CN111474560B - 一种障碍物定位方法、装置及设备 - Google Patents
一种障碍物定位方法、装置及设备 Download PDFInfo
- Publication number
- CN111474560B CN111474560B CN202010297575.XA CN202010297575A CN111474560B CN 111474560 B CN111474560 B CN 111474560B CN 202010297575 A CN202010297575 A CN 202010297575A CN 111474560 B CN111474560 B CN 111474560B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- laser data
- data points
- feature matrix
- mobile robot
- 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 69
- 239000011159 matrix material Substances 0.000 claims abstract description 102
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000007620 mathematical function Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 72
- 230000008569 process Effects 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种障碍物定位方法,首先能够根据获取到的移动机器人周围物体的原始激光数据点确定出每个障碍物对应的激光数据点,然后利用预设形状的特征矩阵对障碍物对应的激光数据点进行表征,提高了障碍物大小计算的准确性,考虑到检测出的障碍物位置难免存在误差,本申请还能够确定出每个特征矩阵对应的误差信息,最终根据特征矩阵及其对应的误差信息便可计算出每个障碍物的位置信息,消除了测量误差,提高了障碍物的定位精度,有利于机器人技术的进一步发展。本发明还公开了一种障碍物定位装置以及设备,具有如上障碍物定位方法相同的有益效果。
Description
技术领域
本发明涉及移动机器人领域,特别是涉及一种障碍物定位方法,本发明还涉及一种障碍物定位装置及设备。
背景技术
目前移动机器人已经用于社会发展的各个领域,如工厂、医院、家庭、展览馆等,移动机器人智能化的一个条件就是具备自主导航的能力,其中,移动机器人的周围存在诸多障碍物,能够准确地对周围的障碍物进行定位是实现自主导航功能的基础,然而现有技术中没有一种成熟的障碍物定位方法,定位出的障碍物位置往往比较粗略,而且限制了机器人技术的进一步发展。
因此,如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种障碍物定位方法,提高了障碍物的定位精度,消除了安全隐患,有利于机器人技术的进一步发展;本发明的另一目的是提供一种障碍物定位装置及设备,提高了障碍物的定位精度,消除了安全隐患,有利于机器人技术的进一步发展。
为解决上述技术问题,本发明提供了一种障碍物定位方法,包括:
获取移动机器人周围物体的原始激光数据点;
确定出所述原始激光数据点中每个障碍物对应的激光数据点;
将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵;
确定出每个所述特征矩阵对应的误差信息;
根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息。
优选地,所述获取移动机器人周围物体的原始激光数据点具体为:
获取多个移动机器人周围物体的原始激光数据点;
则所述根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息具体为:
根据每个障碍物所有的所述特征矩阵以及与所述特征矩阵相对应的所述误差信息计算出每个所述障碍物的位置信息。
优选地,将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵具体为:
将每个所述障碍物对应的所述激光数据点转换为椭圆特征矩阵:
其中,[xn yn]为所述障碍物的激光数据点在全局地图中的坐标,n为激光数据点对应障碍物的序号,ei为所述障碍物的激光数据点的结束序号,si为所述障碍物激光数据点的起始序号,Mn为所述障碍物对应的所述激光数据点,n=1,2...N,为Mn的中心坐标,/>为Mn的方差,/>为Mn的协方差,mn为Mn的激光点的数目。
优选地,所述确定出每个所述特征矩阵对应的误差信息具体为:
根据所述移动机器人的定位误差以及用于获取所述原始激光数据点的激光传感器的检测误差,确定出每个所述特征矩阵对应的位姿误差协方差:
x=f(μ,ν,ω);
其中,μ=pr,ν=qr,ω=θr,PR=[pr qr θr]T为所述移动机器人当前的全局位姿,为位姿误差协方差,具体为:/>
优选地,所述根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息具体为:
根据所述特征矩阵及其对应的所述误差信息,采用联合概率数据互联JPDA滤波法计算出每个所述障碍物的位置信息。
优选地,所述根据所述特征矩阵及其对应的所述误差信息,采用联合概率数据互联JPDA滤波法计算出每个所述障碍物的位置信息具体为:
其中,为所述障碍物的位置信息,Hi(k)为已知的状态转移矩阵,k表示某个所述障碍物被有效观测的所述移动机器人的序号,/>为权重系数,/>为权重矩阵。
优选地,所述确定出所述原始激光数据点中每个障碍物对应的激光数据点具体为:
采用欧式距离法分割出所述原始激光数据点中每个障碍物对应的激光数据点。
优选地,获取移动机器人周围物体的原始激光数据点之后,所述确定出所述原始激光数据点中每个障碍物对应的激光数据点之前,该障碍物定位方法还包括:
根据所述移动机器人当前的最佳位姿估计以及所述移动机器人所在场景的全局栅格地图,滤除所述原始激光数据点中的静态场景信息;
则所述确定出所述原始激光数据点中每个障碍物对应的激光数据点具体为:
根据滤除掉所述静态场景信息后的所述原始激光数据点,确定出所述原始激光数据点中每个障碍物对应的激光数据点。
为解决上述技术问题,本发明还提供了一种障碍物定位装置,包括:
获取模块,用于获取移动机器人周围物体的原始激光数据点;
第一确定模块,用于确定出所述原始激光数据点中每个障碍物对应的激光数据点;
转换模块,用于将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵;
第二确定模块,用于确定出每个所述特征矩阵对应的误差信息;
计算模块,用于根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息。
为解决上述技术问题,本发明还提供了一种障碍物定位设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任意一项所述的障碍物定位方法的步骤。
本发明提供了一种障碍物定位方法,首先能够根据获取到的移动机器人周围物体的原始激光数据点确定出每个障碍物对应的激光数据点,然后利用预设形状的特征矩阵对障碍物对应的激光数据点进行表征,提高了障碍物大小计算的准确性,考虑到检测出的障碍物位置难免存在误差,本申请还能够确定出每个特征矩阵对应的误差信息,最终根据特征矩阵及其对应的误差信息便可计算出每个障碍物的位置信息,消除了测量误差,提高了障碍物的定位精度,有利于机器人技术的进一步发展。
本发明还提供了一种障碍物定位装置以及设备,具有如上障碍物定位方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例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1为本发明提供的一种障碍物定位方法的流程示意图;
图2为本发明提供的一种障碍物定位装置的结构示意图;
图3为本发明提供的一种障碍物定位设备的结构示意图。
具体实施方式
本发明的核心是提供一种障碍物定位方法,提高了障碍物的定位精度,消除了安全隐患,有利于机器人技术的进一步发展;本发明的另一核心是提供一种障碍物定位装置及设备,提高了障碍物的定位精度,消除了安全隐患,有利于机器人技术的进一步发展。
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请参考图1,图1为本发明提供的一种障碍物定位方法的流程示意图,包括:
步骤S1:获取移动机器人周围物体的原始激光数据点;
具体的,为了对移动机器人周围物体的障碍物进行定位,已知全局地图信息和移动机器人在此环境中的位姿信息,因此首先可以获取移动机器人周围物体的原始激光数据点,以便作为后续步骤的数据基础进行障碍物定位。
其中,具体可以通过激光传感器等传感器获取原始激光数据点,本发明实施例在此不做限定。
步骤S2:确定出原始激光数据点中每个障碍物对应的激光数据点;
具体的,原始激光数据点为一堆没有任何附加特征的激光点,为了对其中的障碍物进行定位,本步骤中首先可以确定出原始激光数据点中每个障碍物对应的激光数据点,也即把每个障碍物对应的激光数据点独立地划分出来,以便在后续步骤中得到每个障碍物的精确位置。
步骤S3:将每个障碍物对应的激光数据点转换为预设形状的特征矩阵;
具体的,移动机器人工作场景中的动态障碍物,主要包括行走中的人、小推车、清洁车以及其他移动机器人,考虑到激光传感器所获取的只是各个障碍物整体面向移动机器人的外轮廓曲线的一部分(并不完整),为了更好地表征这些离散的轮廓采样点,本发明实施例中可以将每个障碍物对应的激光数据点转换为预设形状的特征矩阵,可以理解为大致将障碍物的形状补全为预设形状,以便更精确的对每个障碍物的大小进行表征。
其中,预设形状可以为多种,例如椭圆形或者多边形等,本发明实施例在此不做限定。
步骤S4:确定出每个特征矩阵对应的误差信息;
具体的,考虑到激光传感器在检测激光点的时候本身必然存在检测误差,而且想要对障碍物实现精准定位,还需要结合激光传感器所在的移动机器人自身的定位坐标,但是定位坐标本身也存在一定的误差,因此由于存在定位误差以及检测误差这两方面的误差,本申请中需要首先确定出每个特征矩阵对应的误差信息,以便作为后续步骤的数据基础,实现更加精准的障碍物定位。
步骤S5:根据特征矩阵及其对应的误差信息计算出每个障碍物的位置信息。
具体的,结合前述步骤中得到的每个障碍物的特征矩阵及其误差信息,本发明实施例中可以计算出每个障碍物的位置信息,由于结合了误差信息,因此本发明实施例中得到的位置信息更加精确。
其中,位置信息具体可以为每个障碍物轮廓的位置点集,既可以表征障碍物的位置也可以表征障碍物的形状以及大小,在得到障碍物的位置信息后,便可以将所有障碍物的位置信息更新到移动机器人所在场景的全局地图中去,便于机器人进行路线规划。
其中,通常情况下要根据特征矩阵、特征矩阵对应的误差信息以及移动机器人在当前环境中的位姿信息,确定出移动机器人在全局地图中的位置信息。
本发明提供了一种障碍物定位方法,首先能够根据获取到的移动机器人周围物体的原始激光数据点确定出每个障碍物对应的激光数据点,然后利用预设形状的特征矩阵对障碍物对应的激光数据点进行表征,提高了障碍物大小计算的准确性,考虑到检测出的障碍物位置难免存在误差,本申请还能够确定出每个特征矩阵对应的误差信息,最终根据特征矩阵及其对应的误差信息便可计算出每个障碍物的位置信息,消除了测量误差,提高了障碍物的定位精度,有利于机器人技术的进一步发展。
在上述实施例的基础上:
作为一种优选的实施例,获取移动机器人周围物体的原始激光数据点具体为:
获取多个移动机器人周围物体的原始激光数据点;
则根据特征矩阵及其对应的误差信息计算出每个障碍物的位置信息具体为:
根据每个障碍物所有的特征矩阵以及与特征矩阵相对应的误差信息计算出每个障碍物的位置信息。
具体的,在某些场景下可能存在多个移动机器人,而且每个机器人均可以采集其朝向内的物体的原始激光数据点,不同的移动机器人可能采集到同一障碍物的激光数据点,同样的转换得到的预设形状的特征矩阵也有可能表征同一个障碍物,这样一来,对于同一障碍物来说,其特征矩阵的数目可能为多个,而且每个特征矩阵还有对应的误差信息,本发明实施例在这种情况下,可以根据每个障碍物所有的特征矩阵以及与特征矩阵相对应的误差信息拟合计算出每个障碍物的位置信息,由于对于同一障碍物很可能拟合了多个特征矩阵及其对应的误差信息,因此本发明实施例中可以进一步提高障碍物定位的精确度。
作为一种优选的实施例,将每个障碍物对应的激光数据点转换为预设形状的特征矩阵具体为:
将每个障碍物对应的激光数据点转换为椭圆特征矩阵:
其中,[xn yn]为所述障碍物的激光数据点在全局地图中的坐标,n为激光数据点对应障碍物的序号,ei为所述障碍物的激光数据点的结束序号,si为所述障碍物激光数据点的起始序号,Mn为所述障碍物对应的所述激光数据点,n=1,2...N,为Mn的中心坐标,/>为Mn的方差,/>为Mn的协方差,mn为Mn的激光点的数目。
具体的,椭圆形具有表达式简单等优点。
当然,除了椭圆形外,预设形状还可以为其他多种类型,本发明实施例在此不做限定。
具体的,为了更好地表征这些离散的轮廓采样点,主要应用椭圆来表征激光所检测到的单个障碍物区域Mn,n=1,2...N(可以依据点簇求和平均的思想),其中每一个激光聚类区域Rj对应一个障碍物区域Mn。而其中 和mn分别表示障碍物区域Mn的中心坐标,方差,协方差以及激光点的数目。则:
则此椭圆的协方差矩阵Ci表示为通过此矩阵Ci可以计算相应的特征值和特征向量来表征此障碍物区域Rj的大小和方向信息,其中最大特征值λ1和最小特征值λ2分别表征此椭圆的长短轴长度。则:
和/>分别表示特征向量对应的角度,则:
具体的,通过上述方法可以利用椭圆形特征矩阵准确地对每个障碍物的大小以及形状等特征进行表征。
当然,除了上述方法外,将每个障碍物对应的激光数据点转换为预设形状的特征矩阵还可以为其他具体过程,本发明实施例在此不做限定。
作为一种优选的实施例,确定出每个特征矩阵对应的误差信息具体为:
根据移动机器人的定位误差以及用于获取原始激光数据点的激光传感器的检测误差,确定出每个特征矩阵对应的位姿误差协方差:
x=f(μ,ν,ω);
其中,μ=pr,ν=qr,ω=θr,PR=[pr qr θr]T为移动机器人当前的全局位姿,为位姿误差协方差,具体为:/>
具体的,根据移动机器人的定位误差以及用于获取原始激光数据点的激光传感器的检测误差,确定出每个特征矩阵对应的位姿误差协方差的更具体的过程可以为:
将当前投影之后的激光数据转换到移动机器人全局坐标系:
其中PR=[pr qr θr]T为当前此移动机器人的全局位姿;Cm=[xFL 0 0]T为主激光在移动机器人坐标系中的安装坐标;为障碍物聚类区域,已知移动机器人的全局定位误差协方差为/>
利用通过一阶误差传播公式,由机器人的位姿误差协方差来表征障碍物聚类的协方差,得
x=f(μ,ν,ω)
通过x协方差的近似公式:
对于公式,设μ=pr,ν=qr,ω=θr。
由此可知当前机器人所观测的每个障碍物点簇的世界坐标系中的坐标:及相应的定位误差协方差矩阵:/>
具体的,通过上述方法可以准确地表达出每个特征矩阵对应的误差信息。
当然,除了上述方法外,还可以通过其他方式对特征矩阵对应的误差信息进行计算,本发明实施例在此不做限定。
作为一种优选的实施例,根据特征矩阵及其对应的误差信息计算出每个障碍物的位置信息具体为:
根据特征矩阵及其对应的误差信息,采用JPDA(Joint Probabilistic DataAssociation,联合概率数据互联)滤波法计算出每个障碍物的位置信息。
具体的,JPDA是数据关联算法之一,它的基本思想是:对应于观测数据落入跟踪门相交区域的情况,这些观测数据可能来源于多个目标。JPDA的目的在于计算观测数据与每一个目标之间的关联概率,且认为所有的有效回波都可能源于每个特定目标,只是它们源于不同目标的概率不同。JPDA算法的优点在于它不需要任何关于目标和杂波的先验信息,是在杂波环境中对多目标进行跟踪的较好方法。
当然,除了JPDA外,还可以采用其他类型的算法计算出每个障碍物的位置信息,本发明实施例在此不做限定。
作为一种优选的实施例,根据特征矩阵及其对应的误差信息,采用联合概率数据互联JPDA滤波法计算出每个障碍物的位置信息具体为:
其中,为障碍物的位置信息,Hi(k)为已知的状态转移矩阵,k表示某个障碍物被有效观测的移动机器人的序号,/>为权重系数,/>为权重矩阵。
具体的,根据特征矩阵及其对应的误差信息,采用联合概率数据互联JPDA滤波法计算出每个障碍物的位置信息更加具体的过程可以为:
考虑到各机器人激光传感器间的量测误差是统计独立的,并满足如下线性方程:
xt(k+1)=Ft(k)xt(k)+Gt(k)wt(k)
设xt(k)(1≤i≤T)为某个障碍物被移动机器人k所观测的状态向量;为移动机器人k所观测的观测量;Ft(k)、Gt(k)和Hi(k)为已知的状态转移矩阵。wt(k)和/>为并不相关均值0的高斯噪声向量。Mi,k表示移动机器人k的传感器i的障碍物数目。设mi,k为移动机器人k的传感器i的有效观测障碍物的数目。当然为了简化,提前进行关联门阈值处理,以消除错误的返回值。设/>为前面k个机器人观测值序列。
首先对于每一个目标对象通过每一个传感器的量测值来计算每一个中间状态估计和相应的状态协方差矩阵P1 t(k|k)。其执行过程正如上一小节所描述的。而接下来1个传感器量测值进一步应用单传感器的JPDA滤波优化上一步的中间状态估计。我们假设传感器i的状态估计和协方差分别表示为/>和P1 t(k|k)。则更新方程为:
其中 其状态协方差矩阵更新公式:
其中,需要注意:中间状态估计及协方差矩阵/>被用于计算传感器i的关联概率/>
具体的,通过上述方法可以计算出每个障碍物准确的位置信息。
当然,除了上述方法外,根据特征矩阵及其对应的误差信息计算每个障碍物的位置信息的方法还可以为多种类型,本发明实施例在此不做限定。
其中,权重矩阵与已知的不同移动机器人的位姿信息的准确性有关。
作为一种优选的实施例,确定出原始激光数据点中每个障碍物对应的激光数据点具体为:
采用欧式距离法分割出原始激光数据点中每个障碍物对应的激光数据点。
具体的,欧式距离法具有原理简单、计算速度快以及精度高等优点。
其中,采用欧式距离法分割出原始激光数据点中每个障碍物对应的激光数据点具体的过程可以为:
采用依据欧氏距离的区域分割法分割数据,其原理是依据计算相邻两个激光扫描点之间的距离为标准。当这两个激光点之间的距离超过某一预设阈值时,对该区域进行分割,若未超过则进行下一个数据点的判别断。假设机器人激光聚类区域为Rj,其中j=1,2,...No。两个相邻的激光点在机器人坐标系统中的坐标分别为(xFL,i,yFL,i)和(xFL,i+1,yFL,i+1),及全局坐标系的坐标分别为(XFL,i,YFL,i)和(XFL,i+1,YFL,i+1),则满足:
且/>
其中阈值Dth为根据移动机器人宽度设定的安全距离。则Rj将由激光数据点(xFL,si,yFL,si)至(xFL,ei,yFL,ei)组成,其中si和ei分别表示激光数据点聚类Rj对应的激光点索引下标。
当然,除了欧式距离法外,分割原始激光数据点中每个障碍物对应的激光数据点还可以采用其他的方法,本发明实施例在此不做限定。
作为一种优选的实施例,获取移动机器人周围物体的原始激光数据点之后,确定出原始激光数据点中每个障碍物对应的激光数据点之前,该障碍物定位方法还包括:
根据移动机器人当前的最佳位姿估计以及移动机器人所在场景的全局栅格地图,滤除原始激光数据点中的静态场景信息;
则确定出原始激光数据点中每个障碍物对应的激光数据点具体为:
根据滤除掉静态场景信息后的原始激光数据点,确定出原始激光数据点中每个障碍物对应的激光数据点。
具体的,根据移动机器人当前的最佳位姿估计以及移动机器人所在场景的全局栅格地图,滤除原始激光数据点中的静态场景信息的具体方式可以有很多种,例如可以为:
考虑激光传感器获得的数据点并不全是动态障碍物的数据点,为了降低后续的处理数据量,基于单机器人的当前时刻的全局最优位姿估计,与全局地图进行特征匹配,去除与全局地图栅格点集匹配的激光数据点/>即为当前时刻激光检测到的动态障碍物激光点;
zo=measurement_obstacles([pi qi θi]T,zt,m)
根据当前时刻移动机器人的最佳位姿估计[pi qi θi]T,当前时刻激光融合数据点zt和全局栅格地图m,判断出非全局地图特征点(静态场景信息),提取动态障碍物数据信息。对于给定的当前时刻移动机器人的位姿估计,可以很轻松地计算出当前原始激光点和栅格地图路标的匹配程度。
当然,除了前述的方法外,根据移动机器人当前的最佳位姿估计以及移动机器人所在场景的全局栅格地图,滤除原始激光数据点中的静态场景信息的具体方式还可以为其他类型,本发明实施例在此不做限定。
请参考图2,图2为本发明提供的一种障碍物定位装置的结构示意图,包括:
获取模块1,用于获取移动机器人周围物体的原始激光数据点;
第一确定模块2,用于确定出原始激光数据点中每个障碍物对应的激光数据点;
转换模块3,用于将每个障碍物对应的激光数据点转换为预设形状的特征矩阵;
第二确定模块4,用于确定出每个特征矩阵对应的误差信息;
计算模块5,用于根据特征矩阵及其对应的误差信息计算出每个障碍物的位置信息。
对于本发明提供的障碍物定位装置的介绍请参照前述的障碍物定位方法的实施例,本发明实施例在此不再赘述。
请参考图3,图3为本发明提供的一种障碍物定位设备的结构示意图,包括:
存储器6,用于存储计算机程序;
处理器7,用于执行计算机程序时实现如上任意一项的障碍物定位方法的步骤。
对于本发明提供的障碍物定位设备的介绍请参照前述的障碍物定位方法的实施例,本发明实施例在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,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,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种障碍物定位方法,其特征在于,包括:
获取移动机器人周围物体的原始激光数据点;
确定出所述原始激光数据点中每个障碍物对应的激光数据点;
将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵;
确定出每个所述特征矩阵对应的误差信息;
根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息;
所述将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵具体为:
将每个所述障碍物对应的所述激光数据点转换为椭圆形的特征矩阵,以便利用椭圆形的所述特征矩阵表征所述障碍物的指定特征,其中,所述指定特征包括大小以及形状;
所述根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息具体为:
根据所述特征矩阵及其对应的所述误差信息,采用联合概率数据互联JPDA滤波法计算出每个所述障碍物的位置信息。
2.根据权利要求1所述的障碍物定位方法,其特征在于,所述获取移动机器人周围物体的原始激光数据点具体为:
获取多个移动机器人周围物体的原始激光数据点;
则所述根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息具体为:
根据每个障碍物所有的所述特征矩阵以及与所述特征矩阵相对应的所述误差信息计算出每个所述障碍物的位置信息。
3.根据权利要求2所述的障碍物定位方法,其特征在于,将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵具体为:
将每个所述障碍物对应的所述激光数据点转换为椭圆特征矩阵:
其中,[xn,z yn,z]为所述障碍物n的激光数据点z在全局地图中的横坐标和纵坐标,n为激光数据点对应障碍物的序号,ei为所述障碍物n的激光数据点的结束序号,si为所述障碍物n激光数据点的起始序号,Rn为所述障碍物n对应的从起始序号ei至结束序号si的激光数据点序列,Mn为所述障碍物n对应的所述激光数据点,n=1,2...N,为Mn的中心坐标,/>为Mn的方差,/>为Mn的协方差,mn为Mn的激光点的数目,表示为mn=ei-si+1。
4.根据权利要求3所述的障碍物定位方法,其特征在于,所述确定出每个所述特征矩阵对应的误差信息具体为:
根据所述移动机器人的定位误差以及用于获取所述原始激光数据点的激光传感器的检测误差,确定出每个所述特征矩阵对应的位姿误差协方差:
x=f(μ,ν,ω);
其中,x=f(μ,ν,ω)为由三个变量μ、ν和ω组成的数学函数,μ=pr,ν=qr,ω=θr,PR=[pr qr θr]T为所述移动机器人当前的全局位姿,为位姿误差协方差,具体为:
5.根据权利要求4所述的障碍物定位方法,其特征在于,所述根据所述特征矩阵及其对应的所述误差信息,采用联合概率数据互联JPDA滤波法计算出每个所述障碍物的位置信息具体为:
其中,为某一所述障碍物在t时刻基于传感器i的量测值所获得的位置信息,为某一所述障碍物在t时刻基于传感器i-1的量测值所获得的位置信息,Hi(k)为已知的状态转移矩阵,k表示某个所述障碍物被有效观测的所述移动机器人的序号,/>为权重系数,/>为权重矩阵,/>为移动机器人k所观测的观测量,1≤li≤Mi,k,li表示移动机器人k的传感器i观测的障碍物序号;Mi,k表示移动机器人k的传感器i的障碍物数目。
6.根据权利要求1所述的障碍物定位方法,其特征在于,所述确定出所述原始激光数据点中每个障碍物对应的激光数据点具体为:
采用欧式距离法分割出所述原始激光数据点中每个障碍物对应的激光数据点。
7.根据权利要求1至6任一项所述的障碍物定位方法,其特征在于,获取移动机器人周围物体的原始激光数据点之后,所述确定出所述原始激光数据点中每个障碍物对应的激光数据点之前,该障碍物定位方法还包括:
根据所述移动机器人当前的最佳位姿估计以及所述移动机器人所在场景的全局栅格地图,滤除所述原始激光数据点中的静态场景信息;
则所述确定出所述原始激光数据点中每个障碍物对应的激光数据点具体为:
根据滤除掉所述静态场景信息后的所述原始激光数据点,确定出所述原始激光数据点中每个障碍物对应的激光数据点。
8.一种障碍物定位装置,其特征在于,包括:
获取模块,用于获取移动机器人周围物体的原始激光数据点;
第一确定模块,用于确定出所述原始激光数据点中每个障碍物对应的激光数据点;
转换模块,用于将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵;
第二确定模块,用于确定出每个所述特征矩阵对应的误差信息;
计算模块,用于根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息;
所述将每个所述障碍物对应的所述激光数据点转换为预设形状的特征矩阵具体为:
将每个所述障碍物对应的所述激光数据点转换为椭圆形的特征矩阵,以便利用椭圆形的所述特征矩阵表征所述障碍物的指定特征,其中,所述指定特征包括大小以及形状;
所述根据所述特征矩阵及其对应的所述误差信息计算出每个所述障碍物的位置信息具体为:
根据所述特征矩阵及其对应的所述误差信息,采用联合概率数据互联JPDA滤波法计算出每个所述障碍物的位置信息。
9.一种障碍物定位设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-7任意一项所述的障碍物定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297575.XA CN111474560B (zh) | 2020-04-16 | 2020-04-16 | 一种障碍物定位方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297575.XA CN111474560B (zh) | 2020-04-16 | 2020-04-16 | 一种障碍物定位方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111474560A CN111474560A (zh) | 2020-07-31 |
CN111474560B true CN111474560B (zh) | 2023-11-24 |
Family
ID=71753658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010297575.XA Active CN111474560B (zh) | 2020-04-16 | 2020-04-16 | 一种障碍物定位方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474560B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115381354A (zh) * | 2022-07-28 | 2022-11-25 | 广州宝乐软件科技有限公司 | 清洁机器人的避障方法、避障装置、存储介质和设备 |
CN116758498B (zh) * | 2023-05-08 | 2024-02-23 | 禾多科技(北京)有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010096584A (ja) * | 2008-10-15 | 2010-04-30 | Kajima Corp | 障害物検出装置、及び障害物検出方法 |
CN108896050A (zh) * | 2018-06-26 | 2018-11-27 | 上海交通大学 | 一种基于激光传感器的移动机器人长期定位系统及方法 |
CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
CN110927742A (zh) * | 2019-11-19 | 2020-03-27 | 杭州飞步科技有限公司 | 障碍物跟踪方法、装置、设备及存储介质 |
CN110927740A (zh) * | 2019-12-06 | 2020-03-27 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007333486A (ja) * | 2006-06-13 | 2007-12-27 | Denso Corp | 車両用障害物検知装置 |
KR101762504B1 (ko) * | 2015-08-31 | 2017-07-28 | 고려대학교 산학협력단 | 레이저 거리 센서를 이용한 바닥 장애물 검출 방법 |
EP3623844A4 (en) * | 2017-06-02 | 2020-05-20 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR DETECTING OBSTACLES |
US20190286145A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Adept Technologies, Inc. | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots |
-
2020
- 2020-04-16 CN CN202010297575.XA patent/CN111474560B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010096584A (ja) * | 2008-10-15 | 2010-04-30 | Kajima Corp | 障害物検出装置、及び障害物検出方法 |
CN108896050A (zh) * | 2018-06-26 | 2018-11-27 | 上海交通大学 | 一种基于激光传感器的移动机器人长期定位系统及方法 |
CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
CN110927742A (zh) * | 2019-11-19 | 2020-03-27 | 杭州飞步科技有限公司 | 障碍物跟踪方法、装置、设备及存储介质 |
CN110927740A (zh) * | 2019-12-06 | 2020-03-27 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
Non-Patent Citations (3)
Title |
---|
孙自飞 等.多传感器的移动机器人可定位性估计与自定位.智能系统学报.2017,(4),全文. * |
王中立 等.基于多传感器信息融合的机器人障碍物检测.中国测试.2017,(8),全文. * |
蔡自兴 等.动态环境中移动机器人地图构建的研究进展.控制工程.2007,(3),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111474560A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110858076B (zh) | 一种设备定位、栅格地图构建方法及移动机器人 | |
CN108958282B (zh) | 基于动态球形窗口的三维空间路径规划方法 | |
CN1940591B (zh) | 使用传感器融合进行目标跟踪的系统和方法 | |
CN105021124B (zh) | 一种基于深度图的平面零件三维位置和法向量计算方法 | |
JP5181704B2 (ja) | データ処理装置、姿勢推定システム、姿勢推定方法およびプログラム | |
JP5219467B2 (ja) | パーティクルフィルター基盤の移動ロボットの姿勢推定方法、装置及び媒体 | |
KR101311100B1 (ko) | 천장 임의 형상 특성 활용 이동 로봇 위치 인식 방법 | |
CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
WO2015098971A1 (ja) | キャリブレーション装置、キャリブレーション方法およびキャリブレーションプログラム | |
JP6349418B2 (ja) | 高精度単眼移動によるオブジェクト位置特定 | |
US20110205338A1 (en) | Apparatus for estimating position of mobile robot and method thereof | |
CN107358629B (zh) | 一种基于目标识别的室内建图与定位方法 | |
KR100866380B1 (ko) | 물체인식을 바탕으로 한 로봇의 자기위치 추정 방법 | |
CN112179353B (zh) | 自移动机器人的定位方法、装置、机器人及可读存储介质 | |
CN111474560B (zh) | 一种障碍物定位方法、装置及设备 | |
KR101460313B1 (ko) | 시각 특징과 기하 정보를 이용한 로봇의 위치 추정 장치 및 방법 | |
CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
JP2017526083A (ja) | 位置特定およびマッピングの装置ならびに方法 | |
JP2014106725A (ja) | 点群解析装置、点群解析方法及び点群解析プログラム | |
CN113160280B (zh) | 一种基于激光雷达的动态多目标跟踪方法 | |
CN113781563B (zh) | 一种基于深度学习的移动机器人回环检测方法 | |
CN117308982A (zh) | 一种核电站水下清洁机器人的定位方法及装置 | |
KR20090113746A (ko) | 물체의 공간적 의미정보를 이용한 로봇의 자기위치 추정 방법 | |
CN113702941B (zh) | 一种基于改进icp的点云测速方法 | |
CN112344966B (zh) | 一种定位失效检测方法、装置、存储介质及电子设备 |
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 |