CN110895408A - 一种自主定位方法、装置及移动机器人 - Google Patents
一种自主定位方法、装置及移动机器人 Download PDFInfo
- Publication number
- CN110895408A CN110895408A CN201810962724.2A CN201810962724A CN110895408A CN 110895408 A CN110895408 A CN 110895408A CN 201810962724 A CN201810962724 A CN 201810962724A CN 110895408 A CN110895408 A CN 110895408A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- pose
- cost
- grids
- gradient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000033001 locomotion Effects 0.000 claims abstract description 87
- 230000004888 barrier function Effects 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 64
- 239000002245 particle Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0227—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area
- G05D1/0229—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area in combination with fixed guiding 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0891—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for land vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例提供了一种自主定位方法、装置及移动机器人。方法包括：在移动机器人发生移动后，利用移动机器人上的激光测距仪进行障碍物探测；计算移动机器人在发生移动后的预估位姿；查找探测到的障碍物在预设的梯度地图中对应区域栅格的代价梯度；梯度地图中包括移动机器人所处场景中的多个栅格以及多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度，栅格的代价梯度用于表示该栅格代价增长最快的方向；根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对预估位姿进行移动补偿，得到移动机器人在发生移动后的优化位姿。通过将激光末端点与梯度地图进行匹配，一次匹配获取优化位姿，有效降低了自主定位过程中的资源消耗。
Description
技术领域
本发明涉及机器人自主定位技术领域，特别是涉及一种自主定位方法、装置及移动机器人。
背景技术
移动机器人可以在场景中进行移动并执行相应的任务，移动机器人在执行一些任务时需要获取自身的位姿，位姿包括移动机器人所处的位置和朝向角。移动机器人在移动后，可以根据内置的里程计的读数，基于移动机器人的运动模型，估测出移动机器人移动后的位姿。但是里程计的读数存在一定误差，并且该误差会随着移动机器人移动的距离增加而积累，因此需要对基于里程计读数估测出的位姿进行修正。
现有技术中，移动机器人可以是预先通过SLAM(simultaneous localization andmapping，及时定位与地图构建)技术建立场景的场景地图，并在该场景地图中设置多个粒子，每个粒子代表移动机器人的一种可能位姿，每次移动机器人移动后，根据移动机器人内置的里程计估测本次移动的移动量的分布范围，将该分布范围中的移动量按照一定的概率分布应用于多个粒子上以改变这多个粒子的位姿。机器人通过自身的激光测距仪向四周发射激光，以获取机器人距离场景中各障碍物的距离作为测量范围数据，分别针对每个粒子，假设移动机器人处于该粒子所表示的位姿时，基于地图信息计算移动机器人理论上距离场景中各障碍物的距离作为理论范围数据，比较测量范围数据与理论范围数据的相似程度，以确定该粒子的位姿是移动机器人实际位姿的置信度，基于多个粒子各自的置信度，对多个粒子的位姿进行重采样，并将重采样结果作为移动机器人的实际位姿。
但是，为了使得重采样结果与移动机器人的实际位姿差距较小，可能需要设置较多数目的粒子，以使得这些粒子可以更好的反映出移动机器人的位姿的可能分布情况，而粒子数目的增加会使得范围数据和场景地图匹配的次数增加，导致算法复杂度增加，移动机器人在进行自主定位过程中可能会花费较多的系统资源。
发明内容
本发明实施例的目的在于提供一种自主定位方法，以实现降低移动机器人在自主定位过程中的资源消耗。具体技术方案如下：
在本发明实施例的第一方面，提供了一种自主定位方法，所述方法包括：
在移动机器人发生移动后，利用所述移动机器人上的激光测距仪进行障碍物探测；
计算所述移动机器人在发生移动后的预估位姿；
查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度；所述梯度地图中包括所述移动机器人所处场景中的多个栅格以及所述多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度，栅格的代价梯度用于表示该栅格代价增长最快的方向；
根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对所述预估位姿进行移动补偿，得到所述移动机器人在发生移动后的优化位姿。
结合第一方面，在第一种可能的实现方式中，所述利用所述移动机器人上的激光测距仪进行障碍物探测，包括：
利用所述移动机器人上的激光测距仪发射激光，确定激光的激光末端点与移动机器人之间的距离；所述激光末端点根据激光打在所述场景中的障碍物上所形成；
所述查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，包括：
根据激光末端点与移动机器人之间的距离以及所述预估位姿，查找激光末端点在梯度地图中对应栅格的代价梯度。
结合第一方面，在第二种可能的实现方式中，所述梯度地图通过以下方式生成：
利用SLAM技术构建所述场景的场景地图，所述场景地图包括多个栅格，所述多个栅格中包括障碍物栅格和非障碍物栅格；
设置所述多个栅格的代价，其中，障碍物栅格的代价为预设最大值，非障碍物栅格的代价与该非障碍物栅格距离最近的障碍物栅格的距离负相关，并且小于所述预设最大值。
结合第一方面，在第三种可能的实现方式中，所述移动机器人包括至少两个驱动轮，所述计算所述移动机器人在发生移动后的预估位姿，包括：
通过读取里程计，分别获取所述至少两个驱动轮的转动距离；
根据所述转动距离，按照设定模型计算得到所述移动机器人的预估移动量，所述设定模型根据所述移动机器人包括的驱动轮数量确定；
将所述预估移动量应用于初始位姿得到预估位姿，所述初始位姿为所述移动机器人在发生移动前的位姿。
结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，当所述移动机器人具有两个驱动轮时，所述设定模型为两轮差速模型。
结合第一方面，在第五种可能的实现方式中，所述根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对所述预估位姿进行移动补偿，包括：
根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，确定每个代价梯度所对应的移动补偿分量；每个代价梯度所对应的移动补偿分量的方向与该代价梯度的方向相同；
将每个代价梯度所对应的移动补偿分量进行矢量叠加。
结合第一方面，在第六种可能的实现方式中，在得到所述移动机器人在发生移动后的优化位姿之后，所述方法还包括：
将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿。
结合第一方面的第六种可能的实现方式，在第七种可能的实现方式中，所述将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿，包括：
将所述预估位姿和所述优化位姿输入至预设的卡尔曼滤波器，并将所述卡尔曼滤波器输出的结果作为融合位姿。
在本发明实施例的第二方面，提供了一种自主定位装置，所述装置包括：
激光测距模块，用于在移动机器人发生移动后，利用所述移动机器人上的激光测距仪进行障碍物探测；
运动预估模块，用于计算所述移动机器人在发生移动后的预估位姿；
地图匹配模块，用于查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度；所述梯度地图中包括所述移动机器人所处场景中的多个栅格以及所述多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度，栅格的代价梯度用于表示该栅格代价增长最快的方向；
移动补偿模块，用于根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对所述预估位姿进行移动补偿，得到所述移动机器人在发生移动后的优化位姿。
结合第二方面，在第一种可能的实现方式中，所述激光测距模块，用于利用所述移动机器人上的激光测距仪发射激光，确定激光的激光末端点与移动机器人之间的距离；所述激光末端点根据激光打在所述场景中的障碍物上所形成；
所述地图匹配模块，用于根据激光末端点与移动机器人之间的距离以及所述预估位姿，查找激光末端点在梯度地图中对应栅格的代价梯度。
结合第二方面，在第二种可能的实现方式中，所述移动机器人还包括地图生成模块，用于按照以下方式生成所述梯度地图：
利用SLAM技术构建所述场景的场景地图，所述场景地图包括多个栅格，所述多个栅格中包括障碍物栅格和非障碍物栅格；
设置所述多个栅格的代价，其中，障碍物栅格的代价为预设最大值，非障碍物栅格的代价与该非障碍物栅格距离最近的障碍物栅格的距离负相关，并且小于所述预设最大值。
结合第二方面，在第三种可能的实现方式中，所述移动机器人包括至少两个驱动轮，所述运动预估模块具体用于通过读取里程计，分别获取所述至少两个驱动轮的转动距离；
根据所述转动距离，按照设定模型计算得到所述移动机器人的预估移动量，所述设定模型根据所述移动机器人包括的驱动轮数量确定；
将所述预估移动量应用于初始位姿得到预估位姿，所述初始位姿为所述移动机器人在发生移动前的位姿。
结合第二方面，在第四种可能的实现方式中，当所述移动机器人具有两个驱动轮时，所述设定模型为两轮差速模型。
结合第二方面，在第五种可能的实现方式中，所述移动补偿模块，用于根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，确定每个代价梯度所对应的移动补偿分量；每个代价梯度所对应的移动补偿分量的方向与该代价梯度的方向相同；将每个代价梯度所对应的移动补偿分量进行矢量叠加。
结合第二方面，在第六种可能的实现方式中，所述装置还包括融合模块，所述融合模块用于将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿。
结合第二方面的第六种可能的实现方式，在第七种可能的实现方式中，所述融合模块具体用于将所述预估位姿和所述优化位姿输入至预设的卡尔曼滤波器，并将所述卡尔曼滤波器输出的结果作为融合位姿。
在本发明实施例的第三方面，提供了一种移动机器人，所述移动机器人包括至少两个驱动轮；
所述移动机器人设置有激光测距仪和自主定位芯片，所述自主定位芯片被配置用于控制所述移动机器人实现上述任一所述的自主定位方法。
在本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的自主定位方法。
本发明实施例提供的自主定位方法、装置及移动机器人，可以在基于运动估计得到预估位姿的基础上，利用相比传统栅格地图包含更多信息的梯度地图，激光末端点可以与梯度地图进行更好的匹配，可以通过一次匹配获取优化位姿，而不需要将激光末端点与梯度地图进行多次匹配，有效降低了移动机器人在自主定位过程中的资源消耗。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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，显而易见地，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他的附图。
图1a为本发明实施例提供的自主定位方法的一种流程示意图；
图1b为本发明实施例提供的对预估位姿进行移动补偿的一种原理示意图；
图2为本发明实施例提供的梯度地图生成方法的一种流程示意图；
图3a为本发明实施例提供的栅格地图的一种二维示意图；
图3b为本发明实施例提供的梯度地图的一种二维示意图；
图4为本发明实施例提供的自主定位方法的另一种流程示意图；
图5为本发明实施例提供的卡尔曼滤波器工作原理的一种流程示意图；
图6a为本发明实施例提供的自主定位装置的一种结构示意图；
图6b为本发明实施例提供的自主定位装置的另一种结构示意图；
图6c为本发明实施例提供的自主定位装置的另一种结构示意图；
图7为本发明实施例提供的移动机器人的一种结构示意图。
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做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。
参见图1a，图1a所示为本发明实施例提供的自主定位方法的一种流程示意图，该方法应用于移动机器人，该移动机器人预先获取有所处场景的梯度地图，该梯度地图中包括多个栅格以及这多个栅格的代价，每个栅格的代价用于表示该栅格是障碍物栅格的置信度，该方法可以包括：
S101，在移动机器人发生移动后，利用移动机器人上的激光测距仪进行障碍物探测。
移动机器人所处的场景中可能包括多个障碍物，激光测距仪发射的激光打在这些障碍物上会形成激光末端点，并且受到障碍物的反射作用反射回激光测距仪。在其中一种实施方式中，激光测距仪可以通过对比发射的激光与反射回的激光以确定各个激光末端点距离移动机器人的距离，进而确定移动机器人周边的障碍物的分布情况。示例性的，假设移动机器人上的激光测距仪向移动机器人的正前方发射了一束激光，并且该激光存在激光末端点并且该激光末端点距离移动机器人10cm，则可以判定在移动机器人正前方10cm处探测到障碍物。假设移动机器人上的激光测距仪向移动机器人的正前方发射了一束激光，并且该激光不存在激光末端点，则可以判定在移动机器人正前方没有探测到障碍物。
S102，计算移动机器人在发生移动后的预估位姿。
预估位姿为计算得到移动机器人在发生移动后的一种不精确的位姿，在其中一种实施方式中，可以通过以下方式计算移动机器人在发生移动后的预估位姿：移动机器人包括至少两个驱动轮，在发生移动后移动机器人通过读取里程计，分别获取该至少两个驱动轮的转动距离，根据转动距离，按照设定模型计算得到移动机器人的预估移动量，将预估移动量应用于初始位姿得到预估位姿，其中该初始位姿为移动机器人在发生移动前的位姿，该设定模型根据移动机器人包括的驱动轮数量确定。例如，当移动机器人具有两个驱动轮时，该设定模型可以为两轮差速模型；当移动机器人具有三个、四个或更多的驱动轮时，该设定模型可以为转向模型。
移动机器人除了包括驱动轮，还可以包括有一个或多个从动轮。里程计可以内置于移动机器人(例如码盘)，用于记录每个驱动轮各自的转动距离。
为讨论方便，将预估移动量记为(xp，yp，θp)，其中，xp为预估移动机器人在x方向移动的距离，yp为预估移动机器人在y方向移动的距离，θp为预估移动机器人转动的角度。可以理解的是，预估移动量与移动机器人实际移动量很可能存在一定差距，在上述例子中，该差距可能是由于里程计读数不准确、驱动轮打滑、设定模型自身的误差造成的。
移动机器人的初始位姿为移动机器人移动前的位姿，如果移动机器人是第一次在场景中移动，则初始位姿可以是用户在将移动机器人设置于该场景后输入的，如果移动机器人在本次移动前在该场景中已经移动过，则移动机器人的初始位姿可以是基于本发明实施例所提供的自主定位方法或者其他移动机器人自主定位方法定位得到的。为讨论方便，将初始位姿记为(x0，y0，θ0)，其中x0为移动机器人移动前的x坐标，y0为移动机器人移动前的y坐标，θ0为移动机器人移动前的朝向角。
进一步，在其中一种实施方式中，预估位姿可以是通过下式计算得到的：
(xm，ym，θm)＝(x0，y0，θ0)+(xp，yp，θp)
其中，xm为预估移动机器人移动后的x坐标，ym为预估移动机器人移动后的y坐标，θm为预估移动机器人移动后的朝向角。
S103，查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度。
其中，移动机器人预先获取有所处场景的梯度地图，该梯度地图为移动机器人所处场景的全局地图。并且梯度地图中可以包括多个大小均匀的栅格，每个栅格对应于实际空间中的一个区域，示例性的，可以是每个栅格对应于实际空间中一个2cm*2cm的区域。每个栅格具有对应的代价，一个栅格的代价用于表示该栅格是障碍物栅格的置信度。一个栅格是障碍物栅格是指，该栅格所表示的实际空间中存在障碍物。而如果障碍物的尺寸较小，则障碍物可能只对应于一个栅格。
在其中一种实施方式中，探测到的障碍物可以是指被移动机器人上的激光测距仪照射到并形成激光末端点的障碍物，不同的激光末端点可能对应于不同的障碍物，不同的激光末端点也可能对应同一个障碍物。可以理解的是，如果障碍物的尺寸较大，则该障碍物可能对应于多个栅格，在这种情况下，该探测到的障碍物在预设的梯度地图中对应栅格，可以是指该障碍物所对应的所有栅格中，被激光探测器探测到的栅格。示例性的，假设一个墙壁对应于4个栅格，激光探测器发射的三束激光打在该墙壁上形成了三个激光末端点，假设分别在栅格1、栅格3、栅格4，则探测到的该墙壁在预设的梯度地图中对应的栅格为栅格1、栅格3、栅格4。
在其中一种实施方式中，可以根据激光末端点与移动机器人之间的距离以及预估位姿，查找激光末端点在梯度地图中对应栅格的代价梯度，作为该激光末端点所对应的障碍物在梯度地图中对应栅格的代价梯度。示例性的，假设激光测距仪发射的某束激光的激光末端点距离移动机器人D，激光测距仪发射该束激光的方向与移动机器人的朝向的夹角为β，则可以计算得到当移动机器人处于预估位姿时，该束激光的激光末端点的位置为(xm+Dcos(θm+β)，ym+Dsin(θm+β))，即与该激光末端点对应的障碍物在梯度地图中所处的位置为(xm+Dcos(θm+β)，ym+Dsin(θm+β))，基于预先获取的梯度地图，可以确定该位置所属的栅格。一个栅格的代价梯度可以是一个指向以该栅格为起始代价增长最快的方向的一个向量，数值上等于该增长最快的方向上的代价增长率。
S104，根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对预估位姿进行移动补偿，得到移动机器人在发生移动后的优化位姿。
在一个例子中，移动补偿的补偿量可以等于每个代价梯度所对应的移动补偿分量的矢量叠加，每个代价梯度所对应的移动补偿分量的方向与该代价梯度的方向相同。以仅有墙壁的室内场景为例，如图1b所示，其中11为预估位姿，13为梯度地图中墙壁所对应的栅格，14为探测到的障碍物在梯度地图中对应的栅格(以下简称：探测障碍物栅格14)。梯度地图中代价最高的栅格确定为障碍物实际所在栅格，即墙壁所对应的栅格13，如果探测障碍物栅格14不为墙壁所对应的栅格13，则该探测障碍物栅格14的代价小于墙壁所对应的栅格13的代价，代价梯度会如图1b中的箭头所示由探测障碍物栅格14指向墙壁所对应的栅格13，即一个探测障碍物栅格14的代价梯度，会产生一个将该探测障碍物栅格14拉向墙壁所对应的栅格13的移动补偿分量，从而使得探测障碍物栅格14与墙壁所对应的栅格13更加接近，进一步的，该移动补偿分量大小可以和该栅格的代价正相关。在这些移动补偿分量的叠加作用下，预估位姿11变化成为优化位姿12，如上述分析，基于激光测距仪得到的距离，当移动机器人处于优化位姿12时，探测障碍物栅格14与墙壁所对应栅格13更加接近。可以理解的是，在不考虑梯度地图以及激光测距仪自身误差的情况下，基于激光测距仪得到的距离，当移动机器人处于实际所处的位姿时，探测障碍物栅格14理论上应该与墙壁所对应的栅格13一致，因此基于一个位姿确定的探测障碍物栅格14与墙壁所对应的栅格13越接近，则说明该位姿可能越接近移动机器人实际所处的位姿。可见，优化位姿12是在预估位姿11的基础上，根据激光测距仪进行修正得到的一个更接近于移动机器人实际位姿的位姿。
可以理解的是，存在一种特殊情况如果探测到的障碍物对应的栅格在梯度地图中所属栅格是障碍物栅格的置信度为100％，例如图1b中探测障碍物栅格14与墙壁所对应的栅格13的交点，此时梯度地图中不存在其他栅格的代价大于该栅格的代价，因此该栅格的代价梯度为0，对应的移动补偿分量的大小也为0。
进一步的，假设激光探测器发射的激光一共生成了N个激光末端点，则移动补偿的补偿量可以共有N个移动补偿分量，优化位姿可以按照下式计算得到：
其中，(xs，ys，θs)表示优化位姿，(xi，yi，θi)第i个激光末端点对应的移动补偿分量。
选用该实施例，可以在基于运动估计得到预估位姿的基础上，利用相比传统栅格地图包含更多信息的梯度地图，探测到的障碍物可以与梯度地图进行更好的匹配，可以通过一次匹配获取优化位姿，而不需要将探测到的障碍物与梯度地图进行多次匹配，有效降低了移动机器人在自主定位过程中的资源消耗。
参见图2，图2所示为本发明实施例提供的梯度地图生成方法的一种流程示意图，可以包括：
S201，利用SLAM技术构建场景的场景地图。
场景地图包括多个栅格，多个栅格中包括障碍物栅格和非障碍物栅格，该场景地图可以是一个如图3a所示栅格地图，其中，每个网格代表一个栅格，空白网格代表该栅格为非障碍物在该地图中对应的栅格(以下简称非障碍物栅格)，黑色网格代表该栅格为障碍物在该地图中对应的栅格(以下简称障碍物栅格)。
S202，设置多个栅格的代价，其中，障碍物栅格的代价为预设最大值，非障碍物栅格的代价与该非障碍栅格距离最近的障碍物栅格的距离负相关，并且小于预设最大值。
示例性的，可以将障碍物栅格的代价设置为1，非障碍物栅格的代价与该栅格距离障最近的碍物栅格的距离之间呈指数递减关系，如非障碍栅格的代价可以为e-r，其中r为该栅格距离最近的障碍物栅格的距离，梯度地图可以如图3b所示，其中栅格的颜色深浅代表该栅格的代价，颜色越深的栅格代价越高。
对于传统的栅格地图，激光末端点所处栅格要么是障碍物栅格，要么是非障碍物栅格，以仅有墙壁的室内场景为例，移动机器人可以将障碍物栅格识别为墙壁所对应的栅格，进而建立激光末端点与墙壁之间的约束关系，以实现自主定位，但是非障碍栅格所包含的信息过少，移动机器人无法有效识别非障碍物栅格，因此如果激光末端点所处栅格是非障碍物栅格，移动机器人可能无法将该激光末端点与场景中的栅格建立约束关系，因此该激光末端点可能对机器人自主定位没有贡献。
而梯度地图中，当激光末端点所处栅格为非障碍栅格时，该栅格的代价可以作为该栅格的有效信息，使得移动机器人可以通过该栅格的代价，间接建立激光末端点和墙壁之间的约束关系，进而帮助移动机器人实现自主定位。
参见图4，图4所示为本发明实施例提供的自主定位方法的另一种流程示意图，可以包括：
S401，在移动机器人发生移动后，利用移动机器人上的激光测距仪进行障碍物探测。
该步骤与S101相同，可以参见前述关于S101的描述，在此不再赘述。
S402，计算移动机器人在发生移动后的预估位姿。
该步骤与S102相同，可以参见前述关于S102的描述，在此不再赘述。
S403，查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度。
该步骤与S103相同，可以参见前述关于S103的描述，在此不再赘述。
S404，根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对预估位姿进行移动补偿，得到移动机器人在发生移动后的优化位姿。
该步骤与S104相同，可以参见前述关于S104的描述，在此不再赘述。
S405，将优化位姿和预估位姿加权叠加，将叠加结果作为融合位姿。
示例性的，可以是按照下式计算得到的融合位姿：
(xr，yr，θr)＝(1-k)*(xs，ys，θs)+k*(xm，ym，θm)
其中，(xr，yr，θr)为融合位姿，xr＝(1-k)*xs+k*xm为融合位姿中位置的x坐标，yr＝(1-k)*ys+k*ym为融合位姿中位置的y坐标，θr＝(1-k)*θs+k*θm为融合位姿中的朝向角。k为预设的权重，进一步，k的取值可以取决于优化位姿以及预估位姿的相对可信程度，如果优化位姿相对于预估位姿可信程度越高，则k的取值可以越大，如果优化位姿相对于预估位姿可信程度越低，则k的取值可以越小。在一个例子中，可以通过读取里程计获取移动机器人发生移动后的驱动轮的转动距离，并根据该转动距离估计噪声，估计得到的噪声越大，表征预估位姿的可信程度越低；噪声越小，表征预估位姿的可信程度越高。
可以理解的是，由于激光测距仪测量得到的距离可能存在一定的误差范围，因此激光测距仪测量得到的测量结果存在一定的随机涨落，即激光测距仪测量得到的测量结果可能随时间变化而抖动，因此基于激光测距仪测量结果进行修正得到的优化位姿也可能存在抖动，不利于移动机器人的稳定运行。而选用本实施例，可以融合预估位姿以及优化位姿，以降低因激光测距仪测量结果的随机涨落造成的位姿抖动。
进一步的，该步骤可以利用预设的卡尔曼滤波器实现。可以是将预估位姿和优化位姿输入至预设的卡尔曼滤波器，并将卡尔曼滤波器输出的结果作为融合位姿。卡尔曼滤波器的工作原理可以如图5所示，包括：
S501，接收输入的预估位姿以及优化位姿。
S502，分别计算预估位姿和优化位姿的协方差。
其中，预估位姿的协方差用于表示预估位姿是移动机器人实际的位姿的置信度，优化位姿的协方差用于表示优化位姿是移动机器人实际的位姿的置信度。预估位姿的协方差可以是基于移动机器人初始位姿推算得到的。
S503，基于预估位姿和优化位姿的协方差计算卡尔曼增益。
卡尔曼增益可以用于表示相较于预估位姿，优化位姿更接近于移动机器人实际的位姿的程度。
S504，按照卡尔曼增益，对输入的预估位姿和优化位姿加权叠加，得到融合位姿。
示例性的，可以是按照下式进行加权叠加，得到融合位姿的：
(xr，yr，θr)＝(xs，ys，θs)+Kg*[(xm，ym，θm)-(xs，ys，θs)]
其中，Kg为卡尔曼增益。卡尔曼滤波器可以通过衡量预估位姿和优化位姿各自的置信度得到卡尔曼增益，使得在预估位姿相对更可信的情况下，增加预估位姿的权重，在优化位姿相对更可信的情况下，增加优化位姿的权重，使得融合位姿更接近于移动机器人实际的位姿。
参见图6a，图6a所示为本发明实施例提供的自主定位装置的一种结构示意图，该自主定位装置应用于移动机器人，移动机器人预先获取有所处场景的梯度地图，梯度地图中包括多个栅格以及多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度；
装置包括：
激光测距模块601，用于在移动机器人发生移动后，利用移动机器人上的激光测距仪进行障碍物探测；
运动预估模块602，计算移动机器人在发生移动后的预估位姿；
地图匹配模块603，用于查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度；梯度地图中包括移动机器人所处场景中的多个栅格以及多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度，栅格的代价梯度用于表示该栅格代价增长最快的方向；
移动补偿模块604，用于根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对预估位姿进行移动补偿，得到移动机器人在发生移动后的优化位姿。
在其中一种实施方式中，激光测距模块601，用于利用移动机器人上的激光测距仪发射激光，确定激光的激光末端点与移动机器人之间的距离；激光末端点根据激光打在场景中的障碍物上所形成；
地图匹配模块603，用于根据激光末端点与移动机器人之间的距离以及预估位姿，查找激光末端点在梯度地图中对应栅格的代价梯度。
在其中一种实施方式中，可以如图6b所示，移动机器人还包括地图生成模块605，用于按照以下方式预先获取梯度地图：
利用SLAM技术构建场景的场景地图，场景地图包括多个栅格，多个栅格中包括障碍物栅格和非障碍物栅格；
设置多个栅格的代价，其中，障碍物栅格的代价为预设最大值，非障碍物栅格的代价与该非障碍物栅格距离最近的障碍物栅格的距离负相关，并且小于预设最大值。
在其中一种实施方式中，移动机器人包括至少两个驱动轮，运动预估模块602具体用于通过读取里程计，分别获取所述至少两个驱动轮的转动距离；根据转动距离，按照设定模型计算得到移动机器人的预估移动量，所述设定模型根据所述移动机器人包括的驱动轮数量确定；将预估移动量应用于初始位姿得到预估位姿，初始位姿为移动机器人在发生移动前的位姿。
在其中一种实施方式中，当移动机器人具有两个驱动轮时，所述设定模型为两轮差速模型。
在其中一种实施方式中，移动补偿模块604具体用于根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，确定每个代价梯度所对应的移动补偿分量；每个代价梯度所对应的移动补偿分量的方向与该代价梯度的方向相同；
将每个代价梯度所对应的移动补偿分量进行矢量叠加
在其中一种实施方式中，可以如图6c所示，装置还包括融合模块606，融合模块606用于将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿。
在其中一种实施方式中，融合模块具体606用于将预估位姿和优化位姿输入至预设的卡尔曼滤波器，并将卡尔曼滤波器输出的结果作为融合位姿。
参见图7，图7所示为本发明实施例提供的移动机器人的一种框架示意图，移动机器人预先获取有所处场景的梯度地图，梯度地图中包括多个栅格以及多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度；
移动机器人包括至少两个驱动轮701；
移动机器人设置有激光测距仪702和自主定位芯片703，自主定位芯片703被配置用于控制移动机器人实现以下方法步骤：
在移动机器人发生移动后，利用所述移动机器人上的激光测距仪进行障碍物探测；
计算移动机器人在发生移动后的预估位姿；
查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度；所述梯度地图中包括所述移动机器人所处场景中的多个栅格以及所述多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度，栅格的代价梯度用于表示该栅格代价增长最快的方向；
根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对预估位姿进行移动补偿，得到移动机器人在发生移动后的优化位姿。
在其中一种实施方式中，所述利用所述移动机器人上的激光测距仪进行障碍物探测，包括：
利用所述移动机器人上的激光测距仪发射激光，确定激光的激光末端点与移动机器人之间的距离；所述激光末端点根据激光打在所述场景中的障碍物上所形成；
所述查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，包括：
根据激光末端点与移动机器人之间的距离以及所述预估位姿，查找激光末端点在梯度地图中对应栅格的代价梯度。
在其中一种实施方式中，移动机器人通过以下方式预先获取梯度地图：
利用SLAM技术构建场景的场景地图，场景地图包括多个栅格，多个栅格中包括障碍物栅格和非障碍物栅格；
设置多个栅格的代价，其中，障碍物栅格的代价为预设最大值，非障碍物栅格的代价与该非障碍物栅格距离最近的障碍物栅格的距离负相关，并且小于预设最大值。
在其中一种实施方式中，计算移动机器人在发生移动后的预估位姿，包括：
通过读取里程计，分别获取至少两个驱动轮701的转动距离；
根据转动距离，按照设定模型计算得到移动机器人的预估移动量，该设定模型根据移动机器人包括的驱动轮701数量确定；
将预估移动量应用于初始位姿得到预估位姿，初始位姿为移动机器人在发生移动前的位姿。
在其中一种实施方式中，当所述移动机器人具有两个驱动轮时，所述设定模型为两轮差速模型。
在其中一种实施方式中，所述根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对所述预估位姿进行移动补偿，包括：
根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，确定每个代价梯度所对应的移动补偿分量；每个代价梯度所对应的移动补偿分量的方向与该代价梯度的方向相同；
将每个代价梯度所对应的移动补偿分量进行矢量叠加。
在其中一种实施方式中，在得到所述移动机器人在发生移动后的优化位姿之后，所述方法还包括：
将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿。
在其中一种实施方式中，将优化位姿和预估位姿加权叠加，将叠加结果作为融合位姿，包括：
将预估位姿和优化位姿输入至预设的卡尔曼滤波器，并将卡尔曼滤波器输出的结果作为融合位姿。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一的自主定位方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、移动机器人、计算机可读存储介质的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。
Claims (18)
1.一种自主定位方法，其特征在于，所述方法包括：
在移动机器人发生移动后，利用所述移动机器人上的激光测距仪进行障碍物探测；
计算所述移动机器人在发生移动后的预估位姿；
查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度；所述梯度地图中包括所述移动机器人所处场景中的多个栅格以及所述多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度，栅格的代价梯度用于表示该栅格代价增长最快的方向；
根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对所述预估位姿进行移动补偿，得到所述移动机器人在发生移动后的优化位姿。
2.如权利要求1所述的方法，其特征在于，所述利用所述移动机器人上的激光测距仪进行障碍物探测，包括：
利用所述移动机器人上的激光测距仪发射激光，确定激光的激光末端点与移动机器人之间的距离；所述激光末端点根据激光打在所述场景中的障碍物上所形成；
所述查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，包括：
根据激光末端点与移动机器人之间的距离以及所述预估位姿，查找激光末端点在梯度地图中对应栅格的代价梯度。
3.根据权利要求1所述的方法，其特征在于，所述梯度地图通过以下方式生成：
利用SLAM技术构建所述场景的场景地图，所述场景地图包括多个栅格，所述多个栅格中包括障碍物栅格和非障碍物栅格；
设置所述多个栅格的代价，其中，障碍物栅格的代价为预设最大值，非障碍物栅格的代价与该非障碍物栅格距离最近的障碍物栅格的距离负相关，并且小于所述预设最大值。
4.根据权利要求1所述的方法，其特征在于，所述移动机器人包括至少两个驱动轮，所述计算所述移动机器人在发生移动后的预估位姿，包括：
通过读取里程计，分别获取所述至少两个驱动轮的转动距离；
根据所述转动距离，按照设定模型计算得到所述移动机器人的预估移动量，所述设定模型根据所述移动机器人包括的驱动轮数量确定；
将所述预估移动量应用于初始位姿得到预估位姿，所述初始位姿为所述移动机器人在发生移动前的位姿。
5.如权利要求4所述的方法，其特征在于，当所述移动机器人具有两个驱动轮时，所述设定模型为两轮差速模型。
6.根据权利要求1所述的方法，其特征在于，所述根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对所述预估位姿进行移动补偿，包括：
根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，确定每个代价梯度所对应的移动补偿分量；每个代价梯度所对应的移动补偿分量的方向与该代价梯度的方向相同；
将每个代价梯度所对应的移动补偿分量进行矢量叠加。
7.根据权利要求1所述的方法，其特征在于，在得到所述移动机器人在发生移动后的优化位姿之后，所述方法还包括：
将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿。
8.根据权利要求7所述的方法，其特征在于，所述将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿，包括：
将所述预估位姿和所述优化位姿输入至预设的卡尔曼滤波器，并将所述卡尔曼滤波器输出的结果作为融合位姿。
9.一种自主定位装置，其特征在于，包括：
激光测距模块，用于在移动机器人发生移动后，利用所述移动机器人上的激光测距仪进行障碍物探测；
运动预估模块，用于计算所述移动机器人在发生移动后的预估位姿；
地图匹配模块，用于查找探测到的障碍物在预设的梯度地图中对应栅格的代价梯度；所述梯度地图中包括所述移动机器人所处场景中的多个栅格以及所述多个栅格的代价，栅格的代价用于表示该栅格是障碍物栅格的置信度，栅格的代价梯度用于表示该栅格代价增长最快的方向；
移动补偿模块，用于根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度对所述预估位姿进行移动补偿，得到所述移动机器人在发生移动后的优化位姿。
10.如权利要求9所述的装置，其特征在于，
所述激光测距模块，用于利用所述移动机器人上的激光测距仪发射激光，确定激光的激光末端点与移动机器人之间的距离；所述激光末端点根据激光打在所述场景中的障碍物上所形成；
所述地图匹配模块，用于根据激光末端点与移动机器人之间的距离以及所述预估位姿，查找激光末端点在梯度地图中对应栅格的代价梯度。
11.根据权利要求9所述的装置，其特征在于，所述移动机器人还包括地图生成模块，用于按照以下方式生成所述梯度地图：
利用SLAM技术构建所述场景的场景地图，所述场景地图包括多个栅格，所述多个栅格中包括障碍物栅格和非障碍物栅格；
设置所述多个栅格的代价，其中，障碍物栅格的代价为预设最大值，非障碍物栅格的代价与该非障碍物栅格距最近的离障碍物栅格的距离负相关，并且小于所述预设最大值。
12.根据权利要求9所述的装置，其特征在于，所述移动机器人包括至少两个驱动轮；
所述运动预估模块，具体用于通过读取里程计，分别获取所述至少两个驱动轮的转动距离；根据所述转动距离，按照设定模型计算得到所述移动机器人的预估移动量，所述设定模型根据所述移动机器人包括的驱动轮数量确定；将所述预估移动量应用于初始位姿得到预估位姿，所述初始位姿为所述移动机器人在发生移动前的位姿。
13.如权利要求12所述的装置，其特征在于，当所述移动机器人具有两个驱动轮时，所述设定模型为两轮差速模型。
14.根据权利要求9所述的装置，其特征在于，
所述移动补偿模块，用于根据探测到的障碍物在预设的梯度地图中对应栅格的代价梯度，确定每个代价梯度所对应的移动补偿分量；每个代价梯度所对应的移动补偿分量的方向与该代价梯度的方向相同；将每个代价梯度所对应的移动补偿分量进行矢量叠加。
15.根据权利要求9所述的装置，其特征在于，所述装置还包括融合模块，所述融合模块用于将所述优化位姿和所述预估位姿加权叠加，将叠加结果作为融合位姿。
16.根据权利要求15所述的装置，其特征在于，所述融合模块具体用于将所述预估位姿和所述优化位姿输入至预设的卡尔曼滤波器，并将所述卡尔曼滤波器输出的结果作为融合位姿。
17.一种移动机器人，其特征在于，所述移动机器人包括至少两个驱动轮；
所述移动机器人设置有激光测距仪和自主定位芯片，所述自主定位芯片被配置用于控制所述移动机器人实现权利要求1-8中任一所述的自主定位方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810962724.2A CN110895408B (zh) | 2018-08-22 | 2018-08-22 | 一种自主定位方法、装置及移动机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810962724.2A CN110895408B (zh) | 2018-08-22 | 2018-08-22 | 一种自主定位方法、装置及移动机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110895408A true CN110895408A (zh) | 2020-03-20 |
| CN110895408B CN110895408B (zh) | 2023-05-02 |
Family
ID=69784730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810962724.2A Active CN110895408B (zh) | 2018-08-22 | 2018-08-22 | 一种自主定位方法、装置及移动机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110895408B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111994169A (zh) * | 2020-09-08 | 2020-11-27 | 北京北特圣迪科技发展有限公司 | 基于位置补偿的独立驱动转向的表演小车运动控制方法 |
| CN113050116A (zh) * | 2021-03-05 | 2021-06-29 | 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 |
| CN114066989A (zh) * | 2021-11-16 | 2022-02-18 | 杭州云象商用机器有限公司 | 机器人定位方法、装置、设备及可读存储介质 |
| WO2022110451A1 (zh) * | 2020-11-25 | 2022-06-02 | 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 |
| WO2023078318A1 (zh) * | 2021-11-04 | 2023-05-11 | 珠海一微半导体股份有限公司 | 基于激光点的机器人悬空判断方法、地图更新方法及芯片 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090149994A1 (en) * | 2007-12-11 | 2009-06-11 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for correcting pose of moving robot |
| CN102741854A (zh) * | 2009-10-23 | 2012-10-17 | 埃克森美孚上游研究公司 | 利用梯度信息进行优化的方法 |
| CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
| CN104501829A (zh) * | 2014-11-24 | 2015-04-08 | 杭州申昊科技股份有限公司 | 一种惯性导航系统的误差校正方法 |
| CN107388967A (zh) * | 2017-08-14 | 2017-11-24 | 上海汽车集团股份有限公司 | 一种车载三维激光传感器的外参数补偿方法及装置 |
| CN107908185A (zh) * | 2017-10-14 | 2018-04-13 | 北醒（北京）光子科技有限公司 | 一种机器人自主全局重定位方法及机器人 |
| CN108241370A (zh) * | 2017-12-20 | 2018-07-03 | 北京理工华汇智能科技有限公司 | 通过栅格地图获取避障路径的方法及装置 |
-
2018
- 2018-08-22 CN CN201810962724.2A patent/CN110895408B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090149994A1 (en) * | 2007-12-11 | 2009-06-11 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for correcting pose of moving robot |
| CN102741854A (zh) * | 2009-10-23 | 2012-10-17 | 埃克森美孚上游研究公司 | 利用梯度信息进行优化的方法 |
| CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
| CN104501829A (zh) * | 2014-11-24 | 2015-04-08 | 杭州申昊科技股份有限公司 | 一种惯性导航系统的误差校正方法 |
| CN107388967A (zh) * | 2017-08-14 | 2017-11-24 | 上海汽车集团股份有限公司 | 一种车载三维激光传感器的外参数补偿方法及装置 |
| CN107908185A (zh) * | 2017-10-14 | 2018-04-13 | 北醒（北京）光子科技有限公司 | 一种机器人自主全局重定位方法及机器人 |
| CN108241370A (zh) * | 2017-12-20 | 2018-07-03 | 北京理工华汇智能科技有限公司 | 通过栅格地图获取避障路径的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 丁少闻等: ""非接触式三维重建测量方法综述"", 《激光与光电子学进展》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111994169A (zh) * | 2020-09-08 | 2020-11-27 | 北京北特圣迪科技发展有限公司 | 基于位置补偿的独立驱动转向的表演小车运动控制方法 |
| WO2022110451A1 (zh) * | 2020-11-25 | 2022-06-02 | 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 |
| CN113050116A (zh) * | 2021-03-05 | 2021-06-29 | 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 |
| CN113050116B (zh) * | 2021-03-05 | 2024-02-27 | 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 |
| WO2023078318A1 (zh) * | 2021-11-04 | 2023-05-11 | 珠海一微半导体股份有限公司 | 基于激光点的机器人悬空判断方法、地图更新方法及芯片 |
| CN114066989A (zh) * | 2021-11-16 | 2022-02-18 | 杭州云象商用机器有限公司 | 机器人定位方法、装置、设备及可读存储介质 |
| CN114066989B (zh) * | 2021-11-16 | 2022-05-27 | 杭州云象商用机器有限公司 | 机器人定位方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110895408B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110895408B (zh) | 一种自主定位方法、装置及移动机器人 | |
| US9996944B2 (en) | Systems and methods for mapping an environment | |
| WO2021135645A1 (zh) | 一种地图更新方法及装置 | |
| CN110645974A (zh) | 一种融合多传感器的移动机器人室内地图构建方法 | |
| JP2019518222A (ja) | リアルタイムオンラインエゴモーション推定を有するレーザスキャナ | |
| US11506511B2 (en) | Method for determining the position of a vehicle | |
| CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
| CN113091736B (zh) | 机器人定位方法、装置、机器人及存储介质 | |
| JP2017083663A (ja) | 一致性評価装置および一致性評価方法 | |
| Schwendner et al. | Using embodied data for localization and mapping | |
| CN116608847A (zh) | 基于面阵激光传感器和图像传感器的定位和建图方法 | |
| Wang et al. | A Low‐Cost Consistent Vehicle Localization Based on Interval Constraint Propagation | |
| Obregón et al. | Precise positioning and heading for autonomous scouting robots in a harsh environment | |
| Dai | Research on robot positioning and navigation algorithm based on SLAM | |
| CN116465393A (zh) | 基于面阵激光传感器的同步定位和建图方法及装置 | |
| Imani et al. | Three main paradigms of simultaneous localization and mapping (SLAM) problem | |
| Zhou et al. | Multi-sensor fusion robust localization for indoor mobile robots based on a set-membership estimator | |
| CN116202509A (zh) | 一种面向室内多层建筑的可通行地图生成方法 | |
| CN116067358A (zh) | 一种多源数据融合建图与定位方法、系统及自动驾驶车辆 | |
| AU2021273605B2 (en) | Multi-agent map generation | |
| Kuncara et al. | Enhancing accuracy in field mobile robot state estimation with GNSS and encoders | |
| CN117570998B (zh) | 基于反光柱信息的机器人定位方法及系统 | |
| KR20150005253A (ko) | 랜드마크 기반 비전항법시스템을 위한 카메라 데이터 생성기와 그것을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체 | |
| CN113534193B (zh) | 确定目标反射点的方法、装置、电子设备及存储介质 | |
| CN117405118B (zh) | 一种多传感器融合建图方法、系统、设备及存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 310051 room 304, B / F, building 2, 399 Danfeng Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Hikvision Robot Co.,Ltd. Address before: No.555, Qianmo Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU HIKROBOT TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |