CN111061276A - 基于动态区域划分的移动机器人重定位方法 - Google Patents

基于动态区域划分的移动机器人重定位方法 Download PDF

Info

Publication number
CN111061276A
CN111061276A CN201911410009.9A CN201911410009A CN111061276A CN 111061276 A CN111061276 A CN 111061276A CN 201911410009 A CN201911410009 A CN 201911410009A CN 111061276 A CN111061276 A CN 111061276A
Authority
CN
China
Prior art keywords
area
mobile robot
particle
relocation
weight
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
CN201911410009.9A
Other languages
English (en)
Other versions
CN111061276B (zh
Inventor
伍永健
陈智君
郝奇
高云峰
曹雏清
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.)
Wuhu Hit Robot Technology Research Institute Co Ltd
Original Assignee
Wuhu Hit Robot Technology Research Institute 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 Wuhu Hit Robot Technology Research Institute Co Ltd filed Critical Wuhu Hit Robot Technology Research Institute Co Ltd
Priority to CN201911410009.9A priority Critical patent/CN111061276B/zh
Publication of CN111061276A publication Critical patent/CN111061276A/zh
Application granted granted Critical
Publication of CN111061276B publication Critical patent/CN111061276B/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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明适用于机器人定位控制技术领域，提供了一种基于动态区域划分的移动机器人重定位方法，包括：加载全局地图；确定移动机器人在地图中的粗略位置，并基于所述粗略位置确定重定位区域；在重定位区域的空闲区域内产生随机粒子，并将随机产生随机粒子限定在重定位区域的空闲区域；根据随机粒子在全局地图中的位置，采用似然域计算各随机粒子的权重；筛选出权重值大的随机粒子，同时增加随机粒子；更新粒子分布，更新粒子簇的最大权重，若粒子的最大权重大于权重阈值，则最大权重粒子簇的平均位置即为最佳位置。通过动态选择合适大小的重定位区域，保证重定位区域在面积尽可能小的前提下包含尽可能多有效信息，更加快速高效地实现移动机器人的重定位。

Description

基于动态区域划分的移动机器人重定位方法
技术领域
本发明属于机器人定位技术领域，提供了一种基于动态区域划分的移动机器人重定位方法。
背景技术
随着科技的发展，移动机器人自主导航在自动化工厂、智能仓储物流和家用服务等领域发挥着越来越重要的作用。目前，移动机器人同时定位与地图构建(SLAM)技术成为机器人研究的热点问题，是移动机器人自主导航的基础和前提。求解SLAM问题的方法有基于kalman滤波器的方法，基于粒子滤波的方法和基于图优化的方法。实现移动机器人的自动导航需要加载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，当移动机器人重启或突然被“绑架”到其他位置，机器人会无法定位其位姿，此时需要重新定位机器人当前位置，有的场合下需要人为干预，可以更加快速准确地实现重定位。在现有解决机器人重定位的方案中，大多是通过在环境中贴二维码或者安装UWB等辅助设备实现机器人定位，这就限制了机器人的使用范围，增加了成本；亦或者是采用基于粒子滤波的定位方法，即通过运动模型对机器人位姿进行采样生成大量粒子，依据传感器的观测结果更新粒子的权重并进行重采样，不断迭代使粒子收敛。在大地图中，基于粒子滤波的重定位收敛速度慢，并且如果粒子集合没有很好的覆盖真实位姿，最终粒子不会收敛至正确的位姿。
发明内容
本发明实施例提供一种基于动态区域划分的移动机器人重定位方法，通过动态选择合适大小的重定位区域，保证重定位区域在面积尽可能小的前提下包含尽可能多有效信息，更加快速高效地实现移动机器人的重定位。
本发明是这样实现的，一种基于动态区域划分的移动机器人重定位方法，所述方法具体包括如下步骤：
S1、加载全局地图，并记录全局地图中的空闲区域，占用区域及未知区域；
S2、确定移动机器人在地图中的粗略位置，并基于所述粗略位置确定重定位区域；
S3、在重定位区域的空闲区域内产生随机粒子，并将随机产生随机粒子限定在重定位区域的空闲区域；
S4、根据随机粒子在全局地图中的位置，采用似然域计算各随机粒子的权重，并归一化随机粒子的权重值；
S5、筛选出权重值大的随机粒子，同时增加随机粒子；
S6、更新粒子分布，使得每个粒子的权重相等，更新粒子簇的最大权重，若粒子的最大权重大于权重阈值，则最大权重粒子簇的平均位置即为最佳位置，即移动机器人当前在全局地图中的位置。
进一步的，重定位区域的绘制方法具体如下：
基于粗略位置周边的障碍物密集度来确定重定位区域的大小，若粗略位置周边的障碍物密集高，即障碍物的密集度大于或等于密集度阈值，则绘制小面积的重定位区域，若粗略位置周边的障碍物密集低，即障碍物的密集度小于密集度阈值，则绘制大面积的重定位区域。
进一步的，所述重定位区域为几何形状，包括：圆形，方形，矩形及三角形。
进一步的，随机粒子以以下概率增加，概率的计算模型具体如下：
max{0.0，1.0-wfast/wslaw}
其中，wslow表示短期似然平均，wfast表示长期似然平均，其计算公式具体如下：
Figure BDA0002349724260000021
其中，wavg表示经验测量似然，αslow表示短期平均的指数滤波器的衰减率，αfast表示长期平均的指数滤波器的衰减率。
本发明提供的基于动态区域划分的重定位方法通过动态选择合适大小的重定位区域，保证重定位区域在面积尽可能小的前提下包含尽可能多有效信息，更加快速高效地实现移动机器人的重定位。
附图说明
图1为本发明实施例提供的基于动态区域划分的移动机器人重定位方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在全局地图中动态绘制合适大小形状的区域，在所绘制区域的空闲区域随机产生粒子，采用粒子滤波的方法对粒子进行采样和重采样，并增加随机采样对滤波器进行迭代更新，当粒子簇中最大权重满足设定条件时，获得此时最佳位置，完成重定位。
图1为本发明实施例提供的基于动态区域划分的移动机器人重定位方法流程图，该方法具体包括如下步骤：
S1、加载全局地图，并记录全局地图中的空闲区域，占用区域及未知区域，占用区域即为激光雷达探测存在障碍物的区域，空闲区域即为激光雷达探测不存在障碍物的区域，未知区域即为激光雷达无法探测的区域；
S2、确定移动机器人在地图中的粗略位置，并基于该粗略位置绘制重定位区域；
在本发明实施例中，基于移动机器人当前位置的环境信息在地图中粗略确定移动机器人的位置，并基于粗略位置周边的障碍物密集度来确定重定位区域的大小，若粗略位置周边的障碍物密集高，即障碍物的密集度大于或等于密集度阈值，则绘制小面积的重定位区域，若粗略位置周边的障碍物密集低，即障碍物的密集度小于密集度阈值，则绘制大面积的重定位区域，绘制的重定位区域可以是三角形，圆形，矩形，方形等几何体。
S3、初始化粒子分布：在重定位区域的空闲区域内产生随机粒子，并将随机产生随机粒子限定在重定位区域的空闲区域；
所绘制的重定位区域可能包含空闲区域、占用区域和未知区域，其中空闲区域作为有效区域，初始化粒子滤波器参数和激光传感器的似然域模型参数，在有效区域产生随机粒子，随机产生的粒子限定在有效区域内，最终的重定位点也限定在该有效区域内，整个重定位中粒子搜索过程由之前的全局地图转变为现在的局部区域。
S4、激光传感器观测模型更新：根据随机粒子在全局地图中的位置，采用似然域计算各随机粒子的权重，并归一化随机粒子的权重值，在本发明实施例中，似然域模型表示具体如下：
Figure BDA0002349724260000041
Figure BDA0002349724260000042
其中，dist表示随机粒子距最近障碍物距离，q表示测距似然，代表粒子的权重，(xk,yk)为随机粒子在全局地图(栅格地图)的坐标，(x,y)为距离最近的障碍物坐标，zhit、zranddom及zmax分别代表测距误差混合权重的不同部分，分别代表测量噪声、无法解释的随机测量及测量失败，σhit为测量噪声的标准差。
S5、进行重采样：筛选出权重值大的随机粒子，同时增加随机粒子，随机粒子以以下概率增加，概率的计算模型具体如下：
max{0.0，1.0-wfast/wslaw}
其中，wslow表示短期似然平均，wfast表示长期似然平均，其计算公式具体如下：
Figure BDA0002349724260000051
其中，wavg表示经验测量似然，αslow表示短期平均的指数滤波器的衰减率，αfast表示长期平均的指数滤波器的衰减率。
S6、粒子滤波器迭代更新：重采样后，更新粒子分布，使得每个粒子的权重相等，更新粒子簇的最大权重，若粒子的最大权重大于权重阈值，则最大权重粒子簇的平均位置即为最佳位置，即移动机器人当前在全局地图中的位置。
在本发明实施例中，粒子簇的权重为粒子簇中各粒子权重的总和。
本发明提供的基于动态区域划分的重定位方法通过动态选择合适大小的重定位区域，保证重定位区域在面积尽可能小的前提下包含尽可能多有效信息，更加快速高效地实现移动机器人的重定位。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于动态区域划分的移动机器人重定位方法，其特征在于，所述方法具体包括如下步骤：
S1、加载全局地图，并记录全局地图中的空闲区域，占用区域及未知区域；
S2、确定移动机器人在地图中的粗略位置，并基于所述粗略位置确定重定位区域；
S3、在重定位区域的空闲区域内产生随机粒子，并将随机产生随机粒子限定在重定位区域的空闲区域；
S4、根据随机粒子在全局地图中的位置，采用似然域计算各随机粒子的权重，并归一化随机粒子的权重值；
S5、筛选出权重值大的随机粒子，同时增加随机粒子；
S6、更新粒子分布，使得每个粒子的权重相等，更新粒子簇的最大权重，若粒子的最大权重大于权重阈值，则最大权重粒子簇的平均位置即为最佳位置，即移动机器人当前在全局地图中的位置。
2.如权利要求1所述基于动态区域划分的移动机器人重定位方法，其特征在于，重定位区域的绘制方法具体如下：
基于粗略位置周边的障碍物密集度来确定重定位区域的大小，若粗略位置周边的障碍物密集高，即障碍物的密集度大于或等于密集度阈，则绘制小面积的重定位区域，若粗略位置周边的障碍物密集低，即障碍物的密集度小于密集度阈值，则绘制大面积的重定位区域。
3.如权利要求2所述基于动态区域划分的移动机器人重定位方法，其特征在于，所述重定位区域为几何形状，包括：圆形，方形，矩形及三角形。
4.如权利要求1所述基于动态区域划分的移动机器人重定位方法，其特征在于，随机粒子以以下概率增加，概率的计算模型具体如下：
max{0.0，1.0-wfast/wslaw}
其中，wslow表示短期似然平均，wfast表示长期似然平均，其计算公式具体如下：
Figure FDA0002349724250000021
其中，wavg表示经验测量似然，αslow表示短期平均的指数滤波器的衰减率，αfast表示长期平均的指数滤波器的衰减率。
CN201911410009.9A 2019-12-31 2019-12-31 基于动态区域划分的移动机器人重定位方法 Active CN111061276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911410009.9A CN111061276B (zh) 2019-12-31 2019-12-31 基于动态区域划分的移动机器人重定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911410009.9A CN111061276B (zh) 2019-12-31 2019-12-31 基于动态区域划分的移动机器人重定位方法

Publications (2)

Publication Number Publication Date
CN111061276A true CN111061276A (zh) 2020-04-24
CN111061276B CN111061276B (zh) 2022-07-26

Family

ID=70305522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911410009.9A Active CN111061276B (zh) 2019-12-31 2019-12-31 基于动态区域划分的移动机器人重定位方法

Country Status (1)

Country Link
CN (1) CN111061276B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539994A (zh) * 2020-04-28 2020-08-14 武汉科技大学 一种基于语义似然估计的粒子滤波重定位方法
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
CN112462786A (zh) * 2020-12-03 2021-03-09 大连海事大学 一种基于模糊控制策略双窗口算法的无人艇避碰方法
CN112797981A (zh) * 2020-12-24 2021-05-14 哈尔滨工业大学芜湖机器人产业技术研究院 一种基于正态分布的粒子滤波定位方法
CN113359769A (zh) * 2021-07-06 2021-09-07 广东省科学院智能制造研究所 室内自主移动机器人复合导航方法及装置
CN113960999A (zh) * 2021-07-30 2022-01-21 珠海一微半导体股份有限公司 移动机器人重定位方法、系统及芯片

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014137226A (ja) * 2013-01-15 2014-07-28 Advanced Telecommunication Research Institute International 移動体、音響源マップ作成システムおよび音響源マップ作成方法
KR20160052301A (ko) * 2014-11-04 2016-05-12 홍익대학교 산학협력단 파티클 필터를 이용한 인간의 이동 상태 분류 방법
CN105806345A (zh) * 2016-05-17 2016-07-27 杭州申昊科技股份有限公司 一种用于变电站巡检机器人激光导航的初始化定位方法
CN106441279A (zh) * 2016-12-08 2017-02-22 速感科技（北京）有限公司 基于自主定位和边缘探索的机器人定位方法、系统
CN106767821A (zh) * 2016-12-09 2017-05-31 北京羲和科技有限公司 一种基于粒子滤波的地图匹配定位方法及系统
CN106843236A (zh) * 2017-03-31 2017-06-13 深圳市靖洲科技有限公司 基于权重改进粒子群算法的无人自行车路径规划方法
CN109556611A (zh) * 2018-11-30 2019-04-02 广州高新兴机器人有限公司 一种基于图优化和粒子滤波的融合定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014137226A (ja) * 2013-01-15 2014-07-28 Advanced Telecommunication Research Institute International 移動体、音響源マップ作成システムおよび音響源マップ作成方法
KR20160052301A (ko) * 2014-11-04 2016-05-12 홍익대학교 산학협력단 파티클 필터를 이용한 인간의 이동 상태 분류 방법
CN105806345A (zh) * 2016-05-17 2016-07-27 杭州申昊科技股份有限公司 一种用于变电站巡检机器人激光导航的初始化定位方法
CN106441279A (zh) * 2016-12-08 2017-02-22 速感科技（北京）有限公司 基于自主定位和边缘探索的机器人定位方法、系统
CN106767821A (zh) * 2016-12-09 2017-05-31 北京羲和科技有限公司 一种基于粒子滤波的地图匹配定位方法及系统
CN106843236A (zh) * 2017-03-31 2017-06-13 深圳市靖洲科技有限公司 基于权重改进粒子群算法的无人自行车路径规划方法
CN109556611A (zh) * 2018-11-30 2019-04-02 广州高新兴机器人有限公司 一种基于图优化和粒子滤波的融合定位方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539994A (zh) * 2020-04-28 2020-08-14 武汉科技大学 一种基于语义似然估计的粒子滤波重定位方法
CN111539994B (zh) * 2020-04-28 2023-04-18 武汉科技大学 一种基于语义似然估计的粒子滤波重定位方法
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
CN112462786A (zh) * 2020-12-03 2021-03-09 大连海事大学 一种基于模糊控制策略双窗口算法的无人艇避碰方法
CN112462786B (zh) * 2020-12-03 2024-01-19 大连海事大学 一种基于模糊控制策略双窗口算法的无人艇避碰方法
CN112797981A (zh) * 2020-12-24 2021-05-14 哈尔滨工业大学芜湖机器人产业技术研究院 一种基于正态分布的粒子滤波定位方法
CN112797981B (zh) * 2020-12-24 2024-04-05 长三角哈特机器人产业技术研究院 一种基于正态分布的粒子滤波定位方法
CN113359769A (zh) * 2021-07-06 2021-09-07 广东省科学院智能制造研究所 室内自主移动机器人复合导航方法及装置
CN113359769B (zh) * 2021-07-06 2022-08-09 广东省科学院智能制造研究所 室内自主移动机器人复合导航方法及装置
CN113960999A (zh) * 2021-07-30 2022-01-21 珠海一微半导体股份有限公司 移动机器人重定位方法、系统及芯片
CN113960999B (zh) * 2021-07-30 2024-05-07 珠海一微半导体股份有限公司 移动机器人重定位方法、系统及芯片

Also Published As

Publication number Publication date
CN111061276B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111061276B (zh) 基于动态区域划分的移动机器人重定位方法
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
CN110927740A (zh) 一种移动机器人定位方法
CN109556611B (zh) 一种基于图优化和粒子滤波的融合定位方法
WO2018018994A1 (zh) 室内定位方法及定位系统
Pfaff et al. Robust monte-carlo localization using adaptive likelihood models
CN107071732B (zh) 一种基于rssi的mle-pso室内定位方法
Tomažič et al. Confidence-interval-fuzzy-model-based indoor localization
Xuanmin et al. An improved dynamic prediction fingerprint localization algorithm based on KNN
CN103533647A (zh) 一种基于分簇机制及稳健回归的射频地图自适应定位方法
CN111044050B (zh) 一种基于粒子滤波和卡尔曼滤波的蓝牙定位方法
Wang et al. Efficient probabilistic approach to range-only SLAM with a novel likelihood model
Junoh et al. Floor map-aware particle filtering based indoor navigation system
Li et al. A new RSS fingerprinting-based location discovery method under sparse reference point conditions
WO2013096209A1 (en) System and method for probablistic wlan positioning
WO2019183928A1 (zh) 一种室内机器人定位的方法及机器人
Jia et al. An indoor and outdoor seamless positioning system based on android platform
CN113050658A (zh) 一种基于狮群算法优化的slam算法
CN110794434B (zh) 一种位姿的确定方法、装置、设备及存储介质
CN116805047A (zh) 多传感器融合定位的不确定性表达方法、装置及电子设备
CN102982248B (zh) 基于线性矩阵不等式的序列地形重叠视场估计方法
US20200033439A1 (en) Multi-algorithm trilateration system
CN116341344A (zh) 一种不确定测量下工业移动目标混合优化无线定位方法
Zhu et al. EZMap: Boosting automatic floor plan construction with high-precision robotic tracking
CN116255981A (zh) 基于预设线特征提取及匹配的激光雷达定位算法及存储介质

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
GR01 Patent grant
GR01 Patent grant