CN111121768B - 一种机器人位姿估计方法、装置、可读存储介质及机器人 - Google Patents
一种机器人位姿估计方法、装置、可读存储介质及机器人 Download PDFInfo
- Publication number
- CN111121768B CN111121768B CN201911340211.9A CN201911340211A CN111121768B CN 111121768 B CN111121768 B CN 111121768B CN 201911340211 A CN201911340211 A CN 201911340211A CN 111121768 B CN111121768 B CN 111121768B
- Authority
- CN
- China
- Prior art keywords
- pose
- robot
- estimation
- relative
- measurement
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 313
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 238000007499 fusion processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Gyroscopes (AREA)
Abstract
本申请属于机器人技术领域,尤其涉及一种机器人位姿估计方法、装置、计算机可读存储介质及机器人。所述方法获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿;分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿;根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿。通过本申请,极大提高了机器人位姿估计的精度。
Description
技术领域
本申请属于机器人技术领域,尤其涉及一种机器人位姿估计方法、装置、计算机可读存储介质及机器人。
背景技术
在机器人的建图和导航中,需要对机器人的位姿进行准确估计。不同类型的传感器,如激光雷达、底盘编码器、IMU(惯性测量单元)、视觉传感器等,通过对环境的感知观测,均能完成对机器人位姿的估计。但由于不同传感器的测量都存在误差,其位姿估计结果的精度较低。
发明内容
有鉴于此,本申请实施例提供了一种机器人位姿估计方法、装置、计算机可读存储介质及机器人,以解决现有技术中的位姿估计结果精度较低的问题。
本申请实施例的第一方面提供了一种机器人位姿估计方法,可以包括:
获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;
分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿,所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据;
分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿,所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据;
根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿。
进一步地,所述惯性测量数据包括线加速度和角速度;
所述根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿包括:
根据所述线加速度对所述机器人在上一测量时刻的速度进行更新,得到所述机器人在当前测量时刻的速度;
根据所述机器人在上一测量时刻的速度以及在当前测量时刻的速度,对所述机器人在上一测量时刻的位置进行更新,得到所述机器人在当前测量时刻的位置;
根据所述角速度对所述机器人在上一测量时刻的姿态角进行更新,得到所述机器人在当前测量时刻的姿态角。
进一步地,所述根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿包括:
根据第n个相对测量数据计算所述机器人在当前测量时刻的位姿,其中,1≤n≤N,N为所述机器人的相对测量传感器的数目,第n个相对测量数据为由所述机器人的第n个相对测量传感器采集的测量数据;
获取所述机器人在上一测量时刻的位姿,并计算所述机器人在当前测量时刻和上一测量时刻之间的位姿差;
获取所述机器人在上一测量时刻的融合位姿,并根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿。
进一步地,所述计算所述机器人在当前测量时刻和上一测量时刻之间的位姿差包括:
根据下式计算所述位姿差:
其中,T1p为在上一测量时刻的位置,T1q为在上一测量时刻的姿态角,T2p为在当前测量时刻的位置,T2q为在当前测量时刻的姿态角,dTp为当前测量时刻和上一测量时刻之间的位置差,dTq为当前测量时刻和上一测量时刻之间的姿态差。
进一步地,所述根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿包括:
根据下式计算与第n个相对测量传感器对应的相对估计位姿:
T2′ p=T1′ p+T1′ q*dTp
T2′ q=T1′ q*dTq
其中,T1′p为上一测量时刻的融合位置,T1′q为上一测量时刻的融合姿态角,T2′p为与第n个相对测量传感器对应的相对估计位置,T2′q为与第n个相对测量传感器对应的相对估计姿态角。
进一步地,所述根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理包括:
计算待融合位姿与所述基准估计位姿之间的相对位姿,所述待融合位姿为任一所述绝对估计位姿或所述相对估计位姿;
根据所述相对估计位姿计算所述待融合位姿的残差;
根据所述待融合位姿的残差和预设的增益系数对所述基准估计位姿进行修正,得到所述融合位姿。
进一步地,所述根据所述待融合位姿的残差和预设的增益系数对所述基准估计位姿进行修正,得到所述融合位姿包括:
根据下式计算所述融合位姿:
[p,q]update=[p,q]+K[rp,rq]
其中,[p,q]为所述基准估计位姿,[rp,rq]为所述待融合位姿的残差,K为所述增益系数,[p,q]update为所述融合位姿。
本申请实施例的第二方面提供了一种机器人位姿估计装置,可以包括:
第一位姿估计模块,用于获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;
第二位姿估计模块,用于分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿,所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据;
第三位姿估计模块,用于分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿,所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据;
位姿融合模块,用于根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿。
进一步地,所述惯性测量数据包括线加速度和角速度,所述第一位姿估计模块可以包括:
速度更新单元,用于根据所述线加速度对所述机器人在上一测量时刻的速度进行更新,得到所述机器人在当前测量时刻的速度;
位置更新单元,用于根据所述机器人在上一测量时刻的速度以及在当前测量时刻的速度,对所述机器人在上一测量时刻的位置进行更新,得到所述机器人在当前测量时刻的位置;
姿态角更新单元,用于根据所述角速度对所述机器人在上一测量时刻的姿态角进行更新,得到所述机器人在当前测量时刻的姿态角。
进一步地,所述第三位姿估计模块可以包括:
位姿计算单元,用于根据第n个相对测量数据计算所述机器人在当前测量时刻的位姿,其中,1≤n≤N,N为所述机器人的相对测量传感器的数目,第n个相对测量数据为由所述机器人的第n个相对测量传感器采集的测量数据;
位姿差计算单元,用于获取所述机器人在上一测量时刻的位姿,并计算所述机器人在当前测量时刻和上一测量时刻之间的位姿差;
相对估计位姿计算单元,用于获取所述机器人在上一测量时刻的融合位姿,并根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿。
进一步地,所述位姿差计算单元具体用于根据下式计算所述位姿差:
其中,T1p为在上一测量时刻的位置,T1q为在上一测量时刻的姿态角,T2p为在当前测量时刻的位置,T2q为在当前测量时刻的姿态角,dTp为当前测量时刻和上一测量时刻之间的位置差,dTq为当前测量时刻和上一测量时刻之间的姿态差。
进一步地,所述相对估计位姿计算单元具体用于根据下式计算与第n个相对测量传感器对应的相对估计位姿:
T2′ p=T1′ p+T1′ q*dTp
T2′q=T1′q*dTq
其中,T1′p为上一测量时刻的融合位置,T1′q为上一测量时刻的融合姿态角,T2′p为与第n个相对测量传感器对应的相对估计位置,T2′q为与第n个相对测量传感器对应的相对估计姿态角。
进一步地,所述位姿融合模块可以包括:
相对位姿计算单元,用于计算待融合位姿与所述基准估计位姿之间的相对位姿,所述待融合位姿为任一所述绝对估计位姿或所述相对估计位姿;
残差计算单元,用于根据所述相对估计位姿计算所述待融合位姿的残差;
融合位姿计算单元,用于根据所述待融合位姿的残差和预设的增益系数对所述基准估计位姿进行修正,得到所述融合位姿。
进一步地,所述融合位姿计算单元具体用于根据下式计算所述融合位姿:
[p,q]update=[p,q]+K[rp,rq]
其中,[p,q]为所述基准估计位姿,[rp,rq]为所述待融合位姿的残差,K为所述增益系数,[p,q]update为所述融合位姿。
本申请实施例的第三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种机器人位姿估计方法的步骤。
本申请实施例的第四方面提供了一种机器人,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种机器人位姿估计方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在机器人上运行时,使得机器人执行上述任一种机器人位姿估计方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿,所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据;分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿,所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据;根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿。通过本申请实施例,以惯性测量数据计算得到的位姿作为基准,辅之以根据各个绝对测量传感器采集的数据计算得到的位姿,以及根据各个相对测量传感器采集的数据计算得到的位姿,通过对这些位姿进行融合处理,可以得到更高精度的融合位姿。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种机器人位姿估计方法的一个实施例流程图;
图2为根据惯性测量数据进行位姿估计的示意流程图;
图3为根据各个相对测量数据进行位姿估计的示意流程图;
图4为相对估计位姿计算过程的示意图;
图5为根据绝对估计位姿和相对估计位姿对基准估计位姿进行融合处理的示意流程图;
图6为本申请实施例中一种机器人位姿估计装置的一个实施例结构图;
图7为本申请实施例中一种机器人的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本申请实施例中一种机器人位姿估计方法的一个实施例可以包括:
步骤S101、获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿。
所述惯性测量数据可以包括线加速度和角速度。在本申请实施例中,可以使用惯性测量单元(Inertial Measurement Unit,IMU)来采集所述惯性测量数据。一般的,一个IMU包含了三个单轴的加速度计和三个单轴的陀螺仪,加速度计检测物体在载体坐标系统独立三轴的加速度数据,而陀螺仪检测载体相对于导航坐标系的角速度数据。所述惯性测量数据具有高帧率,短时精度高的特点,可以对位姿进行高速率的推测。
如图2所示,所述根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿具体可以包括如下步骤:
步骤S1011、根据所述线加速度对所述机器人在上一测量时刻的速度进行更新,得到所述机器人在当前测量时刻的速度。
具体地,在本申请实施例中,可以根据下式计算所述机器人在当前测量时刻的速度:
vnew=vold+(a-G)*dt
其中,vold为所述机器人在上一测量时刻的速度,a为所述线加速度,G为重力加速度,dt为相邻的两个测量时刻之间的时间间隔,vnew为所述机器人在当前测量时刻的速度。
步骤S1012、根据所述机器人在上一测量时刻的速度以及在当前测量时刻的速度,对所述机器人在上一测量时刻的位置进行更新,得到所述机器人在当前测量时刻的位置。
具体地,在本申请实施例中,可以根据下式计算所述机器人在当前测量时刻的位置:
pnew=pold+(vnew+vold)*dt/2
其中,pold为所述机器人在上一测量时刻的位置,pnew为所述机器人在当前测量时刻的位置。
步骤S1013、根据所述角速度对所述机器人在上一测量时刻的姿态角进行更新,得到所述机器人在当前测量时刻的姿态角。
具体地,在本申请实施例中,可以根据下式计算所述机器人在当前测量时刻的姿态角:
步骤S102、分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿。
所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据。所述绝对测量传感器可以包括但不限于UWB传感器和GPS传感器,其中,UWB是一种无线定位方法,通过与基站进行无线测距,综合多个测距值计算机器人定位,根据历史信息和预估坐标过滤错误测量值,作为机器人全局定位坐标;GPS通过卫星通信,可在室外获得机器人的经纬度和高度等全局定位数据,转换到统一坐标系下,即可作为绝对更新量加入融合算法。
步骤S103、分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿。
所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据。所述绝对测量传感器可以包括但不限于底盘编码器、激光雷达、视觉传感器等等。其中,IMU可以和底盘编码器融合,对IMU角速度进行积分获得角度信息,对底盘编码器输出的线速度进行积分获得运动位置信息,二者结合为机器人平面的坐标x、y和角度theta,构成融合轮式里程计。激光雷达可以进行特定角度范围的扫描,输出最近的物体距离信息,激光雷达数据点进行距离筛选和滤波后,以融合轮式里程计估计值作为机器人位姿预测值,和局部地图进行匹配,估计机器人2D位姿信息,构成激光里程计。视觉传感器主要由一个或者多个摄像头组成,这些摄像头包括但不限于单目摄像头(Monocular Camera)、双目摄像头(BinocularCamera)、深度摄像头(RGB-D Camera)或者其它种类的摄像头,其主要功能是获取足够的机器人视觉系统要处理的最原始的图像数据,提供机器人周围的图像信息,视觉传感器通过视觉特征提取匹配和深度估计等方法进行机器人三维运动估计,构成视觉里程计。底盘编码器、激光雷达、视觉传感器等传感器主要特点为可计算机器人相对其上一个测量的相对值,具有一定累积误差,其他可进行相对位姿测量的传感器可以对机器人的位姿进行测量,构成里程计输入融合算法中。
如图3所示,所述根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿具体可以包括如下步骤:
步骤S1031、根据第n个相对测量数据计算所述机器人在当前测量时刻的位姿。
其中,1≤n≤N,N为所述机器人的相对测量传感器的数目,第n个相对测量数据为由所述机器人的第n个相对测量传感器采集的测量数据。
步骤S1032、获取所述机器人在上一测量时刻的位姿,并计算所述机器人在当前测量时刻和上一测量时刻之间的位姿差。
具体地,在本申请实施例中,可以根据下式计算所述位姿差:
其中,T1p为在上一测量时刻的位置,T1q为在上一测量时刻的姿态角,T2p为在当前测量时刻的位置,T2q为在当前测量时刻的姿态角,dTp为当前测量时刻和上一测量时刻之间的位置差,dTq为当前测量时刻和上一测量时刻之间的姿态差。
步骤S1033、获取所述机器人在上一测量时刻的融合位姿,并根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿。
具体地,在本申请实施例中,可以根据下式计算与第n个相对测量传感器对应的相对估计位姿:
T2′p=T1′p+T1′ q*dTp
T2′q=T1′q*dTq
其中,T1′p为上一测量时刻的融合位置,T1′q为上一测量时刻的融合姿态角,T2′p为与第n个相对测量传感器对应的相对估计位置,T2′q为与第n个相对测量传感器对应的相对估计姿态角。
图4所示即为整个相对估计位姿计算过程的示意图,由于各种相对测量传感器的位姿数据,提供机器人相对上一测量时刻的位姿增量,需要进行一定处理后加入滤波器中。在本申请实施例中,可以保存各相对测量传感器的测量值序列(即图4中的相对测量序列)和融合后的机器人位姿序列(即图4中的融合位姿序列),首先在机器人融合位姿序列中获取和上一测量时刻的相对估计位姿T1同时刻的机器人融合位姿T1′,计算当前测量时刻和上一测量时刻之间的位姿差dT,累计到上一测量时刻融合位姿T1′上,从而得新的待更新位姿T2′。
需要注意的是,以上过程为与任意一个相对测量传感器对应的相对估计位姿的计算过程,对n从1到N进行遍历,重复以上过程,即可得到与各个相对测量传感器分别对应的相对估计位姿。
步骤S104、根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿。
为了兼容不同帧率的传感器测量和保证输出位姿的高帧率,融合方法使用扩展卡尔曼滤波器作为多传感器融合核心,并将滤波器预测和更新步骤分离。主要思路为以IMU测量数据在预测阶段进行机器人位姿状态传播;UWB、GPS定位数据等作为全局定位对滤波器进行更新,直接修正机器人在全局地图中的位姿;融合轮式里程计、激光里程计、视觉里程计等作为相对位姿,进行一定转换后加入滤波器中。
如图5所示,所述根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理具体可以包括如下步骤:
步骤S1041、计算待融合位姿与所述基准估计位姿之间的相对位姿。
所述待融合位姿为任一所述绝对估计位姿或所述相对估计位姿。由于各传感器测量存在不同的误差,每增加一个传感器即会引入一个额外的状态变量,以所述待融合位姿为例,将该状态变量记为:其中,λ为预设的尺度因子,可以将其视为常数,但需注意的是,每个传感器所对应的尺度因子均不相同。为所述待融合位姿与所述基准估计位姿之间的相对位姿,具体为所述待融合位姿相对于所述基准估计位姿的姿态角。
步骤S1042、根据所述相对估计位姿计算所述待融合位姿的残差。
滤波器更新的观测变量为机器人位置zp和姿态角zq,由系统状态变量可对机器人位置和姿态角进行估计:
则可将观测值和估计值之差作为残差,即:
其中,rp为位置的残差,rq为姿态角的残差。
步骤S1043、根据所述待融合位姿的残差和预设的增益系数对所述基准估计位姿进行修正,得到所述融合位姿。
将残差输入滤波器进行更新,可以根据下式计算所述融合位姿:
[p,q]update=[p,q]+K[rp,rq]
其中,[p,q]为所述基准估计位姿,[rp,rq]为所述待融合位姿的残差,K为所述增益系数,是由传感器噪声计算而得的滤波器增益,可以将其视为常数,但需注意的是,每个传感器所对应的增益系数均不相同,[p,q]update为所述融合位姿。
需要注意的是,以上过程为所述基准估计位姿与任意一个所述绝对估计位姿或所述相对估计位姿进行融合的过程,所述基准估计位姿与其它各个所述绝对估计位姿以及所述相对估计位姿的融合过程均可参照以上过程,此处不再赘述。
综上所述,本申请实施例获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿,所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据;分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿,所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据;根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿。通过本申请实施例,以惯性测量数据计算得到的位姿作为基准,辅之以根据各个绝对测量传感器采集的数据计算得到的位姿,以及根据各个相对测量传感器采集的数据计算得到的位姿,通过对这些位姿进行融合处理,可以得到更高精度的融合位姿。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种机器人位姿估计方法,图6示出了本申请实施例提供的一种机器人位姿估计装置的一个实施例结构图。
本实施例中,一种机器人位姿估计装置可以包括:
第一位姿估计模块601,用于获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;
第二位姿估计模块602,用于分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿,所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据;
第三位姿估计模块603,用于分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿,所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据;
位姿融合模块604,用于根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿。
进一步地,所述惯性测量数据包括线加速度和角速度,所述第一位姿估计模块可以包括:
速度更新单元,用于根据所述线加速度对所述机器人在上一测量时刻的速度进行更新,得到所述机器人在当前测量时刻的速度;
位置更新单元,用于根据所述机器人在上一测量时刻的速度以及在当前测量时刻的速度,对所述机器人在上一测量时刻的位置进行更新,得到所述机器人在当前测量时刻的位置;
姿态角更新单元,用于根据所述角速度对所述机器人在上一测量时刻的姿态角进行更新,得到所述机器人在当前测量时刻的姿态角。
进一步地,所述第三位姿估计模块可以包括:
位姿计算单元,用于根据第n个相对测量数据计算所述机器人在当前测量时刻的位姿,其中,1≤n≤N,N为所述机器人的相对测量传感器的数目,第n个相对测量数据为由所述机器人的第n个相对测量传感器采集的测量数据;
位姿差计算单元,用于获取所述机器人在上一测量时刻的位姿,并计算所述机器人在当前测量时刻和上一测量时刻之间的位姿差;
相对估计位姿计算单元,用于获取所述机器人在上一测量时刻的融合位姿,并根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿。
进一步地,所述位姿差计算单元具体用于根据下式计算所述位姿差:
其中,T1p为在上一测量时刻的位置,T1q为在上一测量时刻的姿态角,T2p为在当前测量时刻的位置,T2q为在当前测量时刻的姿态角,dTp为当前测量时刻和上一测量时刻之间的位置差,dTq为当前测量时刻和上一测量时刻之间的姿态差。
进一步地,所述相对估计位姿计算单元具体用于根据下式计算与第n个相对测量传感器对应的相对估计位姿:
T2′p=T1′p+T1′q*dTp
T2′q=T1′q*dTq
其中,T1′p为上一测量时刻的融合位置,T1′q为上一测量时刻的融合姿态角,T2′p为与第n个相对测量传感器对应的相对估计位置,T2′q为与第n个相对测量传感器对应的相对估计姿态角。
进一步地,所述位姿融合模块可以包括:
相对位姿计算单元,用于计算待融合位姿与所述基准估计位姿之间的相对位姿,所述待融合位姿为任一所述绝对估计位姿或所述相对估计位姿;
残差计算单元,用于根据所述相对估计位姿计算所述待融合位姿的残差;
融合位姿计算单元,用于根据所述待融合位姿的残差和预设的增益系数对所述基准估计位姿进行修正,得到所述融合位姿。
进一步地,所述融合位姿计算单元具体用于根据下式计算所述融合位姿:
[p,q]update=[p,q]+K[rp,rq]
其中,[p,q]为所述基准估计位姿,[rp,rq]为所述待融合位姿的残差,K为所述增益系数,[p,q]update为所述融合位姿。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
图7示出了本申请实施例提供的一种机器人的示意框图,为了便于说明,仅示出了与本申请实施例相关的部分。
如图7所示,该实施例的机器人7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个机器人位姿估计方法实施例中的步骤,例如图1所示的步骤S101至步骤S104。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块601至模块604的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述机器人7中的执行过程。
本领域技术人员可以理解,图7仅仅是机器人7的示例,并不构成对机器人7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述机器人7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述机器人7的内部存储单元,例如机器人7的硬盘或内存。所述存储器71也可以是所述机器人7的外部存储设备,例如所述机器人7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述机器人7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述机器人7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/机器人和方法,可以通过其它的方式实现。例如,以上所描述的装置/机器人实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种机器人位姿估计方法,其特征在于,包括:
获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;
分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿,所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据;
分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿,所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据;
根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿;
所述根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿包括:
根据第n个相对测量数据计算所述机器人在当前测量时刻的位姿,其中,1≤n≤N,N为所述机器人的相对测量传感器的数目,第n个相对测量数据为由所述机器人的第n个相对测量传感器采集的测量数据;
获取所述机器人在上一测量时刻的位姿,并根据下式计算所述机器人在当前测量时刻和上一测量时刻之间的位姿差:
其中,T1p为在上一测量时刻的位置,T1q为在上一测量时刻的姿态角,T2p为在当前测量时刻的位置,T2q为在当前测量时刻的姿态角,dTp为当前测量时刻和上一测量时刻之间的位置差,dTq为当前测量时刻和上一测量时刻之间的姿态差;
获取所述机器人在上一测量时刻的融合位姿,并根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿。
2.根据权利要求1所述的机器人位姿估计方法,其特征在于,所述惯性测量数据包括线加速度和角速度;
所述根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿包括:
根据所述线加速度对所述机器人在上一测量时刻的速度进行更新,得到所述机器人在当前测量时刻的速度;
根据所述机器人在上一测量时刻的速度以及在当前测量时刻的速度,对所述机器人在上一测量时刻的位置进行更新,得到所述机器人在当前测量时刻的位置;
根据所述角速度对所述机器人在上一测量时刻的姿态角进行更新,得到所述机器人在当前测量时刻的姿态角。
3.根据权利要求1所述的机器人位姿估计方法,其特征在于,所述根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿包括:
根据下式计算与第n个相对测量传感器对应的相对估计位姿:
T2′p=T1′p+T1′q*dTp
T2′q=T1′q*dTq
其中,T1′p为上一测量时刻的融合位置,T1′q为上一测量时刻的融合姿态角,T2′p为与第n个相对测量传感器对应的相对估计位置,T2′q为与第n个相对测量传感器对应的相对估计姿态角。
4.根据权利要求1至3中任一项所述的机器人位姿估计方法,其特征在于,所述根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理包括:
计算待融合位姿与所述基准估计位姿之间的相对位姿,所述待融合位姿为任一所述绝对估计位姿或所述相对估计位姿;
根据所述相对估计位姿计算所述待融合位姿的残差;
根据所述待融合位姿的残差和预设的增益系数对所述基准估计位姿进行修正,得到所述融合位姿。
5.根据权利要求4所述的机器人位姿估计方法,其特征在于,所述根据所述待融合位姿的残差和预设的增益系数对所述基准估计位姿进行修正,得到所述融合位姿包括:
根据下式计算所述融合位姿:
[p,q]update=[p,q]+K[rp,rq]
其中,[p,q]为所述基准估计位姿,[rp,rq]为所述待融合位姿的残差,K为所述增益系数,[p,q]update为所述融合位姿。
6.一种机器人位姿估计装置,其特征在于,包括:
第一位姿估计模块,用于获取机器人的惯性测量数据,并根据所述惯性测量数据进行位姿估计,得到所述机器人的基准估计位姿;
第二位姿估计模块,用于分别获取所述机器人的各个绝对测量数据,并根据各个绝对测量数据进行位姿估计,得到与各个绝对测量传感器分别对应的绝对估计位姿,所述绝对测量数据为由所述机器人的绝对测量传感器采集的测量数据;
第三位姿估计模块,用于分别获取所述机器人的各个相对测量数据,并根据各个相对测量数据进行位姿估计,得到与各个相对测量传感器分别对应的相对估计位姿,所述相对测量数据为由所述机器人的相对测量传感器采集的测量数据;
位姿融合模块,用于根据所述绝对估计位姿和所述相对估计位姿对所述基准估计位姿进行融合处理,得到所述机器人的融合位姿;
所述第三位姿估计模块包括:
位姿计算单元,用于根据第n个相对测量数据计算所述机器人在当前测量时刻的位姿,其中,1≤n≤N,N为所述机器人的相对测量传感器的数目,第n个相对测量数据为由所述机器人的第n个相对测量传感器采集的测量数据;
位姿差计算单元,用于获取所述机器人在上一测量时刻的位姿,并根据下式计算所述机器人在当前测量时刻和上一测量时刻之间的位姿差:
其中,T1p为在上一测量时刻的位置,T1q为在上一测量时刻的姿态角,T2p为在当前测量时刻的位置,T2q为在当前测量时刻的姿态角,dTp为当前测量时刻和上一测量时刻之间的位置差,dTq为当前测量时刻和上一测量时刻之间的姿态差;
相对估计位姿计算单元,用于获取所述机器人在上一测量时刻的融合位姿,并根据所述位姿差和所述机器人在上一测量时刻的融合位姿计算与第n个相对测量传感器对应的相对估计位姿。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的机器人位姿估计方法的步骤。
8.一种机器人,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的机器人位姿估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340211.9A CN111121768B (zh) | 2019-12-23 | 2019-12-23 | 一种机器人位姿估计方法、装置、可读存储介质及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340211.9A CN111121768B (zh) | 2019-12-23 | 2019-12-23 | 一种机器人位姿估计方法、装置、可读存储介质及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111121768A CN111121768A (zh) | 2020-05-08 |
CN111121768B true CN111121768B (zh) | 2021-10-29 |
Family
ID=70501400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911340211.9A Active CN111121768B (zh) | 2019-12-23 | 2019-12-23 | 一种机器人位姿估计方法、装置、可读存储介质及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111121768B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111993391B (zh) * | 2020-08-25 | 2022-02-15 | 深圳市优必选科技股份有限公司 | 机器人位姿估计方法、装置、仿人机器人及存储介质 |
CN112506190B (zh) * | 2020-11-19 | 2024-07-19 | 深圳市优必选科技股份有限公司 | 一种机器人定位方法、机器人定位装置及机器人 |
CN112630787B (zh) * | 2020-12-03 | 2022-05-17 | 深圳市优必选科技股份有限公司 | 定位方法、装置、电子设备及可读存储介质 |
CN112965076B (zh) * | 2021-01-28 | 2024-05-24 | 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 |
CN112985417B (zh) * | 2021-04-19 | 2021-07-27 | 长沙万为机器人有限公司 | 移动机器人粒子滤波定位的位姿校正方法及移动机器人 |
CN113137967B (zh) * | 2021-05-19 | 2023-05-26 | 深圳市优必选科技股份有限公司 | 一种机器人定位方法、装置、机器人和可读存储介质 |
WO2022242395A1 (zh) * | 2021-05-20 | 2022-11-24 | 北京城市网邻信息技术有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN113218389B (zh) * | 2021-05-24 | 2024-05-17 | 北京航迹科技有限公司 | 一种车辆定位方法、装置、存储介质及计算机程序产品 |
CN113253748B (zh) * | 2021-06-08 | 2022-02-22 | 深圳市优必选科技股份有限公司 | 并联构型仿人机器人的状态估计方法、装置、设备及介质 |
CN113483762A (zh) * | 2021-07-05 | 2021-10-08 | 河南理工大学 | 一种位姿优化方法及设备 |
CN116224349A (zh) * | 2022-12-12 | 2023-06-06 | 珠海创智科技有限公司 | 一种机器人的定位方法、系统及电子是设备 |
CN117193334A (zh) * | 2023-11-07 | 2023-12-08 | 宁德思客琦智能装备有限公司 | 一种机器人远程控制延迟优化方法及装置、电子设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234679A1 (en) * | 2004-02-13 | 2005-10-20 | Evolution Robotics, Inc. | Sequential selective integration of sensor data |
CN102538781B (zh) * | 2011-12-14 | 2014-12-17 | 浙江大学 | 基于机器视觉和惯导融合的移动机器人运动姿态估计方法 |
WO2015194868A1 (ko) * | 2014-06-17 | 2015-12-23 | (주)유진로봇 | 광각 카메라가 탑재된 이동 로봇의 주행을 제어하기 위한 장치 및 그 방법 |
CN105371840B (zh) * | 2015-10-30 | 2019-03-22 | 北京自动化控制设备研究所 | 一种惯性/视觉里程计/激光雷达的组合导航方法 |
US20190346271A1 (en) * | 2016-03-11 | 2019-11-14 | Kaarta, Inc. | Laser scanner with real-time, online ego-motion estimation |
CN106918830A (zh) * | 2017-03-23 | 2017-07-04 | 安科机器人有限公司 | 一种基于多导航模块的定位方法及移动机器人 |
CN108037658A (zh) * | 2017-11-15 | 2018-05-15 | 东莞市松迪智能机器人科技有限公司 | 一种基于导航系统的机器人运行误差的纠偏方法 |
CN109959381B (zh) * | 2017-12-22 | 2021-06-04 | 深圳市优必选科技有限公司 | 一种定位方法、装置、机器人及计算机可读存储介质 |
CN108731664B (zh) * | 2018-05-18 | 2020-08-11 | 深圳一清创新科技有限公司 | 机器人状态估计方法、装置、计算机设备和存储介质 |
CN109631887B (zh) * | 2018-12-29 | 2022-10-18 | 重庆邮电大学 | 基于双目、加速度与陀螺仪的惯性导航高精度定位方法 |
CN110118556A (zh) * | 2019-04-12 | 2019-08-13 | 浙江工业大学 | 一种基于协方差交叉融合slam的机器人定位方法及装置 |
CN110243358B (zh) * | 2019-04-29 | 2023-01-03 | 武汉理工大学 | 多源融合的无人车室内外定位方法及系统 |
-
2019
- 2019-12-23 CN CN201911340211.9A patent/CN111121768B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111121768A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111121768B (zh) | 一种机器人位姿估计方法、装置、可读存储介质及机器人 | |
CN112116654B (zh) | 一种车辆位姿确定方法、装置及电子设备 | |
CN112577521B (zh) | 一种组合导航误差校准方法及电子设备 | |
CN113701745B (zh) | 一种外参变化检测方法、装置、电子设备及检测系统 | |
CN110197615B (zh) | 用于生成地图的方法及装置 | |
CN114018274B (zh) | 车辆定位方法、装置及电子设备 | |
EP2273232A1 (en) | Positioning device and positioning method | |
CN109916394A (zh) | 一种融合光流位置和速度信息的组合导航算法 | |
CN113820735B (zh) | 位置信息的确定方法、位置测量设备、终端及存储介质 | |
CN109186597B (zh) | 一种基于双mems-imu的室内轮式机器人的定位方法 | |
CN109143304B (zh) | 用于确定无人驾驶车辆位姿的方法和装置 | |
CN113933818A (zh) | 激光雷达外参的标定的方法、设备、存储介质及程序产品 | |
CN111625764B (zh) | 移动数据的校准方法、装置、电子设备和存储介质 | |
CN114179825B (zh) | 多传感器融合获取量测值置信度方法及自动驾驶车辆 | |
CN110044377B (zh) | 一种基于Vicon的IMU离线标定方法 | |
CN114119692A (zh) | 一种刚性物体几何信息恢复方法、装置及存储介质 | |
CN111998870B (zh) | 一种相机惯导系统的标定方法和装置 | |
CN114119744A (zh) | 一种构建点云地图的方法、装置、设备及存储介质 | |
CN114897942B (zh) | 点云地图的生成方法、设备及相关存储介质 | |
CN114413898B (zh) | 多传感器数据融合方法、装置、计算机设备及存储介质 | |
CN116972834A (zh) | 多传感器融合定位方法、装置、系统及存储介质 | |
CN116242373A (zh) | 一种融合多源数据的高精度导航定位方法及系统 | |
CN115727871A (zh) | 一种轨迹质量检测方法、装置、电子设备和存储介质 | |
CN115900697A (zh) | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 | |
CN115560744A (zh) | 机器人以及基于多传感器的三维建图方法、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 |