子的短期似然平均和长期似然平均之比计算方差和/或粒子数。
进一步地，为了更准确定位，所述粒子滤波器迭代更新时，粒子的撒点区域可包括原里程计模型计算出的区域、所述定位恢复区域和全局区域。
对应于以上的定位恢复方法，本发明还提供了一种基于粒子滤波器进行定位恢复的机器人设备，包括：
定位恢复判断模块，用于计算定位质量，并判断是否启动定位恢复；
定位恢复区域计算模块，用于当启动定位恢复时，根据定位质量计算定位恢复区域；
定位恢复执行模块，用于粒子滤波器迭代更新，其中粒子的撒点区域包括所述定位恢复区域。
具体的，定位恢复判断模块判断需要启动定位恢复的情形可包括：
粒子的平均权重小于启动定位恢复阈值时，或者，粒子的短期似然平均和长期似然平均之比小于启动定位恢复阈值时。
具体的，定位恢复区域计算模块计算定位恢复区域的方法可以为：
以里程计输出的当前位置为均值，根据粒子的平均权重计算方差和/或粒子数；或者，
以里程计输出的当前位置为均值，根据粒子的短期似然平均和长期似然平均之比计算方差和/或粒子数。
具体的，为了更准确定位，粒子的撒点区域具体包括：原里程计模型计算出的区域、所述定位恢复区域以及全局区域。
本发明的有益效果是：机器人在运动过程中，采用定位丢失过程中的先验信息，增加定位恢复区域的准确性，减少失效恢复的用时，提高失效恢复的效率，或者说增加粒子更新过程中撒点的准确性，提高粒子滤波器抗丢失的鲁棒性。
附图说明
图1示出了现有技术的Augmented_MCL算法的流程图。
图2示出了本发明一种基于粒子滤波器的快速初始定位方法的实施例一的流程图。
具体实施方式
下面将结合本发明实施例的附图，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他实施例，都属于本发明保护的范围。
实施例一
图2示出了本发明一种基于粒子滤波器的定位恢复方法的实施例一的流程图，包括，
步骤1、计算定位质量，并判断是否启动定位恢复。
具体实现时，可以有多种方法来表示定位质量，比如用所有粒子的平均权重，或粒子的短期似然平均和长期似然平均等等。
以粒子的平均权重为例，计算粒子的平均权重，当平均权重小于启动定位恢复阈值时，启动定位恢复。平均权重越小，说明粒子离真实位置越远，因此最简单的做法是当平均权重小于某个值时(定义为启动定位恢复阈值)，就应该启动定位恢复操作。注意：本发明中说的定位恢复，并不代表定位就真正失效了，在定位有一定偏差时，也可以启动本算法，即进行定位恢复操作，这在一定程度上可以预防机器人的定位丢失。
启动定位恢复阈值的具体取值，根据传感器的精度和环境而定。
以粒子的似然平均为例，计算粒子的短期似然平均和长期似然平均，当短期似然平均和长期似然平均之比小于启动定位恢复阈值时，启动定位恢复。设计原理与粒子的平均权重类似。
步骤2、当启动定位恢复时，计算定位恢复区域。
机器人在运动过程中，定位往往是逐渐丢失的。通过步骤1计算定位质量，我们能大概估计出机器人是什么时候开始定位变差、直到定位丢失的。因此我们可以借助定位质量给出的先验知识，帮助机器人在粒子更新时，把粒子分布在更可能包含机器人真实位置的区域。而不是等机器人定位丢失后，在全局地图进行撒点。因此，根据定位质量，计算定位恢复区域，是关键的步骤。
根据定位质量的不同表征，计算定位恢复区域的方法也有所不同。
以粒子的平均权重为例，计算定位恢复区域的方法，包括：以里程计输出的当前位置为均值，根据粒子的平均权重计算方差和/或粒子数。原则为粒子的平均权重越小，方差越大，粒子数越多。比如为：
Figure BDA0002264647130000031
(ωavg为平均权重，αfix为固定方差)。注意：这里方差包括位置的方差和角度的方差。
以粒子的似然平均为例，计算定位恢复区域的方法，包括：以里程计输出的当前位置为均值，根据粒子的短期似然平均和长期似然平均之比计算方差和/或粒子数。原则为上述比值越小，方差越大，粒子数越多。具体设计方法与粒子的平均权重类似。
步骤3、粒子滤波器迭代更新，其中粒子的撒点区域包括所述定位恢复区域。
该算法可以与附图1中的原始算法进行融合，即撒点时，粒子的撒点区域包括原里程计模型计算出的区域和/或所述定位恢复区域和/或全局区域。
根据本发明实施例提供的方法，机器人在运动过程中，采用定位丢失过程中的先验信息，增加定位恢复区域的准确性，减少失效恢复的用时，提高失效恢复的效率，或者说增加粒子更新过程中撒点的准确性，提高粒子滤波器抗丢失的鲁棒性。
实施例二
实施例二提供了一种基于粒子滤波器进行定位恢复的机器人设备，包括：
定位恢复判断模块，用于计算定位质量，并判断是否启动定位恢复。
可以有多种方法来表示定位质量，比如用所有粒子的平均权重，或粒子的短期似然平均和长期似然平均等等。
以粒子的平均权重为例，计算粒子的平均权重，当平均权重小于启动定位恢复阈值时，启动定位恢复。平均权重越小，说明粒子离真实位置越远，因此最简单的做法是当平均权重小于某个值时(定义为启动定位恢复阈值)，就应该启动定位恢复操作。启动定位恢复阈值的具体取值，根据传感器的精度和环境而定。
以粒子的似然平均为例，计算粒子的短期似然平均和长期似然平均，当短期似然平均和长期似然平均之比小于启动定位恢复阈值时，启动定位恢复。设计原理与粒子的平均权重类似。
定位恢复区域计算模块，用于当启动定位恢复时，计算定位恢复区域。
根据定位质量的不同表征，计算定位恢复区域的方法也有所不同。
以粒子的平均权重为例，计算定位恢复区域的方法，包括：以里程计输出的当前位置为均值，根据粒子的平均权重计算方差和/或粒子数。原则为粒子的平均权重越小，方差越大，粒子数越多。比如为：
Figure BDA0002264647130000041
(ωavg为平均权重，αfix为固定方差)。注意：这里方差包括位置的方差和角度的方差。
以粒子的似然平均为例，计算定位恢复区域的方法，包括：以里程计输出的当前位置为均值，根据粒子的短期似然平均和长期似然平均之比计算方差和/或粒子数。原则为上述比值越小，方差越大，粒子数越多。具体设计方法与粒子的平均权重类似。
定位恢复执行模块，用于粒子滤波器迭代更新，其中粒子的撒点区域包括所述定位恢复区域。
该算法可以与附图1中的原始算法进行融合，即撒点时，粒子的撒点区域包括原里程计模型计算出的区域和/或所述定位恢复区域和/或全局区域。
需要说明的是，本实施例中的各模块(或单元)是逻辑意义上的，具体实现时，多个模块(或单元)可以合并成一个模块(或单元)，一个模块(或单元)也可以拆分成多个模块(或单元)。
根据本发明实施例提供的机器人设备，机器人在运动过程中，采用定位丢失过程中的先验信息，增加定位恢复区域的准确性，减少失效恢复的用时，提高失效恢复的效率，或者说增加粒子更新过程中撒点的准确性，提高粒子滤波器抗丢失的鲁棒性。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，该程序在执行时，可包括如上各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.基于粒子滤波器的定位恢复方法，其特征在于，包括：
计算定位质量，并判断是否启动定位恢复；
当启动定位恢复时，根据定位质量计算定位恢复区域；
粒子滤波器迭代更新，其中粒子的撒点区域包括所述定位恢复区域。
2.如权利要求1所述的基于粒子滤波器的定位恢复方法，其特征在于，所述计算定位质量并判断是否启动定位恢复的方法，包括：计算粒子的平均权重，当平均权重小于启动定位恢复阈值时，启动定位恢复。
3.如权利要求1所述的基于粒子滤波器的定位恢复方法，其特征在于，所述计算定位质量并判断是否启动定位恢复的方法，包括：计算粒子的短期似然平均和长期似然平均，当短期似然平均和长期似然平均之比小于启动定位恢复阈值时，启动定位恢复。
4.如权利要求2所述的基于粒子滤波器的定位恢复方法，其特征在于，所述计算定位恢复区域的方法，包括：以里程计输出的当前位置为均值，根据粒子的平均权重计算方差和/或粒子数。
5.如权利要求3所述的基于粒子滤波器的定位恢复方法，其特征在于，所述计算定位恢复区域的方法，包括：以里程计输出的当前位置为均值，根据粒子的短期似然平均和长期似然平均之比计算方差和/或粒子数。
6.如权利要求1所述的基于粒子滤波器的定位恢复方法，其特征在于，所述粒子滤波器迭代更新时，粒子的撒点区域具体包括：原里程计模型计算出的区域、所述定位恢复区域以及全局区域。
7.基于粒子滤波器进行定位恢复的机器人设备，其特征在于，包括：
定位恢复判断模块，用于计算定位质量，并判断是否启动定位恢复；
定位恢复区域计算模块，用于当启动定位恢复时，根据定位质量计算定位恢复区域；
定位恢复执行模块，用于粒子滤波器迭代更新，其中粒子的撒点区域包括所述定位恢复区域。
8.如权利要求7所述的基于粒子滤波器进行定位恢复的机器人设备，其特征在于，定位恢复判断模块判断需要启动定位恢复的情形包括：
粒子的平均权重小于启动定位恢复阈值时，或者，粒子的短期似然平均和长期似然平均之比小于启动定位恢复阈值时。
9.如权利要求8所述的基于粒子滤波器进行定位恢复的机器人设备，其特征在于，定位恢复区域计算模块计算定位恢复区域的方法为：
以里程计输出的当前位置为均值，根据粒子的平均权重计算方差和/或粒子数；或者，
以里程计输出的当前位置为均值，根据粒子的短期似然平均和长期似然平均之比计算方差和/或粒子数。
10.如权利要求7所述的基于粒子滤波器进行定位恢复的机器人设备，其特征在于，粒子的撒点区域具体包括：原里程计模型计算出的区域、所述定位恢复区域以及全局区域。
CN201911083441.1A 2019-11-07 2019-11-07 基于粒子滤波器的定位恢复方法及机器人设备 Active CN110779528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911083441.1A CN110779528B (zh) 2019-11-07 2019-11-07 基于粒子滤波器的定位恢复方法及机器人设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911083441.1A CN110779528B (zh) 2019-11-07 2019-11-07 基于粒子滤波器的定位恢复方法及机器人设备

Publications (2)

Publication Number Publication Date
CN110779528A true CN110779528A (zh) 2020-02-11
CN110779528B CN110779528B (zh) 2022-05-31

Family

ID=69389562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911083441.1A Active CN110779528B (zh) 2019-11-07 2019-11-07 基于粒子滤波器的定位恢复方法及机器人设备

Country Status (1)

Country Link
CN (1) CN110779528B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050095384A (ko) * 2004-03-26 2005-09-29 삼성전자주식회사 로봇의 전역 위치 추정 방법
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
US20100094786A1 (en) * 2008-10-14 2010-04-15 Honda Motor Co., Ltd. Smoothed Sarsa: Reinforcement Learning for Robot Delivery Tasks
CN102162732A (zh) * 2009-12-18 2011-08-24 精工爱普生株式会社 计算位置的方法及系统
CN103925923A (zh) * 2014-05-07 2014-07-16 南京大学 一种基于自适应粒子滤波器算法的地磁室内定位系统
CN104180799A (zh) * 2014-07-15 2014-12-03 东北大学 一种基于自适应蒙特卡罗定位的机器人定位方法
CN106840179A (zh) * 2017-03-07 2017-06-13 中国科学院合肥物质科学研究院 一种基于多传感器信息融合的智能车定位方法
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
CN108748184A (zh) * 2018-06-13 2018-11-06 四川长虹电器股份有限公司 一种基于区域地图标识的机器人巡逻方法及机器人设备
CN108931245A (zh) * 2018-08-02 2018-12-04 上海思岚科技有限公司 移动机器人的局部自定位方法及设备
CN109003303A (zh) * 2018-06-15 2018-12-14 四川长虹电器股份有限公司 基于语音和空间物体识别及定位的设备控制方法及装置
CN109144056A (zh) * 2018-08-02 2019-01-04 上海思岚科技有限公司 移动机器人的全局自定位方法及设备
CN109253727A (zh) * 2018-06-22 2019-01-22 东南大学 一种基于改进迭代容积粒子滤波算法的定位方法
CN109556607A (zh) * 2018-10-24 2019-04-02 上海大学 一种快速处理移动机器人定位“绑架”问题的方法
CN109633729A (zh) * 2018-12-29 2019-04-16 哈尔滨工业大学 一种移动机器人核环境下的放射源定位及强度估计方法
US20190180134A1 (en) * 2017-12-12 2019-06-13 Korea Advanced Institute Of Science And Technology Method for estimating 6-dof relative displacement using vision-based localization and apparatus therefor
CN110007670A (zh) * 2019-02-14 2019-07-12 四川阿泰因机器人智能装备有限公司 移动机器人定位建图方法
CN110189373A (zh) * 2019-05-30 2019-08-30 四川长虹电器股份有限公司 一种基于视觉语义信息的快速重定位方法及装置
CN110207707A (zh) * 2019-05-30 2019-09-06 四川长虹电器股份有限公司 基于粒子滤波器的快速初始定位方法及机器人设备

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050095384A (ko) * 2004-03-26 2005-09-29 삼성전자주식회사 로봇의 전역 위치 추정 방법
US20050213431A1 (en) * 2004-03-26 2005-09-29 Samsung Electronics Co., Ltd. Method, medium, and apparatus for global localization
US20100094786A1 (en) * 2008-10-14 2010-04-15 Honda Motor Co., Ltd. Smoothed Sarsa: Reinforcement Learning for Robot Delivery Tasks
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
CN102162732A (zh) * 2009-12-18 2011-08-24 精工爱普生株式会社 计算位置的方法及系统
CN103925923A (zh) * 2014-05-07 2014-07-16 南京大学 一种基于自适应粒子滤波器算法的地磁室内定位系统
CN104180799A (zh) * 2014-07-15 2014-12-03 东北大学 一种基于自适应蒙特卡罗定位的机器人定位方法
CN106840179A (zh) * 2017-03-07 2017-06-13 中国科学院合肥物质科学研究院 一种基于多传感器信息融合的智能车定位方法
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
US20190180134A1 (en) * 2017-12-12 2019-06-13 Korea Advanced Institute Of Science And Technology Method for estimating 6-dof relative displacement using vision-based localization and apparatus therefor
CN108748184A (zh) * 2018-06-13 2018-11-06 四川长虹电器股份有限公司 一种基于区域地图标识的机器人巡逻方法及机器人设备
CN109003303A (zh) * 2018-06-15 2018-12-14 四川长虹电器股份有限公司 基于语音和空间物体识别及定位的设备控制方法及装置
CN109253727A (zh) * 2018-06-22 2019-01-22 东南大学 一种基于改进迭代容积粒子滤波算法的定位方法
CN108931245A (zh) * 2018-08-02 2018-12-04 上海思岚科技有限公司 移动机器人的局部自定位方法及设备
CN109144056A (zh) * 2018-08-02 2019-01-04 上海思岚科技有限公司 移动机器人的全局自定位方法及设备
CN109556607A (zh) * 2018-10-24 2019-04-02 上海大学 一种快速处理移动机器人定位“绑架”问题的方法
CN109633729A (zh) * 2018-12-29 2019-04-16 哈尔滨工业大学 一种移动机器人核环境下的放射源定位及强度估计方法
CN110007670A (zh) * 2019-02-14 2019-07-12 四川阿泰因机器人智能装备有限公司 移动机器人定位建图方法
CN110189373A (zh) * 2019-05-30 2019-08-30 四川长虹电器股份有限公司 一种基于视觉语义信息的快速重定位方法及装置
CN110207707A (zh) * 2019-05-30 2019-09-06 四川长虹电器股份有限公司 基于粒子滤波器的快速初始定位方法及机器人设备

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
SONG XU等: "An Improved Indoor Localization Method for Mobile Robot Based on WiFi Fingerprint and AMCL", 《2017 10TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN (ISCID)》 *
UNANG SUNARYA等: "A Study of Monte Carlo Localization on Robot", 《2016 INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY SYSTEMS AND INNOVATION (ICITSI)》 *
张启彬等: "基于区域相似性的改进蒙特卡洛定位方法", 《系统仿真技术及其应用》 *
李天成等: "基于粒子聚合重采样的移动机器人蒙特卡洛定位", 《机器人》 *
王靖淇: "移动机器人基于激光雷达的定位与导航技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
知乎: "ROS AMCL package 源码解读", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/79705800》 *
贾云辉: "基于ROS系统的移动机器人室内定位方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN110779528B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN108931245B (zh) 移动机器人的局部自定位方法及设备
CN107687850B (zh) 一种基于视觉和惯性测量单元的无人飞行器位姿估计方法
CN109521757B (zh) 静态障碍物识别方法和装置
US11474204B2 (en) Localization method and robot using the same
CN110286389B (zh) 一种用于障碍物识别的栅格管理方法
CN111077495B (zh) 一种基于三维激光的定位恢复方法
CN111209978B (zh) 三维视觉重定位方法、装置及计算设备、存储介质
US10993079B2 (en) Motion detection method, device, and medium
CN110900602B (zh) 一种定位恢复方法、装置、机器人及存储介质
CN110207707B (zh) 基于粒子滤波器的快速初始定位方法及机器人设备
CN113029129B (zh) 车辆的定位信息的确定方法、装置及存储介质
CN111982127A (zh) LightWeight-3D避障方法
US20230417931A1 (en) Method for real-time position estimate correction of a movable object
CN110779528B (zh) 基于粒子滤波器的定位恢复方法及机器人设备
CN112466147B (zh) 一种基于多传感器的库位检测方法及相关装置
CN110794434B (zh) 一种位姿的确定方法、装置、设备及存储介质
CN114919661B (zh) 一种泊车控制方法、装置、设备和存储介质
US20220314980A1 (en) Obstacle tracking method, storage medium and unmanned driving device
CN113762397B (zh) 检测模型训练、高精度地图更新方法、设备、介质及产品
CN113686333B (zh) 一种针对雷达阵面旋转的捷联惯导全姿态表示方法
CN113570727B (zh) 场景文件的生成方法、装置、电子设备及存储介质
CN111814114B (zh) 车道定位校验的方法、设备、电子设备、车辆及存储介质
CN112102410A (zh) 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
CN117330083B (zh) 机器人定位方法、机器人和可读存储介质
CN117928556A (zh) 一种车辆定位估算方法、系统、存储介质及车辆

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