CN111222225B - 一种机器人中传感器位姿的确定方法及装置 - Google Patents
一种机器人中传感器位姿的确定方法及装置 Download PDFInfo
- Publication number
- CN111222225B CN111222225B CN201911330883.1A CN201911330883A CN111222225B CN 111222225 B CN111222225 B CN 111222225B CN 201911330883 A CN201911330883 A CN 201911330883A CN 111222225 B CN111222225 B CN 111222225B
- Authority
- CN
- China
- Prior art keywords
- parameter
- sampling
- determining
- sub
- information
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
Abstract
本发明公开了一种机器人中传感器位姿的确定方法及装置,根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第一参数,第一参数用于表示在任一采样时刻时,传感器相对于机器人的位姿信息,在确定满足预设的评估规则时,根据各第一参数确定传感器在机器人中的位姿。如此,无需增加或借助其他额外的传感器即可确定出传感器在机器人中的位姿,节约了确定方法的成本,并且,在确定传感器在机器人中的位姿的过程中,可以实现自动化确定,减少人为因素的干扰,提高了位姿确定的准确性。
Description
技术领域
本发明涉及机器人技术领域,尤指一种机器人中传感器位姿的确定方法及装置。
背景技术
传感器是机器人的“神经”和“眼睛”,传感器用于测量机器人的自身状态信息和外部环境信息。其中,对于测量机器人自身状态信息的传感器称为本体感知传感器,例如编码器等;对于测量外部环境信息的传感器称为外部感知传感器,例如激光雷达、相机等。
目前,现有技术中对于机器人中的传感器位姿的确定方法有以下三种:
第一种,直接测量传感器相对于机器人的位姿。但是该方法受限于测量工具的影响,也受限于机器人的结构影响,并且,在测量过程中,难度较大,确定出的机器人中传感器位姿的准确性较低。
第二种,在相同的环境下,分别测量传感器自身坐标系下的坐标和机器人坐标系下的坐标,再根据坐标变换算法计算出传感器的坐标系与机器人坐标系之间的矩阵。但是该方法标定过程复杂,效率较低。
第三种,两个相同的传感器分别对相同的环境进行测量,获取到两个传感器之间的相对位姿和变换矩阵。但是该方法要求两个传感器在时间上保持同步,然而在实际应用中,两个传感器在时间上难以实现保持同步,因此,该方法确定出的机器人中传感器位姿的准确性较低,该方法的实用性较差。
基于此,如何准确的确定出机器人中传感器的位姿,是本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供一种机器人中传感器位姿的确定方法及装置,用以解决现有技术中存在确定机器人中传感器位姿准确性较低的问题。
第一方面,本发明实施例提供了一种机器人中传感器位姿的确定方法,包括:
根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第一参数,所述第一参数用于表示在任一所述采样时刻时,所述传感器相对于所述机器人的位姿信息,N为大于1的整数;
在确定满足预设的评估规则时,根据各所述第一参数确定所述传感器在所述机器人中的位姿。
可选地,在本发明实施例中,根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第一参数,具体包括:
确定用于表示在预设的初始时刻时所述传感器与所述机器人的位姿信息的第一中间参数;
根据所述第一中间参数、各所述采样时刻获取到的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第二参数和所述第一参数;
其中,所述第二参数包括第一子参数、第二子参数和第三子参数,所述第一子参数用于表示在任一所述采样时刻时所述机器人的位姿信息,所述第二子参数用于表示在任一所述采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子参数用于表示从所述初始时刻至当前采样时刻获取到的全部点云信息对应的角点特征信息;任一采样时刻对应的所述第二子参数为该采样时刻对应的所述第一参数。
可选地,在本发明实施例中,根据所述第一中间参数、各所述采样时刻获取到的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第二参数和所述第一参数,具体包括:
对于任一所述采样时刻均执行以下步骤:
根据任一所述采样时刻获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数;其中,所述第二中间参数包括第一子中间参数、第二子中间参数和第三子中间参数,所述第一子中间参数用于表示在该采样时刻时所述机器人的位姿信息,所述第二子中间参数用于表示在该采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子中间参数用于表示从所述初始时刻至该采样时刻获取到的全部点云信息对应的角点特征信息;若该采样时刻为第一个采样时刻,上一个所述采样时刻对应的第二参数为所述第一中间参数;
根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及所述第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系;
根据确定出的所述关联关系,对该采样时刻对应的所述第二中间参数进行修正,得到修正后的第二中间参数;
将所述修正后的第二中间参数确定为所述第二参数,并将修正后的所述第二中间参数中的第二子中间参数确定为所述第一参数。
可选地,在本发明实施例中,根据任一所述采样时刻获取到的运动状态参数和所处位置的点云信息、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数,具体包括:
根据任一所述采样时刻获取到的运动状态参数,确定所述运动状态参数的类型;
根据运动状态参数的类型与预设预测模型之间的对应关系,确定所述运动状态参数的类型对应的预测模型;
根据所述运动状态参数的类型对应的预测模型、获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第一子中间参数;
将所述上一个采样时刻对应的第二子参数确定为该采样时刻对应的第二子中间参数;
将所述上一个采样时刻对应的第三子参数确定为该采样时刻对应的第三子中间参数。
可选地,在本发明实施例中,在确定所述运动状态参数的类型之前,还包括:
在判断出任一所述采样时刻获取到的运动状态参数不是速度参数时,将获取到的运动状态参数转换为速度参数。
可选地,在本发明实施例中,所述运动状态参数为速度参数时,对应的预测模型为速度运动模型;
或,所述运动状态参数为相对运动信息时,对应的预测模型为里程计运动模型。
可选地,在本发明实施例中,根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及所述第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系,具体包括:
分别确定该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及第一角点特征信息,所述第一角点特征信息为该采样时刻之前获取到的全部点云信息对应的角点特征信息;
将该采样时刻对应的角点特征信息、以及所述第一角点特征信息转换至同一坐标系中;
判断该采样时刻对应的角点特征信息与所述第一角点特征信息之间的马氏距离是否小于第一预设阈值;
若是,则确定该采样时刻对应的角点特征信息与所述第一角点特征信息之间相互关联;
若否,则确定该采样时刻对应的角点特征信息与所述第一角点特征信息之间无关联。
可选地,在本发明实施例中,根据确定出的所述关联关系,对该采样时刻对应的所述第二中间参数进行修正,得到修正后的第二中间参数,具体包括:
在该采样时刻对应的角点特征信息与所述第一角点特征信息之间相互关联时,采用预设的卡尔曼滤波算法,根据该采样时刻对应的第二中间参数、以及该采样时刻对应的参考坐标,对该采样时刻对应的所述第二中间参数进行修正;其中,该采样时刻对应的参考坐标为:在将该采样时刻对应的角点特征信息、以及所述第一角点特征信息转换至同一坐标系中时,该采样时刻对应的角点特征信息的坐标信息;
或,在该采样时刻对应的角点特征信息与所述第一角点特征信息之间无关联时,将该采样时刻对应的参考坐标的值添加到该采样时刻对应的第二中间参数中。
可选地,在本发明实施例中,所述评估规则为:
在确定出M个具有关联关系的角点特征信息对应的第二参数时,确定出的M个第二参数中的第一参数的多个分量的标准差均小于第二预设阈值;
其中,M为大于1的正整数。
可选地,在本发明实施例中,根据各所述第一参数确定所述传感器在所述机器人中的位姿,具体包括:
根据确定出的M个第二参数中的第一参数的多个分量的平均值,确定所述传感器在所述机器人中的位姿。
可选地,在本发明实施例中,在判断出各所述第一参数不满足预设的评估规则时,还包括:
根据第N个采样时刻对应的第二参数、以及第N+1个采样时刻获取到的运动状态参数和所处位置的点云信息,确定第N+1个采样时刻对应的第一参数、以及第N+1个采样时刻对应的第二参数;
根据从N+1个采样时刻对应的第一参数中,选择出的M个具有关联关系的角点特征信息对应的第一参数,判断是否满足所述评估规则;
若是,根据选择出的所述M个具有关联关系的角点特征信息对应的第一参数,确定所述传感器在所述机器人中的位姿;
若否,继续根据第N+1个采样时刻对应的第二参数、以及第N+2个采样时刻获取到的运动状态参数和所处位置的点云信息,确定第N+2个采样时刻对应的第一参数、以及第N+2个采样时刻对应的第二参数,直至满足所述评估规则;
其中,N大于M。
第二方面,本发明实施例提供了一种机器人中传感器位姿的确定装置,包括:
第一单元,用于根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第一参数,所述第一参数用于表示在任一所述采样时刻时,所述传感器相对于所述机器人的位姿信息,N为大于1的整数;
第二单元,用于在确定满足预设的评估规则时,根据各所述第一参数确定所述传感器在所述机器人中的位姿。
可选地,在本发明实施例中,所述第一单元具体用于:
确定用于表示在预设的初始时刻时所述传感器与所述机器人的位姿信息的第一中间参数;
根据所述第一中间参数、各所述采样时刻获取到的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第二参数和所述第一参数;
其中,所述第二参数包括第一子参数、第二子参数和第三子参数,所述第一子参数用于表示在任一所述采样时刻时所述机器人的位姿信息,所述第二子参数用于表示在任一所述采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子参数用于表示从所述初始时刻至当前采样时刻获取到的全部点云信息对应的角点特征信息;任一采样时刻对应的所述第二子参数为该采样时刻对应的所述第一参数。
可选地,在本发明实施例中,所述第一单元具体用于:
对于任一所述采样时刻均执行以下步骤:
根据任一所述采样时刻获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数;其中,所述第二中间参数包括第一子中间参数、第二子中间参数和第三子中间参数,所述第一子中间参数用于表示在该采样时刻时所述机器人的位姿信息,所述第二子中间参数用于表示在该采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子中间参数用于表示从所述初始时刻至该采样时刻获取到的全部点云信息对应的角点特征信息;若该采样时刻为第一个采样时刻,上一个所述采样时刻对应的第二参数为所述第一中间参数;
根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及所述第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系;
根据确定出的所述关联关系,对该采样时刻对应的所述第二中间参数进行修正,得到修正后的第二中间参数;
将所述修正后的第二中间参数确定为所述第二参数,并将修正后的所述第二中间参数中的第二子中间参数确定为所述第一参数。
第三方面,本发明实施例提供了一种机器人,包括:确定装置、以及传感器;
其中,所述传感器用于:在到达预设的采样时刻时采集所处位置的点云信息并传输至所述确定装置,以使所述确定装置根据各所述采样时刻的所处位置的点云信息、以及各所述采样时刻的运动状态参数,确定所述传感器在所述机器人中的位姿。
本发明有益效果如下:
本发明实施例提供的一种机器人中传感器位姿的确定方法及装置,根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第一参数,第一参数用于表示在任一采样时刻时,传感器相对于机器人的位姿信息,在确定满足预设的评估规则时,根据各第一参数确定传感器在机器人中的位姿。如此,无需增加或借助其他额外的传感器即可确定出传感器在机器人中的位姿,节约了确定方法的成本,并且,在确定传感器在机器人中的位姿的过程中,可以实现自动化确定,减少人为因素的干扰,提高了位姿确定的准确性。
附图说明
图1为本发明实施例中提供的一种机器人中传感器位姿的确定方法的流程图;
图2为本发明实施例中提供的一种角点信息的示意图;
图3为本发明实施例中提供的实施例一的方法的流程图;
图4为本发明实施例中提供的一种机器人中传感器位姿的确定装置的结构示意图;
图5为本发明实施例中提供的一种机器人的结构示意图。
具体实施方式
下面将结合附图,对本发明实施例提供的一种机器人中传感器位姿的确定方法及装置的具体实施方式进行详细地说明。需要说明的是,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。
在本发明实施例中,传感器的位姿可以理解为:传感器在机器人中的位置和姿态,其中,以传感器为摄像头为例,位姿可以理解为但不限于摄像头的拍摄角度。
其中,在本发明实施例中,传感器可以为摄像头或激光雷达等传感器,在此并不限定。
具体地,本发明实施例提供了一种机器人中传感器位姿的确定方法,如图1所示,可以包括:
S101、根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第一参数,第一参数用于表示在任一采样时刻时,传感器相对于机器人的位姿信息,N为大于1的整数;
S102、在确定满足预设的评估规则时,根据各第一参数确定传感器在机器人中的位姿。
如此,无需增加或借助其他额外的传感器即可确定出传感器在机器人中的位姿,节约了确定方法的成本,并且,在确定传感器在机器人中的位姿的过程中,可以实现自动化确定,减少人为因素的干扰,提高了位姿确定的准确性。
在具体实施时,在本发明实施例中,根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第一参数,具体包括:
确定用于表示在预设的初始时刻时传感器与机器人的位姿信息的第一中间参数;
根据第一中间参数、各采样时刻获取到的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第二参数和第一参数;
其中,第二参数包括第一子参数、第二子参数和第三子参数,第一子参数用于表示在任一采样时刻时机器人的位姿信息,第二子参数用于表示在任一采样时刻时传感器相对于机器人的位姿信息,第三子参数用于表示从初始时刻至当前采样时刻获取到的全部点云信息对应的角点特征信息;任一采样时刻对应的第二子参数为该采样时刻对应的第一参数。
其中,第一中间参数和第二参数均可以包括:用于表示传感器相对于机器人的位姿的状态的向量X、以及与向量X对应的协方差矩阵C,其中,第一中间参数中的向量X可以表示为:X=[Xr0、Xs0、Xc0]T,Xr0表示在初始时刻时,机器人在世界坐标系下的位姿,Xs0表示在初始时刻时,传感器相对于机器人的位姿,Xc0表示在初始时刻时,传感器检测到角点特征信息在世界坐标系下的位置,向量X的长度可以用m表示。
第二参数中的向量X可以表示为:X=[Xr、Xs、Xc]T,Xr表示在任一采样时刻机器人在世界坐标系下的位姿,Xs表示在任一采样时刻传感器相对于机器人的位姿,Xc表示从当前时刻到初始时刻对应的全部角点特征信息在世界坐标系下的位置。
协方差矩阵C可以用以下表达式来表示:
其中,第一参数可以理解为向量X中的Xs。
并且,在确定第一中间参数时,可以通过人工测量获取Xr0、Xs0、以及Xc0,从而确定出第一中间参数;当然,在实际情况中,还可以通过其他方式获取Xr0、Xs0、以及Xc0,只要能够确定出第一中间参数即可,具体地获取方法在此并不限定。
因每个采样时刻对应一个第二参数,所以每一个采样时刻,均会确定出一个第二参数,所以N个采样时刻,即可以确定出N个第二参数。
如此,通过上述方法可以确定出第一参数,以便于根据各第一参数确定出机器人中传感器的位姿,从而有利于提高机器人中传感器位姿确定的准确性,为机器人的控制提供更加有价值的参考数据。
具体地,在本发明实施例中,根据第一中间参数、各采样时刻获取到的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第二参数和第一参数,具体包括:
对于任一采样时刻均执行以下步骤:
根据任一采样时刻获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数;其中,第二中间参数包括第一子中间参数、第二子中间参数和第三子中间参数,第一子中间参数用于表示在该采样时刻时机器人的位姿信息,第二子中间参数用于表示在该采样时刻时传感器相对于机器人的位姿信息,第三子中间参数用于表示从初始时刻至该采样时刻获取到的全部点云信息对应的角点特征信息;若该采样时刻为第一个采样时刻,上一个采样时刻对应的第二参数为第一中间参数;
根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系;
根据确定出的关联关系,对该采样时刻对应的第二中间参数进行修正,得到修正后的第二中间参数;
将修正后的第二中间参数确定为第二参数,并将修正后的第二中间参数中的第二子中间参数确定为第一参数。
其中,对于每个采样时刻而言,均需要执行上述过程,也即,在当前采样时刻确定出对应的第二参数和第一参数之后,待到下一个采样时刻,同样需要重复执行上述过程。
例如:以第n-1个和第n个采样时刻为例进行说明。
在到达第n-1个采样时刻时,执行以下过程:
根据第n-1个采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及第n-2个采样时刻至初始时刻获取到的全部所处位置的点云信息对应的角点特征信息,确定第n-1个采样时刻获取到的点云信息对应的角点特征信息与第n-2个采样时刻至初始时刻对应的全部角点特征信息之间的关联关系;
根据确定出的关联关系,对第n-1个采样时刻对应的第二中间参数进行修正,得到修正后的第二中间参数;
将修正后的第二中间参数确定为第二参数,并将修正后的所述第二中间参数中的第二子中间参数确定为第一参数;
在到达第n个采样时刻时,同样执行以下过程:
根据第n个采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及与第n-1个采样时刻至初始时刻获取到的全部所处位置的点云信息对应的角点特征信息,确定第n个采样时刻获取到的点云信息对应的角点特征信息与第n-1个采样时刻至初始时刻对应的全部角点特征信息之间的关联关系;
根据确定出的关联关系,对第n个采样时刻对应的第二中间参数进行修正,得到修正后的第二中间参数;
将修正后的第二中间参数确定为第二参数,并将修正后的所述第二中间参数中的第二子中间参数确定为第一参数。
并且,由于每个采样时刻均会得到对应的第二参数,且第二参数中包括第一子参数Xr、第二子参数Xs、以及第三子参数Xc,所以每个第二参数中均会包括一个第一参数(即第二子参数Xs),也即,可以根据第二参数确定出第一参数。
说明一点,第二中间参数是预测数值,并不是实际的、真实的数值,通过该第二中间参数可以确定出在该采样时刻时传感器与机器人的大致的位姿信息;然后再通过对第二中间参数进行修正后得到第二参数,此时第二参数更接近于实际情况的数值。
因此,通过上述方法,可以准确地确定出第二参数和第一参数,提高第二参数的确定的准确性,减少第二参数的误差,同时还可以提高第二参数的确定效率。
具体地,在本发明实施例中,根据任一采样时刻获取到的运动状态参数和所处位置的点云信息、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数,具体包括:
根据任一采样时刻获取到的运动状态参数,确定运动状态参数的类型;
根据运动状态参数的类型与预设预测模型之间的对应关系,确定运动状态参数的类型对应的预测模型;
根据运动状态参数的类型对应的预测模型、获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第一子中间参数;
将上一个采样时刻对应的第二子参数确定为该采样时刻对应的第二子中间参数;
将上一个采样时刻对应的第三子参数确定为该采样时刻对应的第三子中间参数。
其中,机器人的运动形式可以包括直线运动和旋转运动,并且直线运动和旋转运动相互独立,旋转运动可以理解为机器人在原地旋转,在机器人的运动过程中,无论直线运动还是旋转运动,速度都尽可能的保持平缓,以避免产生较大的加速度的问题,有利于提高机器人中传感器位姿的确定方法的准确性。
具体地,之所以机器人的运动形式包括直线运动和旋转运动,是因为机器人在直线运动的过程中,可以测量出角度的偏差,机器人在旋转运动的过程中,可以测量出距离的偏差;也就是说,通过机器人的直线运行和旋转运动,可以获取到传感器相对于机器人的位姿信息。
说明一点,采样时刻获取到的运动状态参数的数据依据获取的原理、方法等因素而确定的,若原理、方法不同,获取到的机器人的运动状态参数可能不同,因此对应的运动状态参数的类型不同,进而选择的预测模型也就不同。
具体地,运动状态参数、运动状态参数的类型、以及预测模型的关系可以如下:
当运动状态参数为当前时刻机器人的平移速度、旋转速度以及距上一时刻的运动时间时(UK+1=[VK+1,ωK+1,ΔTK+1],其中,UK+1表示运动状态参数,VK+1表示机器人的平移速度,ωK+1表示机器人的旋转速度,ΔTK+1表示距上一时刻的运动时间),此时预测模型采用速度运动模型;
当运动状态参数为相邻采样时刻机器人的相对运动信息时(UK+1=ΔXrK+1,其中,UK+1表示运动状态参数,ΔXrK+1表示相邻的采样时刻,机器人的相对运动信息),此时预测模型采用速度运动模型。
此外,根据获取到的预测模型、运动状态参数、上一个采样时刻对应的第二参数,确定第二中间参数,具体可以采用以下公式实现:
Xpk+1=f(Xk,Uk+1)
其中,Xpk+1表示第k+1个采样时刻预测出的第二中间参数,Uk+1表示第k+1个采样时刻获取到的运动状态参数,Xk表示第k个采样时刻对应的第二参数。
并且,对于向量X对应的协方差矩阵C,具体可以采用以下公式确定:
其中,Q表示运动状态参数的噪声协方差矩阵,Q反映了运动状态参数的准确性。
说明一点,协方差矩阵C是根据向量X得到的,具体的由向量X转换为协方差矩阵C的过程,可以参见现有技术,在此不再详述。
如此,通过上述方法可以确定出第二中间参数,以便于后续对采样时刻对应的第二中间参数进行修正,使得机器人中传感器位姿越来越准确,提高了机器人中传感器位姿的准确性。
具体地,在本发明实施例中,在确定运动状态参数的类型之前,还包括:
在判断出任一采样时刻获取到的运动状态参数不是速度参数时,将获取到的运动状态参数转换为速度参数。
由于获取机器人的运动状态参数和传感器获取环境中的点云信息在时间上难以实现同步,所以可以采用速度运动模型对机器人的位姿进行预测,当获取到传感器的相对位姿变化信息时,先将其解算为速度信息,以供机器人预测使用,降低了对运动测量模块和传感器时间同步的要求,降低了确定机器人中传感器位姿的方法的难度。
具体地,在本发明实施例中,运动状态参数为速度参数时,对应的预测模型为速度运动模型;
或,运动状态参数为相对运动信息时,对应的预测模型为里程计运动模型。
当然,运动状态参数与预测模型之间的对应关系并不限于上述两种情况,还可以是根据实际需要设置的其他对应关系,以满足不同应用场景的需要,提高设计的灵活性。
具体地,在本发明实施例中,根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系,具体包括:
分别确定该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及第一角点特征信息,第一角点特征信息为该采样时刻之前获取到的全部点云信息对应的角点特征信息;
将该采样时刻对应的角点特征信息、以及第一角点特征信息转换至同一坐标系中;
判断该采样时刻对应的角点特征信息与第一角点特征信息之间的马氏距离是否小于第一预设阈值;
若是,则确定该采样时刻对应的角点特征信息与第一角点特征信息之间相互关联;
若否,则确定该采样时刻对应的角点特征信息与第一角点特征信息之间无关联。
其中,传感器对点云信息进行如下处理:
具体地,从获取到的点云信息中确定角点特征信息的方式,可以为:对获取到的点云信息进行拟合,拟合的两条直线的交点即为角点特征,该角点特征对应的距离信息和方向信息即为角点特征信息。
例如,如图2所示,其中,101表示机器人,102表示机器人中的传感器,1表示获取的点云信息,2表示拟合的直线,3表示得到的角点特征。
其中,如果获取到的点云信息分布的较稀疏,可能会导致点云信息出现漏反馈,所以可以对扫描出的点云信息进行升维和降维处理,具体地,升维处理的过程可以为:根据原始的点云信息确定形成角点的直线或面特征,然后,对确定出的直线或面特征进行降维处理,具体过程可以为:根据直线或者面特征计算出相应的角点特征。
说明一点,在提取到角点特征信息后,可以采用以下公式表示:
Z={Z1、Z2、…、Zn}
其中,n表示从获取到的点云信息中提取出的角点特征的数量,Zi表示第i个角点特征的距离信息和方向信息,也即表示角点特征信息,i的取值为1至n中的任一值。
此外,针对将该采样时刻对应的角点特征信息、以及第一角点特征信息转换至同一坐标系中这一步骤,可以根据以下公式实现:
Ai=g(Xpk+1,Zi);
其中,Xpk+1表示在第K+1个采样时刻预测的第二中间参数,Ai表示第i个角点特征的距离信息和方向信息经过坐标转换后得到的角点特征在坐标系(如但不限于世界笛卡尔坐标系)中的坐标信息。并且,对于第一预设阈值的取值,可以根据实际环境中的角点特征信息的疏密情况而设定,所以在此并不做具体限定。
还有,在将该采样时刻对应的角点特征信息与第一角点特征信息转换至同一坐标系中后,可以依据现有技术确定出在该采样时刻对应的角点特征信息与第一角点特征信息之间的马氏距离,然后再判断与第一预设阈值之间的大小关系,从而判断出该采样时刻对应的角点特征信息与第一角点特征信息之间的关联情况。
如此,利用马氏距离作为判断指标,消除了量纲和测量尺度的影响,提高机器人中传感器位姿的确定方法的准确性。
需要说明的是,若判断出该采样时刻对应的角点特征信息与该采样时刻之前确定出的多个角点特征信息之间相关联时,可以根据各角点特征信息之间的马氏距离,确定出该采样时刻对应的角点特征信息与相关联的各角点特征信息之间的关联程度,也即,马氏距离与关联程度正相关。
例如,马氏距离越小,说明两个角点特征信息之间的关联度越高;反之,马氏距离越大,说明两个角点特征信息之间的关联度越低。
因此,通过不同角点特征信息之间的马氏距离,不仅可以找到相关联的角点特征信息,还可以确定相关联的各角点特征信息之间的关联程度,以便于后续对第二中间参数的更新提供参考数据。
具体地,在本发明实施例中,根据确定出的关联关系,对该采样时刻对应的第二中间参数进行修正,得到修正后的第二中间参数,具体包括:
在该采样时刻对应的角点特征信息与第一角点特征信息之间相互关联时,采用预设的卡尔曼滤波算法,根据该采样时刻对应的第二中间参数、以及该采样时刻对应的参考坐标,对该采样时刻对应的第二中间参数进行修正;其中,该采样时刻对应的参考坐标为:在将该采样时刻对应的角点特征信息、以及第一角点特征信息转换至同一坐标系中时,该采样时刻对应的角点特征信息的坐标信息;
或,在该采样时刻对应的角点特征信息与第一角点特征信息之间无关联时,将该采样时刻对应的参考坐标的值添加到该采样时刻对应的第二中间参数中。
其中,针对在该采样时刻对应的角点特征信息与第一角点特征信息之间相互关联的情况,在对第二中间参数进行修正时,可以采用以下公式实现,具体的公式包括:
r=Ai-F (1)
其中,r表示偏差,F表示该采样时刻第二子中间参数中与该采样时刻第i个角点特征关联程度最高的相应角点特征的坐标信息。
其中,P表示偏差r的协方差矩阵,R表示获取到的角点特征的噪声,Cpk+1表示在第k+1个采样时刻预测的协方差矩阵,Xpk+1表示在第k+1个采样时刻预测的第二中间参数。
其中,K表示卡尔曼增益。
Xk+1=Xpk+1+Kr (4)
其中,Xk+1表示在第k+1个采样时刻对应的第二参数(也即第k+1个采样时刻修正后的第二中间参数)。
Ck+1=Cpk+1-KPKT (5)
其中,Ck+1表示在第k+1个采样时刻修正后的协方差矩阵。
根据上述公式(1)至公式(5),可以对第二中间参数进行修正,以得到修正后的第二参数。
需要说明的是,对第二中间参数进行修正时,当该采样时刻获取到的点云信息对应的角点特征信息与该采样时刻之前获取到的全部的点云信息对应的角点特征信息不关联时,Xk+1中的Xs、Xr是不变的,也就是说,只对第二中间参数中的第三子中间参数进行修正,而对第一子中间参数和第二子中间参数并不会进行修正。
当该采样时刻获取到的点云信息对应的角点特征信息与该采样时刻之前获取到的全部的点云信息对应的角点特征信息相关联时,Xk+1中的Xs、Xr、Xc均是改变的,也就是说,对第二中间参数中的三个子中间参数均进行修正。
如此,通过对采样时刻对应的第二参数进行修正,使得机器人中传感器的位姿更加准确,有利于实现机器人中传感器的位姿的确定方法,更具有实用性。
在具体实施时,在本发明实施例中,评估规则为:
在确定出M个具有关联关系的角点特征信息对应的第二参数时,确定出的M个第二参数中的第一参数的多个分量的标准差均小于第二预设阈值;
其中,M为大于1的正整数。
说明一点,若在多个分量的标准差均小于第二预设阈值时,那么可以认为是满足预设的评估规则,若在多个分量的标准差不同时小于第二预设阈值时,那么可以认为是不满足预设的评估规则,此时继续执行采样,直到满足预设的评估规则。
其中,多个分量可以为但不限于三个分量,且三个分量可以理解为:其中两个分量可以为处于同一平面内相互垂直的两个方向(如X方向和Y方向)的偏移(也即传感器在该平面内的位置)的分量,另一个分量可以为沿着垂直于该平面的方向(如Z方向)的旋转角度的分量。
例如,M个第一参数(用XS表示)在三个分量(如X、Y和Z)的标准差可以分别表示为:
/>
其中,xs、ys、zs分别表示三个分量的平均值,Sxs、Sys、Szs分别表示三个分量的标准差。
当三个分量的标准差均同时小于第二预设阈值时,表示满足预设的评估规则。
当三个分量的标准差未同时小于第二预设阈值时,表示不满足预设的评估规则。
当然,在实际情况中,三个分量的选择并不限于上述方式,还可以是根据实际需要选择的其他角度,以满足不同应用场景的需要,提高设计的灵活性。
需要说明的是,在本发明实施例中,在每到采样时刻时,均会确定出对应的第一参数,但在确定第一参数时,需要考虑到当前采样时刻的全部角点特征信息与当前采样时刻之前对应的全部角点特征信息之间的关联情况,若不关联时,只是对第三子中间参数进行修正,第一子中间参数和第二子中间参数无需进行修正。因此,当前采样时刻对应的第一子参数和第二子参数分别与上一个采样时刻对应的第一子参数和第二子参数均是相同的,并没有变化,所以可以认为当前采样时刻对应的第一子参数和第二子参数并没有调整传感器相对于机器人的位姿,也即当前采样时刻对应的第一子参数和第二子参数是无效的,在判断是否满足评估规则时,可以将当前采样时刻对应的第二子参数(也即当前采样时刻对应的第一参数)舍弃,以减少评估过程中的误差,提高位姿确定的准确性和确定效率。
并且,判断是否满足评估规则时,选择的第一参数的数量是固定的,例如将M的取值设置为50,那么:
到达第一个采样时刻时,如果第一个采样时刻对应的角点特征信息与初始时刻对应的角点特征信息相关联,那么记录第一个采样时刻对应的第一参数,并利用预设的计数器+1(可以预设计数器的初始值为0),此时计数器的数值为1;
到达第二个采样时刻时,如果第二个采样时刻对应的角点特征信息与初始时刻和第一个采样时刻对应的全部角点特征信息不关联,那么计数器的数值依然保持为1,且不记录第二个采样时刻对应的第一参数;
到达第三个采样时刻时,如果第三个采样时刻对应的角点特征信息与第三个采样时刻之前对应的全部角点特征信息关联,那么记录第三个采样时刻对应的第一参数,并利用预设的计数器+1,此时计数器的数值为2;
同理,对于之后的采样时刻,均重复上述过程,直至计数器的数值为50为止;然后根据50个采样时刻对应的第一参数的三个分量的标准差,判断是否满足评估规则。
当然,M的取值并不限于50,此处只是以50为例进行说明,M的取值可以根据实际情况进行设置,在此并不限定。
还需要指出的是,若判断出M个第一参数在三个分量的标准差均不小于第二预设阈值时,需要确定出第M+1个第一参数,然后判断第2个至第M+1个第一参数在三个分量的标准差是否均不小于第二预设阈值,若判断结果认为否时,则继续需要确定出第M+2个第一参数,然后判断第3个至第M+2个第一参数在三个分量的标准差是否均不小于第二预设阈值。
也就是说,在判断是否满足评估规则时,总是选择固定数量的第一参数。
如此,通过上述方法即可确定出是否满足预设的评估规则,使得确定结果更加准确,更加接近于真实情况,从而提高了机器人中传感器位姿确定的准确性。
具体地,在本发明实施例中,根据各第一参数确定传感器在机器人中的位姿,具体包括:
根据确定出的M个第二参数中的第一参数的多个分量的平均值,确定传感器在机器人中的位姿。
如此,使得最后确定出的结果更加接近于真实值,以避免在采用单一的第一参数确定传感器位姿时与真实情况偏差较大的问题出现,从而提高了确定结果的真实性、准确性和有效性。
在具体实施时,在本发明实施例中,在判断出各第一参数不满足预设的评估规则时,还包括:
根据第N个采样时刻对应的第二参数、以及第N+1个采样时刻获取到的运动状态参数和所处位置的点云信息,确定第N+1个采样时刻对应的第一参数、以及第N+1个采样时刻对应的第二参数;
根据从N+1个采样时刻对应的第一参数中,选择出的M个具有关联关系的角点特征信息对应的第一参数,判断是否满足所述评估规则;
若是,根据选择出的所述M个具有关联关系的角点特征信息对应的第一参数,确定所述传感器在所述机器人中的位姿;
若否,继续根据第N+1个采样时刻对应的第二参数、以及第N+2个采样时刻获取到的运动状态参数和所处位置的点云信息,确定第N+2个采样时刻对应的第一参数、以及第N+2个采样时刻对应的第二参数,直至满足所述评估规则;
其中,N大于M。
说明一点,在从N+1个采样时刻对应的第一参数中,选择出M个具有关联关系的角点特征信息对应的第一参数时,若N+1个采样时刻对应的第一参数中,具有关联关系的角点特征信息对应的第一参数的个数大于M时,可以选择采样时刻靠后(或者理解为距离初始时刻较远的采样时刻)的M个采样时刻对应的第一参数,以便于提高位姿确定的准确性。
如此,通过机器人不断运动并不断检测,以使第一参数越来越接近真实值,也就是说,越来越准确,提高机器人中传感器位姿的准确性。
下面就结合具体实施例,对本发明实施例提供的上述一种机器人中传感器位姿的确定方法进行详细说明。
实施例一:以判断出M个第一参数在三个分量的标准差均小于第二预设阈值为例进行说明,结合图3所示。
S301、机器人按照预设的运动轨迹进行运动,在到达采样时刻时,获取对应的运动状态参数和对应的点云信息;
S302、根据获取到的当前采样时刻的运动状态参数,确定运动状态参数的类型;
S303、根据确定出的运动状态参数的类型,确定对应的预测模型;
S304、根据确定出的预测模型和上一个采样时刻对应的参数,确定当前采样时刻对应的第二中间参数;
其中,当前采样时刻为第一个采样时刻时,上一个采样时刻为预设的初始时刻,上一个采样时刻对应的参数为初始时刻对应的第一中间参数,第一中间参数包括向量和协方差矩阵。
S305、判断当前采样时刻获取到的点云信息对应的角点特征信息与当前采样时刻之前对应的全部角点特征信息之间是否关联;若是,执行步骤S306;若否,执行步骤S307;
S306、采用预设的卡尔曼滤波算法,对当前采样时刻对应的第二中间参数进行修正,得到当前采样时刻对应的第二参数,以及当前采样时刻对应的第一参数;执行步骤S308;
S307、根据当前采样时刻对应的参考坐标的值,对当前采样时刻对应的第二中间参数进行修正,得到当前采样时刻对应的第二参数,以及当前采样时刻对应的第一参数;执行步骤S308;
S308、判断计数器的数值是否为M;若是,执行步骤S309;若否,回到步骤S301;
S309、根据M个第一参数在三个分量的平均值,确定传感器在机器人中的位姿。
基于同一发明构思,本发明实施例提供了一种机器人中传感器位姿的确定装置,该装置的实现原理与前述一种机器人中传感器位姿的确定方法的实现原理类似,具体可参见上述一种机器人中传感器位姿的确定的实施方式,重复之处不再赘述。
具体地,本发明实施例提供的一种机器人中传感器位姿的确定装置,如图4所示,可以包括:
第一单元401,用于根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第一参数,第一参数用于表示在任一采样时刻时,传感器相对于机器人的位姿信息,N为大于1的整数;
第二单元402,用于在确定满足预设的评估规则时,根据各第一参数确定传感器在机器人中的位姿。
可选地,在本发明实施例中,第一单元401具体用于:
确定用于表示在预设的初始时刻时传感器与机器人的位姿信息的第一中间参数;
根据第一中间参数、各采样时刻获取到的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第二参数和第一参数;
其中,第二参数包括第一子参数、第二子参数和第三子参数,第一子参数用于表示在任一采样时刻时机器人的位姿信息,第二子参数用于表示在任一采样时刻时传感器相对于机器人的位姿信息,第三子参数用于表示从初始时刻至当前采样时刻获取到的全部点云信息对应的角点特征信息;任一采样时刻对应的第二子参数为该采样时刻对应的第一参数。
可选地,在本发明实施例中,第一单元401具体用于:
对于任一采样时刻均执行以下步骤:
根据任一采样时刻获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数;其中,第二中间参数包括第一子中间参数、第二子中间参数和第三子中间参数,第一子中间参数用于表示在该采样时刻时机器人的位姿信息,第二子中间参数用于表示在该采样时刻时传感器相对于机器人的位姿信息,第三子中间参数用于表示从初始时刻至该采样时刻获取到的全部点云信息对应的角点特征信息;若该采样时刻为第一个采样时刻,上一个采样时刻对应的第二参数为第一中间参数;
根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系;
根据确定出的关联关系,对该采样时刻对应的第二中间参数进行修正,得到修正后的第二中间参数;
将修正后的第二中间参数确定为第二参数,并将修正后的第二中间参数中的第二子中间参数确定为第一参数。
基于同一发明构思,本发明实施例提供了一种机器人,该机器人的实现原理可参见上述一种机器人中传感器位姿的确定的实施方式,重复之处不再赘述。
具体地,本发明实施例提供的一种机器人,可以包括:确定装置501、以及传感器502,如图5所示;
其中,所述传感器502用于:在到达预设的采样时刻时采集所处位置的点云信息并传输至所述确定装置501,以使所述确定装置501根据各所述采样时刻的所处位置的点云信息、以及各所述采样时刻的运动状态参数,确定所述传感器502在所述机器人中的位姿。
本发明实施例提供的一种机器人中传感器位姿的确定方法及装置,根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各采样时刻对应的第一参数,第一参数用于表示在任一采样时刻时,传感器相对于机器人的位姿信息,在确定满足预设的评估规则时,根据各第一参数确定传感器在机器人中的位姿。如此,无需增加或借助其他额外的传感器即可确定出传感器在机器人中的位姿,节约了确定方法的成本,并且,在确定传感器在机器人中的位姿的过程中,可以实现自动化确定,减少人为因素的干扰,提高了位姿确定的准确性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种机器人中传感器位姿的确定方法,其特征在于,包括:
根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第一参数,所述第一参数用于表示在任一所述采样时刻时,所述传感器相对于所述机器人的位姿信息,N为大于1的整数;
在确定满足预设的评估规则时,根据各所述第一参数确定所述传感器在所述机器人中的位姿;所述评估规则为:在确定出M个具有关联关系的角点特征信息对应的第二参数时,确定出的M个第二参数中的第一参数的多个分量的标准差均小于第二预设阈值;M为大于1的正整数;
其中,通过执行以下步骤得到任一所述采样时刻对应的第一参数:
根据任一所述采样时刻获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数;其中,所述第二中间参数包括第一子中间参数、第二子中间参数和第三子中间参数,所述第一子中间参数用于表示在该采样时刻时所述机器人的位姿信息,所述第二子中间参数用于表示在该采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子中间参数用于表示从预设的初始时刻至该采样时刻获取到的全部点云信息对应的角点特征信息;若该采样时刻为第一个采样时刻,上一个所述采样时刻对应的第二参数为所述初始时刻对应的第一中间参数;
根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及所述第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系;
根据确定出的所述关联关系,对该采样时刻对应的所述第二中间参数进行修正,并将修正后的第二中间参数中的第二子中间参数确定为该采样时刻对应的第一参数;除所述初始时刻之外的任一所述采样时刻对应的第二参数为该采样时刻对应的修改后的第二中间参数。
2.如权利要求1所述的方法,其特征在于,根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第一参数,具体包括:
确定用于表示在所述初始时刻时所述传感器与所述机器人的位姿信息的第一中间参数;
根据所述第一中间参数、各所述采样时刻获取到的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第二参数和所述第一参数;
其中,所述第二参数包括第一子参数、第二子参数和第三子参数,所述第一子参数用于表示在任一所述采样时刻时所述机器人的位姿信息,所述第二子参数用于表示在任一所述采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子参数用于表示从所述初始时刻至当前采样时刻获取到的全部点云信息对应的角点特征信息;任一采样时刻对应的所述第二子参数为该采样时刻对应的所述第一参数。
3.如权利要求1所述的方法,其特征在于,根据任一所述采样时刻获取到的运动状态参数和所处位置的点云信息、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数,具体包括:
根据任一所述采样时刻获取到的运动状态参数,确定所述运动状态参数的类型;
根据运动状态参数的类型与预设预测模型之间的对应关系,确定所述运动状态参数的类型对应的预测模型;
根据所述运动状态参数的类型对应的预测模型、获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第一子中间参数;
将所述上一个采样时刻对应的第二子参数确定为该采样时刻对应的第二子中间参数;
将所述上一个采样时刻对应的第三子参数确定为该采样时刻对应的第三子中间参数。
4.如权利要求3所述的方法,其特征在于,在确定所述运动状态参数的类型之前,还包括:
在判断出任一所述采样时刻获取到的运动状态参数不是速度参数时,将获取到的运动状态参数转换为速度参数。
5.如权利要求4所述的方法,其特征在于,所述运动状态参数为速度参数时,对应的预测模型为速度运动模型;
或,所述运动状态参数为相对运动信息时,对应的预测模型为里程计运动模型。
6.如权利要求1所述的方法,其特征在于,根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及所述第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系,具体包括:
分别确定该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及第一角点特征信息,所述第一角点特征信息为该采样时刻之前获取到的全部点云信息对应的角点特征信息;
将该采样时刻对应的角点特征信息、以及所述第一角点特征信息转换至同一坐标系中;
判断该采样时刻对应的角点特征信息与所述第一角点特征信息之间的马氏距离是否小于第一预设阈值;
若是,则确定该采样时刻对应的角点特征信息与所述第一角点特征信息之间相互关联;
若否,则确定该采样时刻对应的角点特征信息与所述第一角点特征信息之间无关联。
7.如权利要求6所述的方法,其特征在于,根据确定出的所述关联关系,对该采样时刻对应的所述第二中间参数进行修正,得到修正后的第二中间参数,具体包括:
在该采样时刻对应的角点特征信息与所述第一角点特征信息之间相互关联时,采用预设的卡尔曼滤波算法,根据该采样时刻对应的第二中间参数、以及该采样时刻对应的参考坐标,对该采样时刻对应的所述第二中间参数进行修正;其中,该采样时刻对应的参考坐标为:在将该采样时刻对应的角点特征信息、以及所述第一角点特征信息转换至同一坐标系中时,该采样时刻对应的角点特征信息的坐标信息;
或,在该采样时刻对应的角点特征信息与所述第一角点特征信息之间无关联时,将该采样时刻对应的参考坐标的值添加到该采样时刻对应的第二中间参数中。
8.如权利要求1-7任一所述的方法,其特征在于,根据各所述第一参数确定所述传感器在所述机器人中的位姿,具体包括:
根据确定出的M个第二参数中的第一参数的多个分量的平均值,确定所述传感器在所述机器人中的位姿。
9.如权利要求1-7任一所述的方法,其特征在于,在判断出各所述第一参数不满足预设的评估规则时,还包括:
根据第N个采样时刻对应的第二参数、以及第N+1个采样时刻获取到的运动状态参数和所处位置的点云信息,确定第N+1个采样时刻对应的第一参数、以及第N+1个采样时刻对应的第二参数;
根据从N+1个采样时刻对应的第一参数中,选择出的M个具有关联关系的角点特征信息对应的第一参数,判断是否满足所述评估规则;
若是,根据选择出的所述M个具有关联关系的角点特征信息对应的第一参数,确定所述传感器在所述机器人中的位姿;
若否,继续根据第N+1个采样时刻对应的第二参数、以及第N+2个采样时刻获取到的运动状态参数和所处位置的点云信息,确定第N+2个采样时刻对应的第一参数、以及第N+2个采样时刻对应的第二参数,直至满足所述评估规则;
其中,N大于M。
10.一种机器人中传感器位姿的确定装置,其特征在于,包括:
第一单元,用于根据获取到的N个采样时刻的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第一参数,所述第一参数用于表示在任一所述采样时刻时,所述传感器相对于所述机器人的位姿信息,N为大于1的整数;
第二单元,用于在确定满足预设的评估规则时,根据各所述第一参数确定所述传感器在所述机器人中的位姿;所述评估规则为:在确定出M个具有关联关系的角点特征信息对应的第二参数时,确定出的M个第二参数中的第一参数的多个分量的标准差均小于第二预设阈值;M为大于1的正整数;
其中,所述第一单元用于通过执行以下步骤得到任一所述采样时刻对应的第一参数:
根据任一所述采样时刻获取到的运动状态参数、以及上一个采样时刻对应的第二参数,确定该采样时刻对应的第二中间参数;其中,所述第二中间参数包括第一子中间参数、第二子中间参数和第三子中间参数,所述第一子中间参数用于表示在该采样时刻时所述机器人的位姿信息,所述第二子中间参数用于表示在该采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子中间参数用于表示从预设的初始时刻至该采样时刻获取到的全部点云信息对应的角点特征信息;若该采样时刻为第一个采样时刻,上一个所述采样时刻对应的第二参数为所述初始时刻对应的第一中间参数;
根据该采样时刻获取到的所处位置的点云信息对应的角点特征信息、以及所述第三子中间参数,确定该采样时刻的角点特征信息与在该采样时刻之前获取到的全部点云信息对应的角点特征信息之间的关联关系;
根据确定出的所述关联关系,对该采样时刻对应的所述第二中间参数进行修正,并将修正后的第二中间参数中的第二子中间参数确定为该采样时刻对应的第一参数;除所述初始时刻之外的任一所述采样时刻对应的第二参数为该采样时刻对应的修改后的第二中间参数。
11.如权利要求10所述的装置,其特征在于,所述第一单元具体用于:
确定用于表示在预设的初始时刻时所述传感器与所述机器人的位姿信息的第一中间参数;
根据所述第一中间参数、各所述采样时刻获取到的运动状态参数和所处位置的点云信息,确定各所述采样时刻对应的第二参数和所述第一参数;
其中,所述第二参数包括第一子参数、第二子参数和第三子参数,所述第一子参数用于表示在任一所述采样时刻时所述机器人的位姿信息,所述第二子参数用于表示在任一所述采样时刻时所述传感器相对于所述机器人的位姿信息,所述第三子参数用于表示从所述初始时刻至当前采样时刻获取到的全部点云信息对应的角点特征信息;任一采样时刻对应的所述第二子参数为该采样时刻对应的所述第一参数。
12.一种机器人,其特征在于,包括:如权利要求10-11任一项所述的确定装置、以及传感器;
其中,所述传感器用于:在到达预设的采样时刻时采集所处位置的点云信息并传输至所述确定装置,以使所述确定装置根据各所述采样时刻的所处位置的点云信息、以及各所述采样时刻的运动状态参数,确定所述传感器在所述机器人中的位姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330883.1A CN111222225B (zh) | 2019-12-20 | 2019-12-20 | 一种机器人中传感器位姿的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330883.1A CN111222225B (zh) | 2019-12-20 | 2019-12-20 | 一种机器人中传感器位姿的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222225A CN111222225A (zh) | 2020-06-02 |
CN111222225B true CN111222225B (zh) | 2023-08-29 |
Family
ID=70829572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911330883.1A Active CN111222225B (zh) | 2019-12-20 | 2019-12-20 | 一种机器人中传感器位姿的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222225B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112305558B (zh) * | 2020-10-22 | 2023-08-01 | 中国人民解放军战略支援部队信息工程大学 | 一种利用激光点云数据的移动机器人轨迹确定方法及装置 |
CN113670332A (zh) * | 2021-07-23 | 2021-11-19 | 石家庄辰宙智能装备有限公司 | 用于获得agv车载定位传感器安装位姿的标定方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108818538A (zh) * | 2018-07-17 | 2018-11-16 | 杭州崧智智能科技有限公司 | 一种实时标定机器人传感器姿态的方法、装置及终端设备 |
CN109100731A (zh) * | 2018-07-17 | 2018-12-28 | 重庆大学 | 一种基于激光雷达扫描匹配算法的移动机器人定位方法 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN109807933A (zh) * | 2019-01-29 | 2019-05-28 | 江苏通佑视觉科技有限公司 | 一种能力图点云更新方法、装置、设备及存储介质 |
CN109916431A (zh) * | 2019-04-12 | 2019-06-21 | 成都天富若博特科技有限责任公司 | 一种针对四轮移动机器人的车轮编码器标定算法 |
CN110116407A (zh) * | 2019-04-26 | 2019-08-13 | 哈尔滨工业大学(深圳) | 柔性机器人位姿测量方法及装置 |
CN110285806A (zh) * | 2019-07-05 | 2019-09-27 | 电子科技大学 | 基于多次位姿校正的移动机器人快速精确定位算法 |
CN110561424A (zh) * | 2019-07-28 | 2019-12-13 | 华南理工大学 | 基于多传感器混合滤波器的在线机器人运动学校准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10866102B2 (en) * | 2016-12-23 | 2020-12-15 | X Development Llc | Localization of robotic vehicles |
-
2019
- 2019-12-20 CN CN201911330883.1A patent/CN111222225B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108818538A (zh) * | 2018-07-17 | 2018-11-16 | 杭州崧智智能科技有限公司 | 一种实时标定机器人传感器姿态的方法、装置及终端设备 |
CN109100731A (zh) * | 2018-07-17 | 2018-12-28 | 重庆大学 | 一种基于激光雷达扫描匹配算法的移动机器人定位方法 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN109807933A (zh) * | 2019-01-29 | 2019-05-28 | 江苏通佑视觉科技有限公司 | 一种能力图点云更新方法、装置、设备及存储介质 |
CN109916431A (zh) * | 2019-04-12 | 2019-06-21 | 成都天富若博特科技有限责任公司 | 一种针对四轮移动机器人的车轮编码器标定算法 |
CN110116407A (zh) * | 2019-04-26 | 2019-08-13 | 哈尔滨工业大学(深圳) | 柔性机器人位姿测量方法及装置 |
CN110285806A (zh) * | 2019-07-05 | 2019-09-27 | 电子科技大学 | 基于多次位姿校正的移动机器人快速精确定位算法 |
CN110561424A (zh) * | 2019-07-28 | 2019-12-13 | 华南理工大学 | 基于多传感器混合滤波器的在线机器人运动学校准方法 |
Non-Patent Citations (1)
Title |
---|
赵绍安.基于三维激光点云的移动机器人同步定位与构图算法研究.中国优秀硕士学位论文全文数据库 信息科技辑.2018,(第8期),I135-49. * |
Also Published As
Publication number | Publication date |
---|---|
CN111222225A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9221170B2 (en) | Method and apparatus for controlling a robotic device via wearable sensors | |
US6278906B1 (en) | Uncalibrated dynamic mechanical system controller | |
WO2012153629A1 (ja) | 運動予測制御装置と方法 | |
CN111222225B (zh) | 一种机器人中传感器位姿的确定方法及装置 | |
Choi et al. | Enhanced SLAM for a mobile robot using extended Kalman filter and neural networks | |
CN107941212B (zh) | 一种视觉与惯性联合定位方法 | |
CN110988894A (zh) | 一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法 | |
CN111307174A (zh) | 一种传感器的标定方法、运动物体及存储介质 | |
CN111735443B (zh) | 一种基于赋值矩阵的密集目标航迹关联方法 | |
EP3784452A1 (en) | Non-contact method and system for controlling an industrial automation machine | |
CN111693051A (zh) | 一种基于光电传感器的多目标数据关联方法 | |
CN114067210A (zh) | 一种基于单目视觉导引的移动机器人智能抓取方法 | |
CN107423515B (zh) | 机械臂摩擦辨识方法、装置、设备及存储介质 | |
CN111998870B (zh) | 一种相机惯导系统的标定方法和装置 | |
CN112666519A (zh) | 一种基于广义二阶时延差的水下目标高精度定位方法 | |
JP5733516B2 (ja) | 移動体把持装置と方法 | |
CN115540854A (zh) | 一种基于uwb辅助的主动定位方法、设备和介质 | |
CN113566828A (zh) | 一种基于多传感器决策融合的抗冲击扫描匹配方法及系统 | |
CN108762528B (zh) | 适用于空中飞鼠的姿态解算方法 | |
CN111342918B (zh) | 一种采样时延确定设备、采样时延确定方法及装置 | |
JP5516974B2 (ja) | 視覚センサのマウント装置と方法 | |
CN110749327A (zh) | 一种合作环境下的车辆导航方法 | |
JP2020160594A (ja) | 自己位置推定方法 | |
CN114654472B (zh) | 一种纸箱机械手调节系统 | |
CN116299374B (zh) | 基于机器视觉的声呐成像水下自动校准定位方法和系统 |
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 |